隐私计算概述及当前各技术路线的优缺点介绍
2023-06-06 16:23:05
隐私计算是在保护数据本身不对外泄露的前提下，实现数据共享、分析、计算、建模的技术集合，旨在达成数据“可用不可见”的目标，充分保护数据和隐私安全的同时实现数据价值转化与释放。其常见技术路线有多方安全计算（MPC）、联邦学习（FL）、可信执行环境（TEE），各有优缺点，具体如下：
- 多方安全计算（MPC）
优点
安全性高：数据加密基于严格的密码理论，不依赖信任任何参与方、操作员、系统、硬件或软件，各方对其数据拥有绝对控制权，能保障基本数据和信息不被泄露。
计算准确度高：在计算过程中能保证结果的准确性。
缺点
计算性能瓶颈：大量使用密码学算法，导致计算性能受限。例如几十万数据样本的计算时长要比明文方式慢数倍甚至数十倍。
- 联邦学习（FL）
优点
解决数据特征单一问题：根据参与方数据源分布不同，分为横向联邦学习、纵向联邦学习和联邦迁移学习。横向联邦学习联合多个参与者具有相同特征的多行样本进行学习，可增加模型训练的样本总量；纵向联邦学习联合多个参与者共同样本的不同数据特征进行学习，能增加模型训练的数据维度；联邦迁移学习在参与者间数据特征和样本重叠都很少时，利用相似性将源领域模型迁移到目标领域，解决了训练阶段数据特征单一的问题。
算力成本小：各参与方计算的数据体量未增加，降低了算力成本。
缺点
存在数据泄露风险：利用中心服务器收集的模型梯度及权重等信息，存在反推出参与方数据分布的可能。
模型准确性受影响：较难规避某参与方恶意提供虚假数据影响模型准确性。
操作效率受影响：各参与方计算能力不一致、网络连接状态不稳定等会影响操作效率。
- 可信执行环境（TEE）
优点
通用高效：具有通用和高效的优势，可以单独用于隐私计算，也可以和其他技术结合来保护隐私，计算性能与明文计算基本相同。
缺点
硬件投入高：交付模式太重，需要较高的硬件投入。
可信度受影响：跟国际CPU厂商绑定较深，会影响TEE技术的可信度。
目前，MPC应用场景最广，FL在联合建模时最为常用，TEE仍在探索软硬件结合的交付模式。同时，多种技术结合应用于同一个隐私计算项目也开始出现，如某些金融科技公司推出的隐私计算一体机，将基于硬件的TEE和MPC及FL无缝衔接，以提升计算及安全性能。随着行业标准的建立，将降低市场认知成本，实现产品间的互联互通，促进行业朝更加标准、规范的方向发展。
热门标签
