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