中国移动通信联合会：2021隐私机密计算蓝皮书_50页_4mb

2021隐私机密计算蓝皮书总结

核心内容

隐私机密计算是一项系统性技术，涵盖多个领域，包括密码学、数学、硬件等。它旨在实现数据“可用不可见”，在保护隐私和数据安全的前提下，支持多方数据的联合计算。隐私机密计算不仅对数据隐私保护至关重要，还对数据资产化、AI发展、区块链落地等方面具有核心支撑作用。

主要观点

• 隐私机密计算是数据要素化和数字经济发展的关键基础设施。
• 隐私机密计算的发展与政策支持、技术成熟度、市场需求密切相关。
• 隐私机密计算将带来IT产业的一次革新，是推动社会变革的重要技术手段。
• 隐私机密计算的普及将带来巨大的市场价值，预计到2025年，将有超过一半的大型企业使用该技术。

关键信息

技术发展简史

• 1978年：Ron Rivest等人提出同态加密问题，RSA算法实现乘法同态。
• 1982年：百万富翁问题引入多方安全计算概念。
• 2013年：王爽教授提出联邦学习，推动隐私计算从学术走向工业。
• 2019年：微软推出基于TEE的机密计算云服务。
• 2021年：Intel SGX和ARM V9架构推动隐私计算技术发展。

关键时间窗口

隐私机密计算正处于发展的关键阶段，其应用和推广受到政策、技术、市场、法律等多方面推动。

历史层面

• 数据被定义为新的生产要素，推动数据要素化。
• “十四五”规划明确提出推动数据安全流通，隐私机密计算成为重要支撑。

技术层面

• 隐私机密计算技术能够满足严格的隐私保护法律法规。
• 促进大数据行业发展，实现数据赋能行业和社会。
• 推动数据资产化，为AI发展提供安全计算环境。
• 与区块链结合，实现可信数据流通。

市场层面

• 隐私机密计算市场预计在2021年达到5000亿-8000亿规模。
• 2023年，中国人工智能市场规模预计达到979亿美元，隐私机密计算将占据20%-60%的市场份额。
• 未来隐私机密计算市场预计在2020年代中期达到每年1300亿-3900亿。

法律层面

• 《个人信息保护法（草案）》和《数据安全法》的发布，明确了隐私数据保护的法律地位和合规要求。
• 隐私机密计算在法律框架下成为合规数据应用的重要手段。

政策层面

• 《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》将数据列为第五大生产要素。
• “十四五”规划强调数据安全流通，隐私机密计算成为核心解决方案。
• “东数西算”工程推动数据流通基础设施建设，隐私机密计算技术成为关键。

数据经济层面

• 全球数字经济持续增长，隐私机密计算成为数据价值挖掘的重要工具。
• 隐私机密计算将推动数据经济的进一步发展，提升社会生产力。

技术需求

隐私查询

• 实现查询方仅获取结果，不留下查询痕迹。
• 采用非对称加密、不经意传输等技术，构建多方数据交互加密通道。

隐私建模/分析

• 联合建模与分析，保护数据隐私，实现跨组织、跨地域的数据合作。
• 数据样本量和维度对模型精度有关键影响。

隐私推理

• 保护模型和数据在传输与执行过程中的隐私。
• 需要全流程的隐私保护机制。

安全需求

• 隐私机密计算涉及多方参与，安全模型需考虑半诚实和恶意模型。
• 传统计算的安全性依赖数据和算法的正确性，而隐私机密计算需考虑多方安全假设和攻击防范机制。

普及与市场现状

• 2014年起举办全球隐私机密计算大赛，推动技术发展。
• 2020年央行发布《多方安全计算金融应用技术规范》。
• 国内隐私机密计算行业发展迅速，从2018年仅3-4家到如今多家企业参与。

基础技术

同态加密（HE）

• 支持任意函数计算，解密结果与传统计算一致。
• 主要应用于云计算、外包计算等场景。
• 当前主要局限在于计算效率低、数据处理受限。

多方安全计算（MPC）

• 实现多方安全计算，支持多中心数据联合分析。
• 存在计算和通信量大、安全假设复杂等问题。

可信执行环境（TEE）

• 提供安全隔离区域，支持数据加密处理。
• 已有ARM TrustZone、Intel SGX等技术实现。
• 存在侧信道攻击等风险，但可通过技术手段缓解。

联邦学习（FL）

• 实现数据隐私保护，共享中间统计结果。
• 分为客户端/服务器模式和去中心化模式。
• 存在中间结果泄露隐私的风险，需结合其他技术。

安全联邦学习（SFL）

• 综合多种隐私计算技术，实现更高安全性和效率。
• 不依赖可信第三方，可应用于多种业务场景。
• 需要较高的技术整合能力。

区块链技术

• 提供数据存证、审计、计费等功能。
• 与隐私机密计算结合，提升数据可信度。

传统技术

• 脱敏和假名化用于数据静态保护，但存在系统性漏洞。
• 无法满足复杂数据计算需求，仅适用于部分场景。

应用场景

医疗

• 基因分析：解决数据孤岛和隐私泄露问题，提升疾病诊断和预防能力。
• 医疗数据匿踪查询系统：实现隐私保护，防止数据泄露和缓存。
• 临床数据分析及新药开发：联合多中心数据，提升研发效率。
• 医学影像分析：辅助疾病识别和诊断，提升AI模型精度。

金融

• 金融征信：构建多维度征信体系，提高数据合规性和真实性。
• 金融风控：在不泄露数据的前提下进行风控模型训练和分析。
• 交易策略隐私保护：保护投资策略，实现安全学习和优化。

政务

• 医疗核保：构建智能监控体系，打击骗保行为。
• 医保控费：通过隐私计算构建精准DRG模型，优化医保基金使用。
• 政务数据开放：实现安全合规的数据共享，促进智慧政府建设。

评价方法

合规角度

• 方案需符合国家法律法规，满足数据全生命周期合规要求。
• 需要具备数据分级分类、安全事件报告等能力。

技术角度

• 数据保护、计算正确性、安全性证明、计算效率和能力是核心评价标准。

未来发展

• 隐私机密计算将成为新基建的重要组成部分，推动数据要素化和AI发展。
• 未来隐私计算市场将持续增长，预计2025年达到更大规模。
• 金融、医疗、政务等行业将是主要落地场景。
• 创业公司和互联网大厂将在隐私计算领域形成竞争格局，各有优势。

总结

隐私机密计算是推动数据要素化、实现数据安全流通的核心技术，其发展受到政策、法律、技术、市场的多重推动。未来，随着技术的不断完善和政策的持续支持，隐私机密计算将在多个行业发挥重要作用，成为数字经济时代的关键基础设施。