今天给各位分享隐私计算的知识，其中也会对隐私计算进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
隐私计算的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于隐私计算、隐私计算的信息别忘了在本站进行查找喔。
本文导读目录：
3、隐私计算
相较于大模型、AIGC等风口，隐私计算一词并不出圈，实际上已在金融业中得到了多年应用，如应用于商业银行的风控、营销等场景。 隐私计算被形象地称为“可用不可见”的技术。具体而言，指的是在提供数据隐私保护的前提下实现对数据进行分析计算，让数据以“可用不可见”的形态安全流通的一类技术。 2023年12月，国家数据局发布《“数据要素×”三年行动计划（2024—2026年）（征求意见稿）》，其中指出，到2026年底，应用场景广度和深度大幅拓展，在经济发展领域乘数效应得到显现，打造300个以上示范性强、显示度高、带动性广的典型应用场景。 而隐私计算作为其重要支撑技术，在打通“数据孤岛”难题，实现数据跨界流通上具有重要作用。 艾瑞咨询报告指出，自2016年伊始，我国的隐私计算在政策、学术研究、技术与解决方案问世等多因素驱动下，以及资本热潮的席卷下，市场期望不断攀升。以金融为代表的重点行业率先开展隐私计算平台建设与细分场景的试点应用。然而，当资本泡沫逐渐褪去，市场技术认知趋于深入，短期内技术仍需不断迭代与优化，离规模化应用仍有时日，2023 年后行业陷入了“冷静期”。 广发证券研究员袁均良认为，隐私计算在金融业的应用存在诸多痛点，会牵扯如效率限制、多方利益、安全隐患、产品成熟性等问题。 随着技术期望趋于冷静，利好隐私计算的政策不断出台。在政策指引下，各地政府、金融机构、互联网企业探索应用场景，行业将在冷静期下稳中向前。 商业探索大模型+隐私计算 观察业内，部分头部数字，和数字化程度较高的传统银行，已为隐私计算在银行业务中挖掘出了诸多有价值的应用场景，在风控、营销、普惠、反诈等多个场景已落地相关项目。 据悉，微众银行是中国率先投入隐私计算技术研发并走向实践的企业之一，以“区块链”“联邦学习”和“多方安全计算”三大关键技术构建隐私计算核心能力。 微众银行行长李南青曾提出，置身于数字化转型和金融科技变革之中，银行业正在积极探索合法合规的数据挖掘和治理能力，攻坚“隐私计算”成为破局之道。具体而言，目前隐私计算技术已广泛应用在微众的智慧风控、智慧营销、反洗钱、反欺诈等多重普惠金融业务场景中，综合多方安全计算、联邦学习、可信计算、等前沿技术，为数据流转过程中所涉及的查、算、验提供全密态数据计算能力，减少事后追责成本。 进入2023年后，大模型的崛起也为隐私计算再添一翼。 微众银行首席人工智能官杨强认为，大模型的崛起，是隐私计算再次发展的绝佳机会，行业已经证明了用隐私计算做大模型的“防火墙”的可行性。同时，大模型会导致算力、数据、场景的供需矛盾更突出，带来更大的分布式需求，这也会对隐私计算提出新的要求，在大模型很难产生独立价值之时，结合隐私计算后的联邦大模型将是突破点； 同时，招商银行作为传统银行中数字化程度较高的一家，成立了专门的隐私计算工作小组，并启动了“慧点隐私计算平台互联互通”项目。在2023年半年报中，招行也强调了对于未来将加大对、隐私计算等科技前沿领域的探索和应用。 据招行隐私计算互联互通项目组报告，在信贷风控方面，招行与某数据机构合作，联合构建中小企业行为联邦模型，丰富用户画像，对比行内单边企业主模型，效果上使AR值提升0.11，KS值提升0.08；营销拓客方面，深圳分行“深信贷”项目中联合企业非公开政务数据联邦建模实现客户精准触达。 去年11月，信息技术部副总经理吴杰表示，自研的“慧点”隐私计算平台为业务中的“数据孤岛”问题提供全流程解决方案，已成为与合作伙伴开展数据共享的重要手段。 