隐私计算，到底是个什么鬼？

 

01隐私计算到底是个啥？

隐私计算的核心要义就是

【数据可用不可见】

举个例子，有这么三兄弟

老大是政府，老二是银行

老三是互联网公司

 

他们都有一个明显的特征

那就是巨额的“数据资产”

而且他们是自家数据资产的“所有者”

 

如今，电诈、网络赌钱、洗钱...

让老百姓深受其害

急切需要一个

 

但是这事，没那么简单

想构建这个平台，必须有三类数据

①政府数据②互联网数据③银行数据

三兄弟要把自家数据“贡献”出来

这事儿才能成

问题是，这些数据都是安身立命的宝贝

谁都不愿意也不敢把自家数据拿出来

 

怎么办呢？

这时候，隐私计算出场了

在保障原始数据不出自家库的情况下

通过隐私计算，输出“计算结果”

来看看吧

隐私计算的整个流程是这样的

 

隐私计算从数据使用角色角度看包括三个方面：数据输入方、数据计算方与结果使用方。

使用方需先向输入方以及用户发送申请，经各方同意后方可通过计算方得到结果。

隐私计算通过实现输入隐私与输出隐私，以达到对原始数据和计算结果的保密。

以前，数据拥有方

不能给、不敢给、不愿给

有了隐私计算之后，这些顾虑就打消了

 

最终

三家齐心协力共同构建了

一个超精密的反赌反诈反洗钱平台

这个故事

其实就是隐私计算最常见的场景

【联合风控】

特别是在金融行业，解决单一金融机构自有数据量小、建模样本数量不足的问题。

通过隐私计算，可以将多家机构数据在不泄露的情况下融合应用，提高模型的准确性。用于信贷风险评估、供应链金融、多头借贷..

02隐私计算最常见的应用场景？

除了【联合风控】场景

还有三大最常见的应用场景

场景二：政务数据安全共享开放

政府有大量的社保、公积金、财税数据...

数据价值极大，但是使用难度也极大

通过隐私计算与其他技术的结合

能让政务数据安全流通

并为社会创造价值

 

场景三：医药研发、医疗攻坚

医疗数据对于患者而言极为隐私

通过隐私计算，输入不同数据源

比如，医院数据、科研室数据、卫健委数据...

进行新药研发、病症攻坚等

 

↓

场景四：联合营销

跨行业数据融合重构用户画像

用户画像数据都是多维的

浏览数据、购买数据、转化数据、交通数据...

可能来自不同平台，通过隐私计算撮合

用户画像就能描绘得更加精准

 

03隐私计算有哪些主要的技术？

目前隐私计算技术，主要包括

①多方安全计算 ②联邦学习 ③机密计算（包括可信执行环境）④差分隐私（包括本地差分隐私）⑤同态加密 ⑥零知识证明

 

每种技术分别有不同的优劣势

隐私计算路径对比

 

①多方安全计算：复杂度最高，对算力要求高、但是安全级别最高，现在能支持的功能较少。

②可信执行环境：运算效率最快，但前提是“信任硬件”，因此容易受到硬件成本、对硬件厂商信任度的制约。

③联邦学习：不收集原始数据而是通过模型来完成计算，但是模型难以完全保密；但开发难度相对轻松。

04隐私计算厂商和主要产品对比

还是看一张表吧

各路诸侯，一目了然

 

05目前，客户对隐私计算的质疑

①对隐私计算平台本身的质疑

如何证明隐私计算平台没有获取到客户的明文？

或者至少不能还原或推断出有用的信息？

 

②对数据全流程安全防护的质疑

数据从客户授权、采集、加工、融合、应用…

如何确保端到端的全流程安全防护？

 

③对隐形建设成本过高的质疑

隐私计算涉及多个系统改造

涉及多个部门参与

是否会影响上层正常业务？

要跨防火墙、私有云、DMZ区...

是否会涉及网络架构调整？

 

④对异构隐私平台互联互通的质疑

目前不同隐私平台和产品

由不同厂商提供，存在不互通

由此实现了形成了新的孤岛

 

06隐私计算，是个慢热TOB跑道

①数字经济时代

强烈的数据流通需求，需要隐私计算

数据是数字经济时代的关键生产要素，跨领域、跨行业、跨地域数据流通是释放数据价值的关键！

②政策环境

为隐私计算发展提供新机遇

近年来我国数据立法进程不断加快，尤其强调数据应用过程中的数据安全。《中华人民共和国网络安全法》《中华人民共和国数据安全法》和《中华人民共和国个人信息保护法》逐步完善了国家数据相关立法的顶层设计，着重强调了流通过程中的数据安全和个人隐私。

 

所以，数字经济之下

如何安全得用好数据

成为一个绕不过去的坎

隐私技术和相关数据保护技术

必将是一个慢热且充满前景的赛道