潮科技 | 隱私計算應用場景詳解

隱私計算（Privacy Computing），指在保護數(shù)據(jù)本身不對外泄露的前提下實現(xiàn)數(shù)據(jù)分析計算的一類信息技術，主要分為可信硬件和密碼學兩大技術領域。隱私計算是目前實現(xiàn)數(shù)據(jù)安全和數(shù)據(jù)合規(guī)分享的技術路徑，本文將從技術概念介紹和應用場景出發(fā)進行介紹。

實現(xiàn)隱私計算的相關技術

當前實現(xiàn)隱私計算的技術主要可分為可信計算和密碼學兩大方向。

可信硬件

可信硬件指可信執(zhí)行環(huán)境，核心思想是構建一個安全的硬件區(qū)域，各方數(shù)據(jù)統(tǒng)一匯聚到該區(qū)域內進行計算。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(xiàn)對計算過程中的數(shù)據(jù)保護，以多方安全計算、聯(lián)邦學習等為代表。

• 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(xié)同的計算。在一個分布式網(wǎng)絡中，多個參與實體各自持有秘密輸入，各方希望共同完成對某函數(shù)的計算，要求每個參與實體除計算結果外，均不能得到其他參與實體的任何輸入信息。多方安全計算包含的基礎技術有很多，比如同態(tài)加密、秘密分享、不經(jīng)意傳輸、混淆電路等。

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

•  聯(lián)邦學習

即Federated Learning，基于多方數(shù)據(jù)進行聯(lián)合建模，各自原始數(shù)據(jù)不對外輸出，由中心方進行協(xié)調的建模，都可成為聯(lián)邦學習。

聯(lián)邦學習更多地是解決聯(lián)合建模的業(yè)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(yè)和平臺是微眾銀行（Fate）、螞蟻金服（Morse）、富數(shù)科技（Avatar）、平安科技（蜂巢）、數(shù)牘科技等。（注：以上部分參考中國信通院對隱私計算的相關定義）

隱私計算的客戶與場景

由于多行業(yè)均存在數(shù)據(jù)合規(guī)流通的需求，隱私計算的落地場景也分散于各行各業(yè)。以下列出了政務、醫(yī)療、金融、廣告、供應鏈等行業(yè)對隱私計算的具體需求，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(shù)據(jù)

當數(shù)據(jù)成為生產(chǎn)要素之一，將政務大數(shù)據(jù)賦能于新基建下的各行各業(yè)也成為一個重要課題。因此，政務大數(shù)據(jù)機構是隱私計算的重要客戶之一，具體包括司法數(shù)據(jù)、社保數(shù)據(jù)、公積金數(shù)據(jù)、稅務數(shù)據(jù)、水電燃氣數(shù)據(jù)、交通數(shù)據(jù)、違章數(shù)據(jù)等。

政務大數(shù)據(jù)

政務大數(shù)據(jù)的隱私計算應用場景

舉例來說，智慧城市就是一個復雜、錯綜、協(xié)助、共創(chuàng)的業(yè)務生態(tài)，包括信用、安保、能源、交通、規(guī)劃、環(huán)保、文旅等各個行業(yè)，業(yè)務數(shù)據(jù)涉及到跨部門協(xié)同。智慧城市中打通以人為中心的數(shù)據(jù)也是“城市數(shù)據(jù)中臺”的概念，這需要通過對城市居民的多維度信用評級，授予或者限制更多的權限。要做到對個人聯(lián)合風控，其中需要橫向打通的數(shù)據(jù)包括交通出行數(shù)據(jù)、水電燃氣數(shù)據(jù)、公安數(shù)據(jù)、征信數(shù)據(jù)等。

醫(yī)療科研

在醫(yī)療機構中，病例數(shù)據(jù)作為最需要保護隱私安全的數(shù)據(jù)，對醫(yī)療科研與病情推斷具有重要的價值。然而單個醫(yī)療機構的數(shù)據(jù)樣本不足以支撐大規(guī)模的模型訓練，傳統(tǒng)的做法是將病例數(shù)據(jù)匯總、統(tǒng)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(yī)療機構數(shù)據(jù)不出庫，加密計算，最終得到統(tǒng)計結果。

醫(yī)療科研

銀行金融業(yè)務

銀行作為傳統(tǒng)金融機構的代表，在科技賦能的進化中，必然涉及到與外部數(shù)據(jù)的聯(lián)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，才能服務于流失召回、交叉營銷場景，這非常依賴于銀行外部的數(shù)據(jù)。而隱私計算中的匿蹤查詢可以保證銀行在查詢外部數(shù)據(jù)的時候，避免用戶信息被緩存。并且，小微企業(yè)貸等對個人或者企業(yè)進行信貸評估的場景，也需要依賴外部數(shù)據(jù)源做聯(lián)合建模評估。      