此外，交通银行则启动了监管沙盒项目，中行在去年年底申请了一项隐私计算专利，工行、农行也不同程度地在业务中尝试应用隐私计算工具。 值得一提的是，银政合作也是共建隐私计算平台的另一高效模式。 以深圳为例，2023年5月，在深圳市福田区税务局、深圳市市监局福田监管局、福田区金融工作局等多部门参与下，交行深圳分行、建行深圳市分行、招行深圳分行、宁波银行深圳分行、招商证券5家金融机构与福田区政数局签约达成公共数据开发利用合作关系。据悉，福田区初步建成的福田区公共数据隐私计算平台，是广东省首个基于全信创架构融合了TEE、MPC两种隐私计算技术路线的平台。 研究员袁均良认为，隐私计算在金融行业的应用发展面临诸多痛点。例如隐私计算技术假设用户参加安全多方计算的都是诚实的，这个假设过于“理想化”；同时，隐私计算技术的推进需要业内就“数据共享互利互惠”的理念达成共识，但金融机构加入信息共享系统后，如自身数据被竞争对手获取，可能会造成核心利益的受损。目前在银行业的应用主要在风控与营销领域，未来其还将在银行间数据共享、银行内部组织协同等方面发挥重要作用。 金融业“退热潮”，互联网“冷思考” 据艾瑞咨询报告数据，隐私计算市场2021年后投融资持续降温，融资事件数量回归个位数。同期，2022年隐私计算市场规模约12.5亿元，主要由基础产品服务采购贡献。而受市场趋于冷静的影响，2023年市场规模增速有所回落，市场规模将约达21.9亿元。随着公共数据授权运营平台持续建设，数据运营业务有望快速增长；整体来看，业务模式在中期内未有较大的结构性变化。随着多行业多场景应用持续扩大，预计2025年中国隐私计算市场规模将增长至103.8亿元。 艾瑞咨询还指出，金融机构对隐私计算平台建设类项目的预算设置多集中在100 万上下或数十万，部分项目甚至设置了更高预算，但因为“价格战”，许多项目实际采购价格远低于预算金额，部分客户抗拒过度的价格战。因此，在冷静期的市场环境下，对供给侧资本储备和变现能力提出更高要求。 然而细查之下，热潮退却后的冷思考也使行业涌现了一些优秀案例。当金融机构逐渐让出“C位”，互联网大厂和部分专精于隐私计算赛道的科技公司，带着更深的认知纷纷入局。 例如阿里巴巴集团的数纳斯—跨域流通商业增长引擎，以隐私计算为底座，提供一站式场景化数据应用服务。目前主要落地场景为电商营销，并与淘宝、天猫、饿了么、钉钉等阿里系平台共建生态。据悉，借助数纳斯·DataTrust隐私计算的ID安全匹配、联邦学习，在人群自有特征平台方之间互不可见的前提下，可以使投放转化ROI提高25%。 阿里数据中台技术总监张磊表示，数纳斯提供了一整套产品服务，涵盖隐私计算平台、可信数据服务，并对产品能力和源代码进行无保留开源。 同时，专注于隐私计算赛道的洞见科技公司，曾于2022年中标招商银行“隐私计算平台互联互通”项目。 据艾瑞咨询报告，洞见科技与某股份制银行进行合作，为该行线上消费贷新客预筛模型建模。具体而言，该股份制银行希望提高线上消费贷产品在某渠道方的营销转化率，优化客群质量，洞见科技则通过隐私计算技术以异构平台互通方式构建新客预筛模型，实现风控预筛。据悉，模型上线后，审批通过率提升 3-4倍，最高区间通过率的提升6倍。 隐私计算丨研究报告 前言： 自2016年伊始，我国隐私计算在政策、学术研究、技术与解决方案问世等多因素驱动下，随着资本热潮的席卷下，市场期望不断攀升。以金融为代表的重点行业率先开展隐私计算平台建设与细分场景的试点应用，可谓是“百花齐放”。然而，当资本泡沫逐渐褪去时，市场对于技术认知逐渐趋于深入，在短期内技术自身仍需不断迭代与优化，离规模化商业应用还有一段时间，2023年陷入行业“冷静期”。