20210402-中国信通院-信息技术_隐私保护计算与合规应用研究报告（2021年）_46页_1mb

报告摘要

隐私保护计算与合规应用研究报告总结

核心内容

本报告由中国信息通信研究院安全研究所牵头，联合多家企业与机构共同完成，旨在分析隐私保护计算技术及其在个人信息和隐私保护方面的合规应用。报告围绕隐私保护计算技术概述、个人信息和隐私保护立法与监管、隐私保护计算技术的合规要点以及发展展望四个部分展开，系统梳理了隐私保护计算技术的发展现状、法律框架、合规要求及未来方向。

主要观点

隐私保护计算技术是数据安全与价值释放的桥梁
隐私保护计算技术实现了“数据可用不可见”的目标，使得数据在不泄露原始信息的前提下实现价值挖掘，适用于模型训练、预测、匹配和联合统计分析等场景。
隐私保护计算技术涵盖多种关键技术
主要包括联邦学习、安全多方计算、机密计算、差分隐私和同态加密。每种技术都有其特点和适用场景，例如联邦学习适用于分布式数据联合建模，安全多方计算适用于隐私保护下的联合计算，差分隐私适用于统计分析与数据脱敏，同态加密适用于加密数据上的计算。
个人信息和隐私保护立法日趋完善
2020年，我国出台了《民法典》《数据安全法（草案）》《个人信息保护法（草案）》等法律法规，构建了个人信息和隐私保护的法律监管框架。法律从民事、行政、刑事三个维度对个人信息保护进行规范。
合规要点包括数据最小化、分级分类与匿名化
这些要点是个人信息保护的重要原则，隐私保护计算技术在满足这些合规要求方面具有显著优势，但需结合具体场景进行评估和应用。
发展路径强调法律、标准、技术与人才的协同发展
报告提出应加快法律法规体系建设、推动标准制定、强化全流程风险防控，并注重隐私保护计算技术人才的培养。

关键信息

一、隐私保护计算技术概述

定义：隐私保护计算是实现数据“可用不可见”的技术体系，旨在在保障隐私的前提下挖掘数据价值。
关键技术：
- 联邦学习：分布式学习，保护原始数据，适用于建模、预测等场景。
- 安全多方计算：在不泄露原始数据的情况下联合计算，适用于隐私保护下的联合分析。
- 机密计算：基于硬件的可信执行环境，确保数据与代码安全，适用于数据处理过程中的隐私保护。
- 差分隐私：通过添加噪声保护隐私，适用于统计分析和数据脱敏。
- 同态加密：允许在密文上进行计算，适用于加密数据处理。

二、个人信息和隐私保护立法与监管

立法结构：
- 民事法律路径（如《民法典》）；
- 行政监管路径（如《网络安全法》）；
- 刑事补充路径（如《刑法》）。
监管特点：
- 多主体协同监管；
- 执法强度持续提升；
- 监管措施多样化，包括信用监管、行政处罚等。

三、合规要点与隐私保护计算技术

重要合规要点：
- 数据最小化：仅收集与处理目的相关的信息，减少泄露风险；
- 数据分级分类：根据数据敏感程度进行分类管理，以提升数据安全；
- 数据匿名化：通过处理使信息无法识别个人，符合《个人信息保护法（草案）》要求。
隐私保护计算技术的合规应用：
- 联邦学习、安全多方计算、差分隐私等技术均能支持数据最小化原则；
- 差分隐私在数据匿名化方面具有特殊作用，可进一步提升数据保护水平；
- 机密计算通过可信执行环境实现数据与代码的双重保护；
- 同态加密在加密数据计算方面具有潜力，但需结合整体方案评估其合规性。