首页  

隐私计算简介     所属分类 privacy-compute 浏览量 179
隐私计算近几年火爆主要归因于政策以及法律法规的出台
保障数据安全 ——  16年《网络安全法》,2021年9月《数据安全法》,11月《个人信息保护法》
推动数据流通 ——  “十四五”大数据规划、《 数据价值化与数据要素市场发展报告》(2021)
促进经济发展 ——  数据和土地、劳动力、资本、技术一同并称为五大生产要素




隐私计算  Privacy compute   Privacy computing
隐私计算 是指在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合,
达到对数据“可用、不可见”的目的
在充分保护数据和隐私安全的前提下,实现数据价值的转化和释放

隐私计算的加密机制能够增强对于数据的保护、降低数据泄露风险

主要技术方向
以多方安全计算为代表的基于密码学的隐私计算技术
以联邦学习为代表的人工智能与隐私保护技术融合衍生的技术
以可信执行环境为代表的基于可信硬件的隐私计算技术

TEE/MPC/联邦学习
TEE和MPC都是面向通用计算模式,但联邦学习是专门针对机器学习模型训练这个场景设计优化
机器学习训练分布式化后天然具备隐私保护的特点,比较容易地做到 "原始数据不动 模型动"
机器学习本身是复杂模型的近似计算,虽然联邦学习已经进入非常实用的阶段
但是它是用来做近似计算的



不同技术往往组合使用,在保证原始数据安全和隐私性的同时,完成对数据的计算和分析任务 


MPC 多方安全计算  Secure Multi-party Computation
在无可信第三方的情况下,多个参与方共同计算一个目标函数, 
并且保证每一方仅获取自己的计算结果,无法通过计算过程中的交互数据推测出其他任意一方的输入数据

FL 联邦学习 FederatedLearning , 联邦机器学习、联合学习、联盟学习等
联邦学习是实现在本地原始数据不出库的情况下, 通过对中间加密数据的流通与处理来完成多方联合的机器学习训练
联邦学习参与方一般包括数据方、算法方、协调方、计算方、结果方、任务发起方等角色,
根据参与计算的数据在数据方之间分布的情况不同,可以分为 横向联邦学习、纵向联邦学习 和 联邦迁移学习

可信执行环境
TEE 可信执行环境 Trusted Execution Environment
通过软硬件方法在中央处理器中构建一个安全的区域,保证其内部加载的程序和数据在机密性和完整性上得到保护
TEE是一个隔离的执行环境,为在设备上运行的受信任应用程序提供了比普通操作系统(Rich Operating System, RichOS)更高级别的安全性以及比安全元件(Secure Element, SE)更多的功能

MPIC 多方中介计算  Multi-partyintermediary computation
多方数据在独立于数据方和用户的受监管中介计算环境内,
通过安全可信的机制实现分析计算和匿名化结果输出的数据处理方式,是一个计算管理系统

数据方的原始数据由其去标识化后输入中介计算环境或平台参与计算,
完成计算后立即被删除,匿名化结果数据经审核后按指定路径输出

在MPIC的特定环境和规则下,信息数据的身份标识经过加密和标识化的处理,
因其算法具有不可逆性,故无法恢复为原始数据,满足了匿名化的一个要求,即不能原复

由于这些去标识化的信息数据被封闭在特定受监管环境或平台中,客观上达到了匿名化的另一个要求,即无法识别特定自然人
被处理的数据实质可视同匿名化,不再属于个人信息,无需征得个人同意就可进入中介计算环境或平台参与计算


隐私计算平台 BitXMesh
BitXMesh是首个将区块链与安全多方计算技术结合,并支持链上链下协同的数据共享平台,
满足隐私保护需求下的数据价值传递需求,打破数据孤岛,实现数据“可用不可见,可控可计量”


FATE (Federated AI Technology Enabler) 是全球首个联邦学习工业级开源框架,
可以让企业和机构在保护数据安全和数据隐私的前提下进行数据协作
https://gitee.com/WeBank/FATE


同态加密(Homomorphic Encryption) 基于数学难题的计算复杂性理论的密码学技术
对经过同态加密的数据进行处理得到一个输出,将这一输出进行解密,其结果与用同一方法处理未加密的原始数据得到的输出结果是一样的
同态加密是一类具有特殊自然属性的加密方法,此概念是Rivest等人在20世纪70年代首先提出的,
与一般加密算法相比,同态加密除了能实现基本的加密操作之外,还能实现密文间的多种计算功能,即先计算后解密可等价于先解密后计算。
这个特性对于保护信息的安全具有重要意义,利用同态加密技术可以先对多个密文进行计算之后再解密,不必对每一个密文解密而花费高昂的计算代价;
利用同态加密技术可以实现无密钥方对密文的计算,密文计算无须经过密钥方,既可以减少通信代价,又可以转移计算任务,由此可平衡各方的计算代价;
利用同态加密技术可以实现让解密方只能获知最后的结果,而无法获得每一个密文的消息,可以提高信息的安全性。

华控清交PrivPy多方计算平台



PPC 隐私(保护)计算 Privacy-Preserving Computation

上一篇     下一篇
英文简历模板1

关于职级的一些段子

门面模式 代理模式 适配器模式的区别

设计模式小结

Java Builder 模式 实例

隐私计算技术点和术语