在此期间，我国利好隐私计算的政策不断出台，公共授权运营、“数据二十条”、“《“数据要素×”三年行动计划（2024—2026年）》”等政策率先奠定了隐私计算为发展数字经济的地基，也为隐私计算场景应用的广度和深度起到了助推作用。本报告将从以下四个维度解析当下隐私计算行业的重要发展状况，为未来发展重心和发展路径提供启示：1）明晰隐私计算的所处环境，在政策与监管和市场需求导向下，对于当下隐私计算行业宏观发展历程、现处位置、产业与各行业应用场景情况做出判断；2）纵览2023年全年行业发展实况，针对供给侧、需求应用与认知、监管推动下的新应用场景建设实况进行解析，更好地明确当前所处方位；3）提出隐私计算发展的现存挑战，并从供给侧、技术侧、需求侧企业建设与全行业生态完善四大维度展望未来核心发展路径；4）重点展示典型厂商的战略定位与产品优势。 隐私计算发展历程回顾 隐私计算技术期望趋向“冷静期” ，数据要素政策为市场注入新动能 隐私计算技术崛起已久，在2000后逐渐脱离基础概念，向落地应用全面迈进。中国在2016-2021年期间资本市场追捧之下，市场期望迅速爬升，供给侧驱动着在以金融为代表的重点行业开展平台建设与试点应用。随着需求侧客户对技术的认知逐渐深入，开始主动探索场景实践。随着技术期望趋于冷静时，部分泡沫化严重的企业出局，而我国利好隐私计算的政策不断出台，行业在冷静期下稳中向前。 2023年中国隐私计算产业图谱 隐私计算技术在各行业的应用环境与主要场景概览 随着隐私计算技术在2021年以来开展商用实践，现阶段，各行业由于不同的数字化基础和业务诉求，在数据流通中呈现了不同的角色。以政务、能源、医疗和工业为代表的行业，数字化基础中等，以隐私计算作为工具多为满足其保障内部数据安全、对外输出利用数据价值和共享与开放推动同业和异业经济发展的诉求，由于现阶段处于内部基础建设阶段，离数据共享和链接还需一段时间；而以金融、互联网、通信为代表的行业更聚焦于业务创新、对内对外赋能，率先探索数据流通和释放数据价值，所涉及的数据共享参与链接方较多，主要应用场景也呈现细分多样化。 资本市场寒冬，行业趋于“冷静” 2023年隐私计算融资数量与市场规模增速双双回落，但预计2024年开始将会加速增长 2021年后投融资持续降温，融资事件数量回归个位数。同期，2022年隐私计算市场规模约12.5亿元，主要由基础产品服务采购贡献；而受市场趋于冷静的影响，2023年市场规模增速有所回落，市场规模将约达21.9亿元。随着公共数据授权运营平台持续建设，数据运营业务有望快速增长；整体来看，业务模式在中期内未有较大的结构性变化，随着多行业多场景应用持续扩大，预计2025年中国隐私计算市场规模将增长至103.8亿元。 需求侧：安全与性能并重 在应用实践中，隐私计算在安全自证和性能方面迎来新的挑战 在实践应用隐私计算产品与服务的过程中，艾瑞调研泛行业用户发现，产品安全&安全自证能力和产品性能是用户选型过程中首先考量的两大因素，分别占81.8%和76.9%。1）在产品安全&安全自证维度，隐私计算包含2大安全风险：产品自身的算法可解释难度和部署过程中平台及系统安全；2）在应用过程中，28.9%的应用者反馈真实业务环境远比POC测试更加复杂，对性能表现未达预期。再者，复杂的真实业务环境会加剧算法和平台系统安全两大方面的风险，在多种风险相互糅杂的情况下，隐私计算在业务上的部署在安全和性能方面面临新的挑战。 公共数据授权运营平台开展建设 政策推动下，各省市地区开展公共数据授权运营平台建设 2022年12月，中共中央和国务院联合发布《关于构建数据基础制度更好发挥数据要素作用的意见》（简称“数据二十条”）明确提出建立公共数据授权确权机制。2023年以来，各省市不断出台相关政策，加强所在地区的平台建设与实施应用。现阶段，公共数据一体化平台已基本建设完成，将继续优化和不断完善，支撑公共数据流通和数据要素价值释放。隐私计算将会作为关键技术模块，全方位助力公共数据授权运营安全有序开展，促进公共数据与社会数据融合。 