潮科技 | 隱私計算應用場景詳解

隱私計算（Privacy Computing），指在保護數據本身不對外泄露的前提下實現數據分析計算的一類信息技術，主要分為(wei) 可信硬件和密碼學兩(liang) 大技術領域。隱私計算是目前實現數據安全和數據合規分享的技術路徑，本文將從(cong) 技術概念介紹和應用場景出發進行介紹。

實現隱私計算的相關技術

當前實現隱私計算的技術主要可分為(wei) 可信計算和密碼學兩(liang) 大方向。

可信硬件

可信硬件指可信執行環境，核心思想是構建一個(ge) 安全的硬件區域，各方數據統一匯聚到該區域內(nei) 進行計算。比較有代表性的是Intel-SGX、ARM-TrustZone、Ucloud-安全屋等。特點是速度快、語言更友好、算法更通用。

密碼學

密碼學指用算法實現對計算過程中的數據保護，以多方安全計算、聯邦學習(xi) 等為(wei) 代表。

• 多方安全計算

即MPC，針對無可信第三方情況下，安全地進行多方協同的計算。在一個(ge) 分布式網絡中，多個(ge) 參與(yu) 實體(ti) 各自持有秘密輸入，各方希望共同完成對某函數的計算，要求每個(ge) 參與(yu) 實體(ti) 除計算結果外，均不能得到其他參與(yu) 實體(ti) 的任何輸入信息。多方安全計算包含的基礎技術有很多，比如同態加密、秘密分享、不經意傳(chuan) 輸、混淆電路等。

多方安全計算更多地是解決(jue) 初級的算子，比如加、減、乘、求交等運算。比較有代表性的企業(ye) 和平台是華控清交（Privpy）、螞蟻金服（Morse）、富數科技（Avatar）、百度（點石）等。

•  聯邦學習(xi)

即Federated Learning，基於(yu) 多方數據進行聯合建模，各自原始數據不對外輸出，由中心方進行協調的建模，都可成為(wei) 聯邦學習(xi) 。

聯邦學習(xi) 更多地是解決(jue) 聯合建模的業(ye) 務問題，比如信貸風控中的常用的邏輯回歸建模評分、精準營銷中的常用的XGBOOST分類等建模。比較有代表性的企業(ye) 和平台是微眾(zhong) 銀行（Fate）、螞蟻金服（Morse）、富數科技（Avatar）、平安科技（蜂巢）、數牘科技等。（注：以上部分參考中國信通院對隱私計算的相關(guan) 定義(yi) ）

隱私計算的客戶與場景

由於(yu) 多行業(ye) 均存在數據合規流通的需求，隱私計算的落地場景也分散於(yu) 各行各業(ye) 。以下列出了政務、醫療、金融、廣告、供應鏈等行業(ye) 對隱私計算的具體(ti) 需求，希望介紹隱私計算的落地方向。        

隱私計算"客戶"拓撲圖

政務大數據

當數據成為(wei) 生產(chan) 要素之一，將政務大數據賦能於(yu) 新基建下的各行各業(ye) 也成為(wei) 一個(ge) 重要課題。因此，政務大數據機構是隱私計算的重要客戶之一，具體(ti) 包括司法數據、社保數據、公積金數據、稅務數據、水電燃氣數據、交通數據、違章數據等。

政務大數據

政務大數據的隱私計算應用場景

舉(ju) 例來說，智慧城市就是一個(ge) 複雜、錯綜、協助、共創的業(ye) 務生態，包括信用、安保、能源、交通、規劃、環保、文旅等各個(ge) 行業(ye) ，業(ye) 務數據涉及到跨部門協同。智慧城市中打通以人為(wei) 中心的數據也是“城市數據中台”的概念，這需要通過對城市居民的多維度信用評級，授予或者限製更多的權限。要做到對個(ge) 人聯合風控，其中需要橫向打通的數據包括交通出行數據、水電燃氣數據、公安數據、征信數據等。

醫療科研

在醫療機構中，病例數據作為(wei) 最需要保護隱私安全的數據，對醫療科研與(yu) 病情推斷具有重要的價(jia) 值。然而單個(ge) 醫療機構的數據樣本不足以支撐大規模的模型訓練，傳(chuan) 統的做法是將病例數據匯總、統計、銷毀，這種操作是極其不安全的。

而在隱私計算領域，采用多方安全計算的方式，可以保證各家醫療機構數據不出庫，加密計算，最終得到統計結果。

醫療科研

銀行金融業(ye) 務

銀行作為(wei) 傳(chuan) 統金融機構的代表，在科技賦能的進化中，必然涉及到與(yu) 外部數據的聯合建模。銀行也是隱私計算最可能率先完全落地的領域。

首先，銀行找到存量用戶需補全畫像標簽，才能服務於(yu) 流失召回、交叉營銷場景，這非常依賴於(yu) 銀行外部的數據。而隱私計算中的匿蹤查詢可以保證銀行在查詢外部數據的時候，避免用戶信息被緩存。並且，小微企業(ye) 貸等對個(ge) 人或者企業(ye) 進行信貸評估的場景，也需要依賴外部數據源做聯合建模評估。      

