20201110-中国信通院-科技行业_2020年隐私保护计算技术研究报告_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数据价值挖掘过程中保障隐私安全的关键技术体系。其核心目标是在不泄露原始数据的前提下，实现数据的“价值”和“知识”流通与共享，达到“数据可用不可见”的效果。该技术体系涵盖了人工智能、密码学、数据科学等多个领域，是数字经济时代数据要素市场培育的重要支撑。

隐私保护计算主要解决以下问题：

• 数据孤岛：企业或部门间数据无法互通，限制了数据价值的释放。
• 合规趋严：如欧盟GDPR、中国《数据安全法（草案）》和《个人信息保护法（草案）》等法规对数据处理提出了更高的要求。
• 信任鸿沟：隐私泄露事件频发，削弱了公众对数据流通的信任。

主要观点

1. 数据要素市场培育：数据已成为新的生产要素，其可复制性、共享性为经济增长提供新动力，但数据流通仍受制于隐私保护与合规性问题。
2. 隐私保护与数据价值挖掘并重：隐私保护计算不是数据价值挖掘的对立面，而是实现两者共赢的关键手段。
3. 技术多样性与适用性：隐私保护计算技术体系包括联邦学习、安全多方计算、机密计算、差分隐私、同态加密等，每种技术有其适用场景与优劣势。
4. 合规与安全并行：隐私保护计算在技术层面和法律层面均需加强，以适应日益严格的监管环境。
5. 信任构建：隐私保护计算在解决数据流通信任问题方面具有显著优势，有助于弥合数字经济时代的信任鸿沟。

关键信息

隐私保护计算技术分类与特点

技术分类与应用场景

联邦学习

• 定义：由多个数据方在本地训练模型，仅在模型更新时进行通信。
• 特点：
  • 数据不出本地，保障隐私。
  • 存在通信效率低、数据非独立同分布等问题。
• 分类：
  • 横向联邦学习（HFL）：数据特征重合度高，样本重合度低。
  • 纵向联邦学习（VFL）：样本重合度高，特征重合度低。
  • 联邦迁移学习（FTL）：样本和特征重合度都极低。
• 应用场景：金融反欺诈、联合建模等。

安全多方计算（SMPC）

• 定义：多个参与方在不暴露原始数据的情况下协同计算一个函数。
• 特点：
  • 可证明的安全性，保障隐私。
  • 通信效率是主要性能瓶颈。
• 关键技术：
  • 秘密共享（SS）：将数据分割并分发，实现隐私保护。
  • 不经意传输（OT）：实现安全数据交换。
  • 混淆电路（GC）：将计算过程转换为加密逻辑电路。
• 应用场景：联合建模、隐私集合求交、隐私信息检索等。

机密计算（CC）

• 定义：基于硬件可信执行环境（TEE）实现数据应用保护。
• 特点：
  • 高性能，适合复杂计算场景。
  • 存在硬件依赖和侧信道攻击风险。
• 关键技术：
  • TrustZone：ARM架构下的隔离执行环境。
  • Intel SGX：基于CPU的内存加密和隔离技术。
• 应用场景：联合建模、区块链、密钥管理等。

差分隐私（DP）

• 定义：在计算结果中添加噪声，实现输出隐私保护。
• 特点：
  • 适用于数据统计场景。
  • 对模型精度影响较大。
• 分类：
  • 中心化差分隐私：由可信第三方添加噪声。
  • 本地差分隐私：在数据收集前就进行隐私保护。
• 应用场景：人口普查、数据统计等。

同态加密（HE）

• 定义：在加密数据上直接执行计算，结果与明文一致。
• 特点：
  • 全同态加密（FHE）理论上支持任意计算，但性能差。
  • 部分同态加密（SHE）仅支持有限计算，常用于其他方案中。
• 应用场景：加密数据建模、隐私保护计算等。

发展展望

隐私保护计算技术在未来将更广泛地应用于金融、政务、医疗等领域，推动数据要素市场的发展。随着技术的不断成熟，其在合规性、安全性、性能等方面将得到进一步提升。然而，仍面临以下挑战：

• 技术成熟度与商业化落地之间的差距。
• 不同技术之间的协同与融合。
• 硬件依赖问题，如对TEE的支持。
• 隐私保护与数据可用性之间的平衡。

隐私保护计算作为数据流通与隐私保护之间的桥梁，将在数字经济时代发挥越来越重要的作用。