隐私计算现存挑战与探索路径的进展情况 计算性能、技术壁垒和场景应用深化为中国隐私计算行业发展的三大现存挑战，相应地在行业协会、业内从业者等多方的推动下，在底层增强技术可用性，生态与应用的持续建设与深化等方向上持续努力 中国隐私计算行业未来趋势展望 冷静期的市场环境下，对供给侧资本储备和变现能力提出更高要求 安全与性能的需求平衡下，软硬结合的实践应用需求有望进一步释放 基于多技术融合的基础底座，完善隐私工程体系建设，强化隐私保护与安全合规 企业内：全生命周期的隐私保护管理：隐私保护要求融合进企业管理，从数据与隐私保护IT体系建设、文化与意识和人才培养出发，搭建涵盖隐私保护评估、风险管理、监管与政策响应、合作方管理和组织架构与考核的全生命周期的隐私保护管理，服务于隐私保护战略，促进企业内部上下运行与监督管理，确保隐私保护工作的可落地、可监督、和可问责。 企业外：基于国家法律法规，外部建设第三方存证、安全评估与可信审计机构，与企业内部的隐私工程管理形成衔接，加强隐私工程的安全评估与存证审计，弥合技术与法规之间的鸿沟，推进行业在安全可信基础上良性发展。 公共数据授权运营与多行业场景应用并行，共同促进数据要素流通与循环 “数据二十条”的推动下，各省市地区纷纷开展公共数据授权运营平台建设，隐私计算作为其中的关键技术模块，其厂商陆续与各地政府开展合作，将助力政府进一步探索公共数据的授权运营和管理，释放数据要素的价值，服务实体业发展。 同时，随着隐私计算在各行业的市场商业化应用不断探索和持续深入，以金融行业为例，作为数据需求方，通过在实践过程中凝结了公共、电信、互联网、金融同业等数据提供方，在应用过程中不断碰撞与探索真实业务环境与技术发展，越来越多的行业数据需求方和供给方进入生态圈。 随着市场化应用与公共数据授权运营的并行发展，以技术为底层驱动力，更好地促进数据要素的流通与循环，有效释放数据要素价值，增强数字经济发展效益。 (重定向自Privacy computing) 隐私计算（Privacy Computing） 隐私计算是面向隐私信息全生命周期保护的计算理论和方法，具体是指在处理视频、音频、图像、图形、文字、数值、泛在网络行为信息流等信息时，对所涉及的隐私信息进行描述、度量、评价和融合等操作，形成一套符号化、公式化且具有量化评价标准的隐私计算理论、算法及应用技术，支持多系统融合的隐私信息保护。 隐私计算涵盖了信息所有者、信息转发者、信息接收者在信息采集、存储、处理、发布（含交换）、销毁等全生命周期过程的所有计算操作，是隐私信息的所有权、管理权和使用权分离时隐私信息描述、度量、保护、效果评估、延伸控制、隐私泄漏收益损失比、隐私分析复杂性等方面的可计算模型与公理化系统。 从技术角度出发，隐私计算是涵盖众多学科的交叉融合技术，目前主流的隐私计算技术主要分为三大方向：第一类是以多方安全计算为代表的基于密码学的隐私计算技术；第二类是以联邦学习为代表的人工智能与隐私保护技术融合衍生的技术；第三类是以可信执行环境为代表的基于可信硬件的隐私计算技术。不同技术往往组合使用，在保证原始数据安全和隐私性的同时，完成对数据的计算和分析任务。 1.多方安全计算 多方安全计算(Secure Multi-party Computation，MPC)由图灵奖获得者姚期智院士于1982年通过提出和解答百万富翁问题而创立，是指在无可信第三方的情况下，多个参与方共同计算一个目标函数，并且保证每一方仅获取自己的计算结果，无法通过计算过程中的交互 数据推测出其他任意一方的输入数据(除非函数本身可以由自己的输入和获得的输出推测出其他参与方的输入)。 2.联邦学习 联邦学习(Federated Learning, FL),又名联邦机器学习、联合学习、联盟学习等。