隐私保护计算与合规应用研究报告（2021年）_46页_1mb

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，联合阿里巴巴集团安全部、北京数牍科技有限公司、腾讯研究院、智联出行研究院、中国工商银行等单位共同完成。报告旨在探讨隐私保护计算技术在数据流通与合规应用中的作用，分析我国个人信息与隐私保护的立法与监管现状，并提出发展建议，以推动隐私保护计算技术在合规框架下的应用与推广。

主要观点

1. 隐私保护计算技术概述

• 定义：隐私保护计算是解决数据应用与隐私保护矛盾的技术手段，其核心在于实现“数据可用不可见”。
• 关键技术：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。
• 主要解决的问题：隐私保护计算技术主要用于模型训练、预测、匹配和联合统计分析等场景，旨在保护数据隐私，同时实现数据价值的流通。

2. 个人信息和隐私保护立法与监管

• 立法层次：
  • 民事法律路径：以《民法典》为核心，确立了个人信息处理的基本原则和自然人的权利。
  • 行政监管路径：《网络安全法》《数据安全法（草案）》《个人信息保护法（草案）》等法规构成了个人信息保护的行政监管框架。
  • 刑法路径：《刑法》中设立了“侵犯公民个人信息罪”，对非法获取、使用个人信息的行为进行刑事追责。
• 立法趋势：
  • 个人信息定义逐渐清晰，强调“识别”与“关联”。
  • 个人信息处理规则更加具体，包括数据最小化、分级分类、匿名化等。
  • 法律责任划分更加明确，强调对个人信息处理者的义务与责任。
• 监管现状：
  • 多部门协同监管，形成多层次、多维度的监管体系。
  • 监管执法强度持续提高，包括APP治理、数据安全检查、行政处罚等。
  • 监管措施日趋多样化，涵盖约谈、通报、下架、信用记分等。

3. 合规要点与隐私保护计算技术

• 重要合规要点：
  • 数据最小化：要求收集和使用个人信息时，仅限于实现特定目的的最小范围。
  • 数据分级分类：根据数据敏感程度进行分类管理，明确不同数据的保护等级。
  • 数据匿名化：通过技术手段使数据无法识别特定个人，从而实现隐私保护。
• 隐私保护计算技术与合规：
  • 联邦学习：符合数据最小化原则，通过本地数据训练模型，减少数据泄露风险。
  • 安全多方计算：在不暴露原始数据的前提下完成联合计算，满足数据最小化和目的限制要求。
  • 机密计算：基于可信执行环境保护数据，符合数据最小化思想。
  • 差分隐私：在数据最小化基础上进一步降低泄露风险，适用于统计分析和模型训练。
  • 同态加密：允许在密文上进行计算，避免明文数据泄露，与数据最小化思想一致。

4. 发展展望

• 完善法律法规体系：加快《网络安全法》《数据安全法（草案）》《个人信息保护法（草案）》等法规的立法进程，细化法律义务和责任。
• 加快标准体系建设：推动隐私保护计算相关技术标准的制定，增强可操作性与适用性。
• 强化全流程风险防控：围绕数据全生命周期进行风险评估，建立闭环式风险管控机制。
• 安全与发展并举：通过隐私保护计算技术促进数据流通与产业发展，同时确保数据安全。
• 加强人才培养：推动复合型人才队伍建设，涵盖人工智能、密码学、数据科学和法律合规等多领域。

关键信息

• 隐私保护计算技术通过“数据可用不可见”实现数据流通与隐私保护的平衡。
• 我国个人信息保护法律体系包括民事、行政和刑事三个层次，且不断细化。
• 数据最小化、分级分类和匿名化是当前个人信息保护的重要合规要求。
• 隐私保护计算技术已在金融、数据协同分析等领域得到应用。
• 隐私保护计算技术的合规应用需要结合具体场景进行评估和实施。

图表目录

• 图1：个人信息和隐私保护立法框架
• 图2：本地差分隐私
• 图3：基于单方计算的中心化差分隐私
• 图4：基于风险的隐私保护计算技术应用场景分级方法

表格目录

• 表1：监管结构梳理
• 表2：金融领域法律法规梳理
• 表3：个人信息和隐私保护重要合规要点梳理

本报告全面梳理了隐私保护计算技术及其在个人信息保护中的合规应用，为数据要素流通市场的发展提供了理论支持与实践指导。