微米和纳米科技材料

隐私计算的本质及概述

什么是隐私计算?

隐私计算的本质是,解决数据安全性和数据效用平衡问题。

隐私计算的思路是,通过“数据可用不可见”的方式解决。

数据安全

举例说明,现在很多第三方平台,要求用户上传身份证的正反面进行身份认证,身份证资料都上传到了平台。你身份证的数据保存在第三方,就不受你控制了,虽然发挥了身份认证的数据效用,但是安全性受到了破坏。而通过隐私计算技术,可以使你不用上传身份证信息,就能够让第三方平台验证你的身份,这样第三方平台没有获得你的身份信息,只能够一次使用,无法乱用你的身份信息。

隐私计算技术,既发挥了数据效用,又保障了数据安全,是非常具有前景的新型技术。

隐私计算的实现方案介绍

隐私计算技术作为一个新技术,正处于快速发展期间,还不够成熟,具体有三个方面的发展方向:

  1. 可信执行环境 (Trusted Execution Environment, TEE),我的数据和程序都通过加密技术放在我的设备(如手机)中的TEE中,你可以用,但是看不到、带不走;
  2. 安全多方计算 (Secure Muti-Party Computation, MPC),的目标就是对一组计算的参与者,每个参与者拥有自己的数据,并且不信任其它参与者和任何第三方,在这种前提下,如何对各自私密的数据计算出一个目标结果的过程。
  3. 联邦学习 (Federated Learning, FL),是一种加密的分布式机器学习技术,分为横向联邦学习(主要面向C端,本质是样本的联合)、纵向联邦学习(主要面向B端,本质是特征的联合)和联邦迁移学习(样本和特征重叠很少)。
  • 横向联邦学习,通过去中心化的方式直接使用用户的数据进行学习,提升中心化模型效果;
  • 纵向联邦学习,各参与方可借助其他方数据进行联合建模,各方无需共享数据资源,即数据不出本地,进行数据联合训练,建立共享的机器学习模型;
  • 联邦迁移学习,是指利用数据、任务、或模型之间的相似性,将在源领域学习过的模型,应用于目标领域的一种学习过程。比如,我们如果已经会打乒乓球,就可以类比着学习打网球。

多种技术

  1. 同态加密
  2. 零知识证明
  3. 差分隐私
  4. 姚氏混淆电路
  5. 密钥分享
  6. 随机预言机
  7. 外包计算
  8. 不经意传输
你可能还喜欢

发表评论

您的电子邮件地址将不会发布。

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据