联邦学习是实现在本地原始数据不出库的情况下，通过对中间加密数据的流通与处理来完成多方联合的机器学习训练。联邦学习参与方一般包括数据方、算法方、协调方、计算方、结果方、任务发起方等角色，根据参与计算的数据在数据方之间分布的情况不同，可以分为横向联邦学习、纵向联邦学习和联邦迁移学习。 3.可信执行环境 可信执行环境(Trusted Execution Environment, TEE)通过软硬件方法在中央处理器中构建一个安全的区域，保证其内部加载的程序 和数据在机密性和完整性上得到保护。TEE是一个隔离的执行环境，为在设备上运行的受信任应用程序提供了比普通操作系统(Rich Operating System, Rich OS)更高级别的安全性以及比安全元件(Secure Element, SE)更多的功能。 4.多方中介计算 多方中介计算(Multi-party intermediary computation, MPIC)是由谭立、孔俊提出的一种新的隐私计算方法，是指多方数据在独立于数据方和用户的受监管中介计算环境内，通过安全可信的机制实现分析计算和匿名化结果输出的数据处理方式，是一个计算管理系统。在MPIC中，数据方的原始数据由其去标识化后输入中介计算环境或平台参与计算，完成计算后立即被删除，匿名化结果数据经审核后按指定路径输出。在MPIC的特定环境和规则下，信息数据的身份标识经过加密和标识化的处理，因其算法具有不可逆性，故无法恢复为原始数据，满足了匿名化的一个要求，即不能原复；同时，由于这些去标识化的信息数据被封闭在特定受监管环境或平台中，客观上达到了匿名化的另一个要求，即无法识别特定自然人。故被处理的数据实质可视同匿名化，不再属于个人信息，无需征得个人同意就可进入中介计算环境或平台参与计算。 首先，应促进新技术交叉融合。一方面，以人工智能需求作牵引，丰富隐私计算落地应用场景，加快推动技术进步和成熟，最大化地释放数据价值。另一方面，综合运用隐私计算与AI、区块链、云计算等技术，来解决数据流通之前和之后，在权属、应用等方面的问题，以此找到产业应用的最佳路径。 其次，应加快建立健全隐私计算的技术标准，塑造行业共识，遏制“脏数据”“毒数据”污染的风险。如今，隐私计算基数正在从实验室走向产业应用。市场中，诸多技术厂商涌现，技术水平参差不齐。只有把技术标准完善起来，不同厂商的产品才能互联互通，真正破解“数据孤岛”问题。 再次，应想方设法破除平台壁垒。防止平台消极应对隐私保护、数据合规等监管要求，造成新的“数据群岛”，阻碍隐私计算产品的迭代升级。 首个区块链与隐私计算科技创新平台成立 由北京航空航天大学和北京微芯区块链与边缘计算研究院牵头组建的“未来区块链与隐私计算北京高精尖创新中心”正式批复成立。中心以区块链与隐私计算前沿技术攻关和人才培养为使命，聚焦国际领先的动态自适应区块链系统、多尺度隐私计算开源平台、区块链与隐私计算领域专用架构芯片与硬件等核心技术开展研发创新，构建可持续发展的优秀人才梯队，为区块链和隐私计算发展提供强大技术和人才支撑。 科技以隐私计算技术赋能资管行业 2021年12月30日，中国证监会正式启动第一批资本市场金融科技创新试点项目，经过征集遴选、专家评审、专业评估、社会公示等环节，16个申报项目脱颖而出，开始试点。洞见科技和中诚信数科联合申报的“基于隐私计算的债券估值体系建设项目”成功入选首批清单，以隐私计算技术赋能资管行业合规应用，促进资本市场数智化转型。隐私计算的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于隐私计算、隐私计算的信息别忘了在本站进行查找喔。
未经允许不得转载！ 作者:谁是谁的谁，转载或复制请以超链接形式并注明出处。
原文地址：http://www.formosha.com/post/9609.html发布于：2025-12-29
