未来十年，将会有95%的企业采用隐私计算技术
近日，新华三集团发布了《面向未来的数字社会——2022新华三 十大技术趋势白皮书》（以下简称“白皮书”），将隐私计算列为十大技术趋势之一，并认为未来十年将会有95%的企业将采用一种或者多种隐私计算技术。
【公众号回复“0426” 免费获取报告链接】
白皮书对2022年的家庭、园区、城市和公共事业四大场景的变化趋势进行解读，并对扩展现实、隐私计算、分布式安全等十大热门技术趋势逐个分析，对于身处数字化转型中的用户有着极大的启发价值。
《白皮书》提到，数字经济时代，数据被视作关键生产要素，比肩石油，其价值释放需通过跨领 域、跨行业、跨地域的机构间数据融通共享实现。当前主流数据集中共享方案面临很多问题，数据资产权益得不到有效的保护、安全性得不到保证、数据泄露风险高；国际国内的隐私和数据保护法律不断成熟完善，也从合规监管层面大大增加了数据融合共享难度。
如何解开这些问题？隐私计算是目前业界公认的最佳答案。
《白皮书》介绍，隐私计算是多种技术的统称，目的是为了让多个数据拥有者，在不暴露数据本身的前提下，实现数据汇聚、共享、建模与分析，最终产生超出自身数据的价值，同时保证数据不泄露给其他参与方。
新华三认为，未来十年将会有95%的企业将采用一种或者多种隐私计算技术。
目前主流的隐私计算技术分为三大方向：
第一类 是以多方安全计算为代表的基于密码学的隐私计算技术；
第二类 是以可信执行环境为代表的基于可信硬件的隐私计算技术；
第三类 是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。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。
1.多方安全计算
多方安全计算可在各方不泄露输入数据的前提下完成多方协同分析、处理和结果发布。多方安全计算当前应用实践中性能问题较突出，仅适合应用于小规模数据量场景，MPC的协议与工程优化在持续深入，硬件加速是未来方向。
2.混淆电路
使用布尔电路构造安全函数计算，保证一方输入不会泄露给其它方，计算出 结果，并能指定结果由哪方获得或者是两方以分片形式共有。
3.秘密分享
是指将秘密信息拆分成若干分片，由若干参与者分别保存，并且通过参与者 的合作，对分布式存储的各分片进行安全计算，全部分片或达到门限数的分 片根据多个份额可重新恢复秘密信息。
4.不经意传输
指数据发送方有n个数据，数据接收方接收其选定的一个数据，且不能获取其 它数据，同时数据发送方无法知道接收方的选择。
5.同态加密
能实现在密文上进行计算后对输出进行解密，得到的结果和直接对明文计算 的结果一致，包括半同态加密和全同态加密算法。
6.差分隐私
本地差分隐私指在汇 聚和计算前数据就加入噪声，用于数据收集方不可信的场景；计算结果差分隐私是指最终计算结果发布前对其加噪声。
7.零知识证明
指的是证明者能够在不向验证者泄露任何有用信息的情况下，使验证者相信某个论断是正确的。在实际应用中，零知识证明能实现证明者向验证者证明并使其相信自 己知道或拥有某一消息，而证明过程不会向验证者泄漏任何关于被证明消息的信息。
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、完整性上得到保护。
可信执行 环境与安全多方计算相比，具有更高的通用性、易用性和更优的性能，目前一些主流云厂商已提供支持TEE的云服务实例，后续 机密计算（TEE）将成为公有云的标配，提高TEE对于侧信道攻击漏洞的鲁棒性，降低开发受信任应用以及方案集成的复杂性。
联邦 学习结合机器学习、密码学，在构造算法时常应用同态加 密、差分隐私技术以及包括基于秘密分享、不经意传输、 混淆电路等密码学原理的各类多方安全计算协议和其它用 于保证隐私计算的密码学技术来提升安全性；联邦学习框 架也可与可信执行环境配合使用，提供安全性、应用性更 强的综合解决方案。
联邦学习保障了联合AI模型在训练和 预测过程中的用户隐私和数据安全，广泛应用于联合建 模、联合预测等场景。
因此也可以说，隐私计算就是打开千亿级规模数据交易应用模型市场的那把关键钥匙！
来源：新华三
END
隐私计算头条周刊（4.10-4.23）
论数字社会的个人隐私数据保护 —— 基于技术向善的价值导向
一图看懂：什么是数据存力？
欢迎投稿邮箱：ppc@openmpc.com更多讨论，请扫描下方二维码，加入交流群一起学习成长。开放隐私计算
OpenMPC