銀行金融業(ye) 務

保險營銷與(yu) 定價(jia)

保險公司從(cong) 線下發展到線上獲客，對精準獲取潛客需求極大，這裏的精準度直接影響觸達的成本。另外，“定價(jia) 失靈”是當前財產(chan) 險行業(ye) 經營麵臨(lin) 的一個(ge) 突出問題，主要表現為(wei) 保費不足和未決(jue) 賠款準備金不利發展。之所以會(hui) 有“定價(jia) 失靈”的現象，既有數據、模型和精算技術等方麵的“前定價(jia) 管理”原因，也有風險識別、核保、承保、銷售、理賠、費用管控和準備金評估等方麵的“後定價(jia) 管理”原因。隱私計算可以為(wei) 保險聯合定價(jia) 提供多維度的數據支撐。

基金管理

在母基金的管理中，我們(men) 需要計算每個(ge) 基金的真實收益情況。而基金的持倉(cang) 信息是一個(ge) 非常重要的私密信息，它代表了基金的價(jia) 值判斷和策略導向，也是基金公司的核心機密。這裏的矛盾在於(yu) ，一方麵母基金出於(yu) 管理需要信息共享，另一方麵是基金本身卻需要保護這些商業(ye) 信息，傳(chuan) 統方法必然導致一方的訴求無法得到滿足。使用多方安全計算，不僅(jin) 能夠同時滿足雙發的利益訴求，甚至可以讓基金信息得到有效的政府監管、防止出現市場結構性風險，同時保證商業(ye) 信息不被泄露。

大數據增值服務

像運營商、SDK廠商、支付廠商等機構，在開展業(ye) 務的同時會(hui) 積累大量的用戶數據。它們(men) 通常會(hui) 成立一個(ge) 大數據子公司來做數據增值業(ye) 務。傳(chuan) 統的API直接調用和線下聯合建模的方式已經不滿足數據安全的相關(guan) 要求。隱私計算技術也可服務於(yu) 數據公司的對外服務平台，成為(wei) 數據合規合法輸出價(jia) 值的一種解決(jue) 方案。

廣告平台聯合營銷

媒體(ti) 平台對廣告主進行營銷投放過程中，需要用甲方的用戶數據樣本進行聯合建模，傳(chuan) 統的標簽畫像篩選更多地是憑領域經驗，通過機器學習(xi) 建模可以提高營銷的ROI。聯邦學習(xi) 可以滿足在廣告主的數據不出庫的前提下，得到營銷投放模型。       

廣告平台聯合營銷

供應鏈金融

對供應鏈上下遊企業(ye) 而言，如何構建一個(ge) 信息對稱共享、核心企業(ye) 信用價(jia) 值可傳(chuan) 遞、商票可拆分流程是一個(ge) 挑戰。廠商可以基於(yu) 區塊鏈和密碼學算法，提供金融資產(chan) 數字化驗證的方案，使企業(ye) 能夠將企業(ye) 應收賬款進行數字化資產(chan) 登記，形成不可篡改的數據記錄，並實現實時信息共享。

同時通過參與(yu) 方分布式賬本，參與(yu) 方可以得到資產(chan) 確認，將企業(ye) 信用轉化成數字資產(chan) 。此外，審計入口也能方便監管機構審計和查看平台的資產(chan) 交易情況。最重要的是，在傳(chuan) 統區塊鏈隻能保證數據的不可修改性，通過多方安全計算和零知識證明等加密技術，可幫助區塊鏈實現智能合約的公開審計確認能力與(yu) 實際數據保密性的分離，讓企業(ye) 不再擔心核心商業(ye) 信息的泄露。

高校科研

高校的許多研究課題會(hui) 脫離企業(ye) 的真實數據實驗環境，而聯邦學習(xi) 既能讓高校科研使用企業(ye) 真實數據進行課題研究，又可以保護企業(ye) 業(ye) 務數據不對外輸出。這對企業(ye) 和高校聯合培養(yang) 人才、挖掘科研價(jia) 值具備促進作用。

量化投資模型

除了leval2等傳(chuan) 統的交易所數據，量化投資領域更大的價(jia) 值是通過互聯網大數據的挖掘得到異類指標，這些指標通常被訓練成投資決(jue) 策模型。傳(chuan) 統的私募基金通常將數據采購到本地，或者在數據服務端進行模型訓練，這種方式的弊端是會(hui) 造成投資模型的數據源側(ce) 安全性問題。

聯邦學習(xi) 可以將多方有價(jia) 值的數據進行聯合建模，訓練出綜合的決(jue) 策模型，而模型實施部署采用分布式加密的方式，任何一側(ce) 的合作數據源都無法獲得完整的原始數據。

總結

用戶隱私安全是社會(hui) 生產(chan) 力發展到一定階段的必然產(chan) 物。當前很難回答隱私計算的具體(ti) 市場規模，但在理想狀況中，隱私計算的應用場景存在於(yu) 幾乎所有需要多方使用數據的地方，以上提到的企業(ye) 和機構都需要數據合規分享的技術來協助業(ye) 務開展。