中国信通院-2020年隐私保护计算技术研究报告-2020.11-61页_9mb

隐私保护计算技术研究报告总结

核心内容

隐私保护计算是一种在保障数据隐私安全的前提下，实现数据价值挖掘的技术体系，涵盖联邦学习、安全多方计算、机密计算、差分隐私、同态加密等关键技术。其目标是实现数据“可用不可见”，在数据流通与协作过程中保护隐私，同时促进数据要素市场的发展。隐私保护计算在金融、政务、医疗等领域具有广泛的应用前景。

主要观点

• 数据作为新的生产要素，其价值挖掘面临数据孤岛、合规监管趋严和信任鸿沟等挑战。
• 隐私保护计算技术通过加密、隔离、不泄露原始数据等方式，有效解决数据流通中的隐私问题。
• 隐私保护计算并非单一技术，而是融合了人工智能、密码学、数据科学等多领域技术的跨学科体系。
• 数据隐私与数据价值挖掘并非零和博弈，隐私保护计算为实现两者的平衡提供了有效手段。

关键信息

一、隐私保护计算概念与架构

• 定义：隐私保护计算是在隐私保护的前提下，实现数据价值挖掘的技术体系。
• 架构：包括数据方、计算方、结果方三类角色，数据始终存储在本地，计算过程和结果受到保护。
• 目标：在完成计算任务的基础上，实现数据计算过程和结果的隐私保护。

二、隐私保护计算关键技术

1. 联邦学习

• 定义：各参与方在本地训练模型，仅共享模型更新结果，实现隐私保护。
• 分类：
  • 横向联邦学习（HFL）：样本不重合，特征重合。
  • 纵向联邦学习（VFL）：样本重合，特征不重合。
  • 联邦迁移学习（FTL）：样本和特征均不重合。
• 安全属性：以原始数据不出本地为原则，保护隐私信息。
• 开放问题：
  • 通信效率低，模型收敛速度受影响。
  • 数据非独立同分布，存在隐私泄露风险。
  • 安全性缺乏统一标准，健壮性仍需研究。

2. 安全多方计算（SMPC）

• 定义：多个互不信任的参与方协作计算一个函数，保证数据隐私。
• 安全属性：
  • 输入隐私性：数据仅用于计算，不泄露。
  • 正确性：确保计算结果正确。
  • 公平性：确保所有参与方公平获取结果。
  • 结果传递保证：确保结果正确交付。
• 关键技术：
  • 秘密共享（SS）：将数据分割，保证隐私。
  • 不经意传输（OT）：实现数据选择隐私保护。
  • 混淆电路（GC）：实现安全计算逻辑。
• 部署架构：数据方、计算方、结果方，支持多种角色组合。
• 技术路线：
  • 通用SMPC：适用于各类计算。
  • 特定问题SMPC：如PSI、PIR等，针对性更强。

3. 机密计算（Confidential Computing）

• 定义：通过硬件可信执行环境（TEE）实现数据应用的隐私保护。
• 核心技术：
  • TrustZone：将系统分为安全与普通环境，实现隔离。
  • Intel SGX：通过Enclave保护数据和代码，实现安全计算。
• 开源框架：
  • Rust SGX SDK：结合Rust语言和SGX技术，提升安全性。
  • Asylo：支持多种硬件，便于开发和部署。
  • libOS方案：提供轻量级系统支持，便于迁移。
• 问题：依赖硬件，存在侧信道攻击风险，需信任厂商，成本较高。

4. 差分隐私（Differential Privacy）

• 定义：通过在计算结果中添加噪声，实现隐私保护。
• 分类：
  • 中心化差分隐私（CDP）：由可信第三方添加噪声。
  • 本地差分隐私（LDP）：在数据上传前即添加噪声。
• 优点：严格定义隐私模型，理论基础扎实。
• 问题：影响计算精度，对模型训练等场景不适用。

5. 同态加密（Homomorphic Encryption）

• 定义：允许在加密数据上进行计算，结果与明文一致。
• 分类：
  • 部分同态加密（SHE）：支持有限运算，如加法、一次乘法。
  • 全同态加密（FHE）：理论上支持任意运算，但性能和计算代价高。
• 应用场景：主要用于学术研究，尚未有实际商业应用。

三、隐私保护计算关键技术综合评价

四、隐私保护计算应用案例

1. 金融领域

• 问题：数据孤岛严重，缺乏客户行为数据。
• 解决方案：
  • 使用联邦学习进行联合建模，提高反欺诈能力。
  • 使用PSI技术解决数据对齐时的隐私泄露问题。
• 案例：反欺诈联邦学习模型示意图（图15）。

2. 政务领域

• 问题：数据孤岛、部门间数据共享困难。
• 解决方案：
  • 使用隐私计算技术实现跨部门数据协作，保护公民隐私。
  • 利用隐私信息检索（PIR）进行疑犯信息查询，保护隐私。
• 案例：疑犯信息查询示意图（图16）。

3. 医疗领域

• 问题：医疗数据敏感，难以共享。
• 解决方案：
  • 使用隐私计算技术实现医疗数据联合分析，提升诊断能力。
  • 应用于新冠联合诊断，提升数据协同效率。
• 案例：新冠人工智能联合诊断示意图（图17）。

五、隐私保护计算发展展望

• 隐私保护计算将推动数据要素市场的发展，促进数字经济的繁荣。
• 需要多方协作，包括政府、企业、技术研究机构等。
• 未来将更加注重隐私保护与数据价值挖掘的平衡，探索更高效的隐私保护计算方案。
• 机密计算、联邦学习等技术将更加成熟，应用场景将更加广泛。
• 在合规监管趋严的背景下，隐私保护计算将成为数据流通的重要保障机制。