技术干货丨数据安全交换的场景风险分析及解决方案
随着互联网的发展，数据已经成为人类现在最重要的虚拟资产。数据资产的整个生命周期包括采集、传输、存储、处理、交换、销毁等6个阶段。为了保护数据的安全，人们已经提出并实践了针对每个阶段的保护措施。如下图所示：
我们重点关注数据交换这个阶段。数据交换指的是组织之间发生的数据流入流出过程，包括单方面提供数据文件、查询数据、联合建模等。可以看到，在这个阶段，我们可以将数据脱敏后再进行交换，交换的过程中，必须有相应的管控流程，避免发生违规违法的交换；事后要有审计，以便追溯。
有了以上的保护措施，数据交换就一定安全了吗？事实并不一定。我们来看几个场景，并分析其中存在的风险点。
场景1.数据查询
A公司要向B公司查询数据，提供待查询的ID，B公司则返回这些ID对应的信息。为了保护原始ID，AB会使用相同的方法将ID进行加密（比如使用HASH函数处理）。这个过程是否能够保证数据的安全呢？经过分析，我们认为其中至少存在如下3个风险点：
ID被破解：
由于ID的范围是固定的（如手机号、身份证、常见姓名等），可以通过暴力破解的方式碰撞出原始ID
ID沉淀：
B可以沉淀A提供的所有数据，暴力破解后用于其他用途
数据伪造：
B可能返回其并不真实存在的数据
场景2.跨平台会员营销
A公司要在广告平台B上进行会员营销，通常会提交A公司自身的会员包作为种子，在B平台上面通过匹配平台会员数据后进行lookalike放大，得到目标人群后再进行触达。种子会员包，广告平台一般都支持手机号、IMEI，以及经过HASH（如MD5/SHA）处理后的手机号、IMEI。即使A公司提交的是HASH后的ID，仍然存在如下风险：
ID被破解：
由于ID的范围是固定的（如手机号、IMEI等），可以通过暴力破解的方式碰撞出原始ID
ID沉淀：
B可以沉淀A提供的所有数据
数据超范围提供：
A流失了所有种子ID，其中某些ID由于B并不拥有，其实不应该向B提供这些ID
场景3.联合建模
除了查询场景外，一种比较常见的数据交换场景是两方联合建模。这种场景下，一般都是某一方将数据提供给另外一方进行模型分析，或者在第三方提供的空间内进行模型分析。对于数据的保护，依赖对方/第三方数据保护能力，以及法律合同。
由于数据事实上已经脱离了A的掌握，可以看到至少存在3点风险：
数据脱离掌控：
数据传递到B，只能靠签订相关合同，由法律保证不被滥用
数据他用难查证：
B可以沉淀A提供的所有数据并自用，A难以发现并查证
数据安全事故连带负面影响：
由于B导致的数据泄露，仍然会给A造成负面影响
综合上面的3个场景，我们可以看到，数据交换在目前的保护措施下，仍然存在一定的风险。因此我们有必要讨论如何进行安全的数据交换。
那么，数据安全交换到底是什么呢？
简单的说，就是“数据可用不可见”。使用数据的双方，相互间都不将原始数据提供给对方，同时又能够使用双方的数据进行模型分析。一句话，既要把数据留在本地，又要发挥数据的价值，还要用到别人数据的价值。
目前，业界为了实现数据安全交换，已经发展出来3种技术，包括多方安全计算、联邦学习、可信计算。
多方安全计算主要利用底层密码学协议来进行，包括有秘密分享、混淆电路、遗忘传输等等技术，主要特点是利用各种密码学协议来实现数据可用不可见。其最大的问题是效率不够高，难以支持大数据建模。
可信计算则通过构建可信的硬件计算环境来支持数据安全交换，使用芯片提供的独立安全环境，比如Intel的SGX，ARM的TEE等，将加密数据传递到芯片安全环境中进行解密计算，非安全环境的硬件、软件都无法访问。
联邦学习技术[2,3]则是一种更容易实现的联合建模方法，最大特点就是能够面向大数据进行联合建模，且效率较高，应用也最为广泛。联邦学习又可分为横向、纵向、迁移联邦学习，在实际应用中纵向联邦学习更为常见。
下面我们来看看，如何使用以上的技术，来解决上面我们提到的数据交换问题。
技术方案1. 安全求交集
方案效果：A只向B查询双方业务数据库中都有的ID
方案说明：
（1） 将业务数据库中的ID预处理后加入到ID数据库中，预处理方式可以由业务方自行定义，只需保证一一对应即可。安全公共集合服务无需了解预处理方式，因此不会获取业务的任何ID信息。B产生一对RSA公私钥，将公钥发送给A。双方均使用相同的HASH函数；
（2） A将ID数据库中的数据进行盲化（盲化的定义请参考文献[1]）处理，得到A_blind。同时，将自身的ID数据库中的数据用私钥加密并HASH处理，得到B_enc；
（3） A将A_blind传输给B，B将B_enc传输给A
盲化的A_blind技术保证B无法还原出原始的ID；
B_enc经过私钥加密并HASH，也能保证A无法解密出原始ID；
（4） B用自己的私钥，给A_blind签名，得到A_blind_sig；
（5） B将A_blind_sig传输给A；
（6） A将A_blind_sig除盲，然后HASH处理，得到 A_enc；
（7） A计算A_enc和B_enc的交集A_B；
（8） A将交集A_B传递给B；
（9） A将A_B里面的值，对应到A_enc的索引位置，然后将索引位置记录到ID数据库，有索引的位置即为公共ID；
（10） A将公共ID提供给业务，业务方根据预处理记录的对应关系，找到原始的公共ID；
（11） A向B查询原始公共ID。
技术方案2.安全种子营销
方案效果：A仅提供双方共有的用户作为营销种子包，不泄露任何B平台没有的用户
方案说明：
（1） 业务方A确定种子包，将ID预处理后加入到ID数据库；
（2） 经过与方案1中相同的过程，获得种子包中双方都有的公共ID；
（3） 将公共ID作为新的种子包，提交到营销平台进行营销。
技术方案3.纵向联邦学习
方案效果：联合建模双方保留原始数据在本地，仅交换建模过程中的梯度信息，实现“数据可用不可见”
方案说明：
（1） 通过安全求交集方法（参考方案1），获得双方的公共ID，后续的建模都基于这些公共ID；
（2） 将公共ID集合划分训练集和验证集；
（3） 使用联邦学习的方法[2]，交换建模过程中的梯度数据，将原始数据保留在本地。
具体的梯度数据计算和迭代过程，和使用的算法相关。在实际应用中，需要对算法进行改造以适应联邦学习的运行模式。
（4） 联邦学习完成，得到模型，模型可能分为两部分，双方各持有一部分；
（5） 推理时，双方将各自的数据输入模型，得到模型部分结果后，将结果汇集到一方，得到最终推理结果。
作为数据安全的从业人员，对数据安全的追求永无止境。本文从数据安全交换的角度，提出了几个方案，以实现在安全合规的前提下，最大限度的发挥数据流通的价值，减少数据孤岛的出现。其中肯定有我们所未能识别出的问题或风险，欢迎大家在评论区留言探讨，感谢大家。
文章引用
[1] https://en.wikipedia.org/wiki/Blind_signature
[2] https://en.wikipedia.org/wiki/Federated_learning
[3] https://zhuanlan.zhihu.com/p/94105330
精彩文章推荐