隐私计算技术体系

算法应用   联合统计 联合查询 联合建模 联合预测
基础层     混淆电路 秘密分享 不经意传输 同态加密 差分隐私 其他密码学算法
底层硬件   通用硬件  可信硬件
多方安全计算 联邦学习 可信硬件



FL 联邦学习 FederatedLearning 分布式加密机器学习新范式，在保护数据隐私的前提下实现跨机构AI协作

联邦学习过程中出现的数据和模型的隐私泄露和安全攻击如何防护
如何对非独立同分布、参差不齐的质量的数据建模
如何降低通信复杂度以及计算复杂度
如何评估各参与方的贡献，即联邦奖励机制问题
如何实现不同联邦学习平台间的互联互通以及联邦学习的可解释性等问题



MPC, GC, SS, OT
PPC 隐私保护计算 Privacy Preserving Computation
MPC 多方安全计算  Secure Multi-party Computation 
GC 混淆电路 Garbled Circuit
OT 不经意传输 Oblivious transfer
OT 可以实现 PIS 和 PIR 隐私信息检索 Private Information Retrieval 
PSI 隐私集合求交 Private Set Intersection
SS SecretSharing 
HE  同态加密 Homomorphic Encryption
ZKP 零知识证明  Zero-Knowledge Proof
DP  差分隐私 Differential privacy

TEE 可信执行环境 Trusted ExecutionEnvironment

RichOS 普通操作系统 Rich Operating System

SE 安全元件 Secure Element

CA 证书授权中心 Certificate Authority


隐私计算相关技术比较


MPC 多方安全计算   通用性高  计算和通信开销大 安全性高 研究时间长 久经考验 性能不断提升
TEE 可信执行环境   通用性高 性能强 开发和部署难度大 需要信任硬件厂商
FL  联邦学习      综合运用 MPC DP HE 方法  主要运用于 AI模型训练和预测
HE  同态加密      计算开销大 通信开销小 安全性高  可用于联邦学习安全聚合 构造MPC协议
ZKP 零知识证明     广泛运用于 各类安全协议设计 是各类认证协议的基础
DP  差分隐私      计算和通信性能与直接明文计算几乎无区别 安全性损失依赖噪声大小
BC  区块链        基于带时间戳的区块链存储技术 智能合约 分布式共识等技术辅助隐私计算 保证原始数据 计算过程及结果可验证
 



 隐私计算简介