隐私计算（Privacy-Preserving Computation）

原创于 2025-11-04 14:05:00 发布 · 681 阅读

CC 4.0 BY-SA版权

文章标签：

27 篇文章

订阅专栏

3 篇文章

订阅专栏

隐私计算是一种在保护数据隐私的前提下完成计算任务的技术体系，其核心是解决数据“可用不可见”的矛盾，确保数据在流动、共享、分析过程中不泄露敏感信息。

多方安全计算（MPC, Secure Multi-Party Computation）
- 原理：通过加密协议（如混淆电路、秘密分享）实现多方联合计算，各方仅获知最终结果。
- 案例：A和B联合统计销售额，双方仅知总结果，不知对方具体数据。
- 工具：TF-Encrypted、ABY。
同态加密（HE, Homomorphic Encryption）
- 原理：数据加密后可直接计算（如加法/乘法），解密后结果与明文计算一致。
- 类型：
  - 部分同态（仅支持加法或乘法，如Paillier）。
  - 全同态（支持任意计算，如BFV/CKKS，但性能低）。
- 案例：加密数据上训练机器学习模型（如医疗AI）。
- 工具：Microsoft SEAL、HElib。
零知识证明（ZKP, Zero-Knowledge Proof）
- 原理：证明方在不泄露信息的前提下，向验证方证明某陈述为真。
- 案例：证明“年龄>18”而不透露具体年龄。
- 工具：zk-SNARKs、zk-STARKs。

差分隐私（DP, Differential Privacy）
- 原理：向数据或查询结果添加噪声，使攻击者无法推断个体信息。
- 案例：Apple在iOS中收集用户行为数据时添加噪声。
- 工具：Google DP Library。
K-匿名（K-Anonymity）
- 原理：确保每条数据至少与K-1条数据不可区分。
- 案例：医疗数据发布时泛化“年龄=25”为“年龄=20-30”。

可信执行环境（TEE, Trusted Execution Environment）
- 原理：通过硬件隔离（如Intel SGX、ARM TrustZone）创建安全区域，数据仅在TEE内解密。
- 案例：蚂蚁链的TEE区块链节点。
- 工具：Open Enclave SDK。

技术	安全性	性能	适用场景	局限性
MPC	高	低	联合统计、隐私查询	通信开销大，延迟高
同态加密	极高	极低	加密数据计算（如AI训练）	计算速度慢（比明文慢1000倍+）
差分隐私	中	高	数据发布、统计查询	噪声可能影响数据准确性
TEE	高	高	实时计算（如区块链）	依赖硬件，存在侧信道攻击风险
联邦学习	中	中	分布式机器学习	可能泄露模型参数（需结合DP/MPC）