工信安全-中国隐私计算产业发展报告_65页_2mb

报告摘要

中国隐私计算产业发展报告（2020~2021）总结

核心内容

隐私计算是一种在保护数据隐私的前提下实现数据价值挖掘的技术体系，旨在解决数据流通、共享、应用等过程中隐私泄露和数据安全问题。随着数据成为新型生产要素，隐私计算在数据要素市场化配置、数据安全保护、多方协作和大数据发展等方面发挥着重要作用。

主要观点

隐私计算的意义：
- 助力数据要素市场化配置：隐私计算能够保障数据资产权属，提升数据资产价值，推动数据要素化。
- 防范数据泄露：隐私计算通过密码学、去中心化等技术手段，为数据保护提供新方案。
- 促进多方数据安全合规协作：隐私计算在数据隐私保护与数据共享之间取得平衡，为多方数据协作提供技术支撑。
- 推动大数据进入新阶段：隐私计算解决了大数据在隐私保护与数据开放之间的矛盾，是突破大数据发展瓶颈的重要技术。
隐私计算的政策环境：
- 国内政策支持：2020年以来，多部门及多地发布政策支持隐私计算技术发展，包括金融科技、工业大数据、区块链等领域。
- 国际政策背景：欧盟、美国、英国等国家和地区对隐私计算技术的重视程度不断提高，尤其在跨境数据传输、隐私保护机制等方面有明确政策支持。

关键信息

技术分类

隐私计算技术主要包括以下五类：

多方安全计算（MPC）
- 技术简介：通过密码学实现多方数据安全融合计算，支持多种技术分支如秘密分享、不经意传输、同态加密等。
- 技术优缺点：安全性高，但计算性能和效率仍需提升，尤其在大规模计算场景中存在瓶颈。
- 国内主要厂商：蚂蚁集团、华控清交、富数科技等。
- 应用场景：联合风控、联合统计、联合建模等。
联邦学习（Federated Learning）
- 技术简介：一种分布式机器学习技术，通过本地模型训练与中心服务器聚合实现数据隐私保护。
- 技术优缺点：在数据量大的场景下具备优势，但存在中心服务器数据泄露、恶意参与方等问题。
- 国内主要厂商：微众银行、蚂蚁集团、翼方健数等。
- 应用场景：医疗联合建模、金融风控、智慧城市建设等。
差分隐私（Differential Privacy）
- 技术简介：通过在数据查询中加入噪声，实现隐私保护与计算准确性的平衡。
- 技术优缺点：计算效率高，但结果准确性较低，通常需与其他技术结合使用。
- 国内主要厂商：蚂蚁集团、阿里云等。
- 应用场景：推荐系统、网络踪迹分析等。
机密计算（Confidential Computing）
- 技术简介：基于可信执行环境（TEE）进行数据加密计算，支持全周期数据隐私保护。
- 技术优缺点：通用性强，性能高，但受CPU厂商限制，存在侧信道攻击风险。
- 国内主要厂商：蚂蚁集团、阿里云、百度等。
- 应用场景：安全云计算、数据协作、区块链隐私保护等。
可证去标识（Provable De-identification）
- 技术简介：在数据去标识化后，确保数据接收方无法重新识别数据主体，实现“可算不可识”。
- 技术优缺点：满足高隐私和高性能需求，但存在信任障碍。
- 国内主要厂商：蚂蚁集团。
- 应用场景：大规模数据挖掘、在线推荐系统、数据共享等。