数据隐私计算技术有以下几种：安全多方计算（MPC）、联邦学习（FL）、可信执行环境（TEE）。

1、安全多方计算（MPC）。安全多方计算（Secure Multi-party Computation）即在参与方不共享各自数据且没有可信第三方的情况下，仍可以进行协同计算，最终产生有价值的分析内容。

2、联邦学习（FL）。联邦学习是一种分布式机器学习技术或框架，最初是由谷歌提出的。

3、可信执行环境（TEE）。可信执行环境是一种具有运算和储存功能，并且能提供安全性和完整性保护的独立处理环境。

隐私计算底层应用的密码学算法

1、同态加密（HE）

同态加密（HE）指的是能够直接使用密文进行特定运算的加密技术，并保证得到的结果与明文计算结果一致。数据进行加减、汇聚时不会发生明文数据的暴露，因此能够大大提高计算方的可靠性。同态加密的优势在于通信量少，不需要多轮通信轮数，且在结果方密钥不泄露的情况下，计算过程是安全的，因此在多方安全计算、联邦学习等场景中得到了应用。

2、差分隐私（DP）

差分隐私（DP）是通过添加额外的随机数据“噪音”使真实信息淹没于其中，从而保护隐私的一种技术手段。当恶意用户试图通过差分攻击的手段反推原始数据时，由于噪音的存在，无法确认数据的真假，因此无法顺利还原原始数据。其优势在于无须加解密时的巨大算力消耗，技术相对成熟，因此在各种涉及个人隐私的统计类场景中得到广泛应用。

3、不经意传输（OT）

不经意传输（OT）由Rabin于1981年首次提出，也叫做茫然传输协议。其作用是当数据发送方有多份数据时，可通过OT算法，来让数据接收方从中仅选取需要的数据，但无法获取其他的数据，同时数据发送方也无法得知接收方从中获取了哪些数据。因此该算法常用于隐私计算集合求交、联邦学习样本对齐、隐私信息检索等场景。

本文地址： http://www.goggeous.com/d/1/1171580

文章来源：天狐定制

版权声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。