一、隱私計算（Privacy Computing）

隱私計算，廣義上是指面向隱私保護的計算系統(tǒng)與技術，涵蓋數(shù)據(jù)的產生、存儲、計算、應用、銷毀等信息流程全過程，想要達成的效果是使數(shù)據(jù)在各個環(huán)節(jié)中 “可用不可見”。目前最先落地于金融、醫(yī)療等行業(yè)。

二、實現(xiàn)隱私計算的相關技術

從技術角度出發(fā)，和隱私計算相關聯(lián)的概念很多——多方安全計算（MPC）、可信硬件（TEE）、聯(lián)邦學習、差分隱私、區(qū)塊鏈等。目前業(yè)內采用的主流技術包括三類：多方安全計算（MPC）、聯(lián)邦學習和可信執(zhí)行環(huán)境（TEE）。

當前實現(xiàn)隱私計算的技術主要可分為可信計算和密碼學兩大方向。

可信硬件
- 可信硬件指可信執(zhí)行環(huán)境，核心思想是構建一個安全的硬件區(qū)域，各方數(shù)據(jù)統(tǒng)一匯聚到該區(qū)域內進行計算。
密碼學
密碼學指用算法實現(xiàn)對計算過程中的數(shù)據(jù)保護，以多方安全計算、聯(lián)邦學習等為代表。

1. 多方安全計算（Secure Multi-Party Computation MPC）

多方安全計算（Secure Multi-Party Computation，簡稱MPC）是指在無可信第三方情況下，通過多方共同參與，安全地完成某種協(xié)同計算。即在一個分布式環(huán)境中，多個參與者共同完成對某個函數(shù)的計算，該函數(shù)的輸入信息分別由這些參與者提供，且每個參與者的輸入信息是保密的，在計算結束后，各參與者獲得正確的計算結果，但無法獲知其他參與者的輸入信息。這種方式主要基于密碼學的一些隱私技術，相關概念還包括同態(tài)加密(Homomorpgic Encryption)、不經意傳輸(Oblivious Transfer)、混淆電路(Garbled Circuit)和秘密共享(Secret Sharing)等。

核心在于計算參與方在數(shù)據(jù)加密狀態(tài)下進行計算。彼此不知對方數(shù)據(jù)，卻能得到正確的計算結果。
在這里插入圖片描述

圖1：安全多方計算（Secure Multi-Party Computation）

在這里插入圖片描述

圖2：安全多方計算的相關概念

2. 聯(lián)邦學習(Federated machine learning/Federated Learning)

聯(lián)邦機器學習(Federated machine learning/Federated Learning)，又名聯(lián)邦學習，聯(lián)合學習、聯(lián)盟學習。聯(lián)邦機器學習是一個機器學習框架，能幫助多個機構在滿足用戶隱私保護、數(shù)據(jù)安全和政府法規(guī)的要求下，進行數(shù)據(jù)使用和機器學習建模。有觀點認為，基于多方數(shù)據(jù)進行聯(lián)合建模，各自原始數(shù)據(jù)不對外輸出，由中心方進行協(xié)調的建模，都可稱為聯(lián)邦學習。

聯(lián)邦學習的系統(tǒng)架構大致分為橫向聯(lián)邦學習、縱向聯(lián)邦學習、遷移學習三類，分別對應不同數(shù)據(jù)集的差異情況。

核心：“數(shù)據(jù)不出門，算法滿地跑”
在這里插入圖片描述