銀行金融業(yè)務

保險營銷與定價

保險公司從線下發(fā)展到線上獲客，對精準獲取潛客需求極大，這里的精準度直接影響觸達的成本。另外，“定價失靈”是當前財產(chǎn)險行業(yè)經(jīng)營面臨的一個突出問題，主要表現(xiàn)為保費不足和未決賠款準備金不利發(fā)展。之所以會有“定價失靈”的現(xiàn)象，既有數(shù)據(jù)、模型和精算技術等方面的“前定價管理”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面的“后定價管理”原因。隱私計算可以為保險聯(lián)合定價提供多維度的數(shù)據(jù)支撐。

基金管理

在母基金的管理中，我們需要計算每個基金的真實收益情況。而基金的持倉信息是一個非常重要的私密信息，它代表了基金的價值判斷和策略導向，也是基金公司的核心機密。這里的矛盾在于，一方面母基金出于管理需要信息共享，另一方面是基金本身卻需要保護這些商業(yè)信息，傳統(tǒng)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，不僅能夠同時滿足雙發(fā)的利益訴求，甚至可以讓基金信息得到有效的政府監(jiān)管、防止出現(xiàn)市場結構性風險，同時保證商業(yè)信息不被泄露。

大數(shù)據(jù)增值服務

像運營商、SDK廠商、支付廠商等機構，在開展業(yè)務的同時會積累大量的用戶數(shù)據(jù)。它們通常會成立一個大數(shù)據(jù)子公司來做數(shù)據(jù)增值業(yè)務。傳統(tǒng)的API直接調用和線下聯(lián)合建模的方式已經(jīng)不滿足數(shù)據(jù)安全的相關要求。隱私計算技術也可服務于數(shù)據(jù)公司的對外服務平臺，成為數(shù)據(jù)合規(guī)合法輸出價值的一種解決方案。

廣告平臺聯(lián)合營銷

媒體平臺對廣告主進行營銷投放過程中，需要用甲方的用戶數(shù)據(jù)樣本進行聯(lián)合建模，傳統(tǒng)的標簽畫像篩選更多地是憑領域經(jīng)驗，通過機器學習建?？梢蕴岣郀I銷的ROI。聯(lián)邦學習可以滿足在廣告主的數(shù)據(jù)不出庫的前提下，得到營銷投放模型。       

廣告平臺聯(lián)合營銷

供應鏈金融

對供應鏈上下游企業(yè)而言，如何構建一個信息對稱共享、核心企業(yè)信用價值可傳遞、商票可拆分流程是一個挑戰(zhàn)。廠商可以基于區(qū)塊鏈和密碼學算法，提供金融資產(chǎn)數(shù)字化驗證的方案，使企業(yè)能夠將企業(yè)應收賬款進行數(shù)字化資產(chǎn)登記，形成不可篡改的數(shù)據(jù)記錄，并實現(xiàn)實時信息共享。

同時通過參與方分布式賬本，參與方可以得到資產(chǎn)確認，將企業(yè)信用轉化成數(shù)字資產(chǎn)。此外，審計入口也能方便監(jiān)管機構審計和查看平臺的資產(chǎn)交易情況。最重要的是，在傳統(tǒng)區(qū)塊鏈只能保證數(shù)據(jù)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(qū)塊鏈實現(xiàn)智能合約的公開審計確認能力與實際數(shù)據(jù)保密性的分離，讓企業(yè)不再擔心核心商業(yè)信息的泄露。

高?？蒲?/p>

高校的許多研究課題會脫離企業(yè)的真實數(shù)據(jù)實驗環(huán)境，而聯(lián)邦學習既能讓高?？蒲惺褂闷髽I(yè)真實數(shù)據(jù)進行課題研究，又可以保護企業(yè)業(yè)務數(shù)據(jù)不對外輸出。這對企業(yè)和高校聯(lián)合培養(yǎng)人才、挖掘科研價值具備促進作用。

量化投資模型

除了leval2等傳統(tǒng)的交易所數(shù)據(jù)，量化投資領域更大的價值是通過互聯(lián)網(wǎng)大數(shù)據(jù)的挖掘得到異類指標，這些指標通常被訓練成投資決策模型。傳統(tǒng)的私募基金通常將數(shù)據(jù)采購到本地，或者在數(shù)據(jù)服務端進行模型訓練，這種方式的弊端是會造成投資模型的數(shù)據(jù)源側安全性問題。

聯(lián)邦學習可以將多方有價值的數(shù)據(jù)進行聯(lián)合建模，訓練出綜合的決策模型，而模型實施部署采用分布式加密的方式，任何一側的合作數(shù)據(jù)源都無法獲得完整的原始數(shù)據(jù)。

總結

用戶隱私安全是社會生產(chǎn)力發(fā)展到一定階段的必然產(chǎn)物。當前很難回答隱私計算的具體市場規(guī)模，但在理想狀況中，隱私計算的應用場景存在于幾乎所有需要多方使用數(shù)據(jù)的地方，以上提到的企業(yè)和機構都需要數(shù)據(jù)合規(guī)分享的技術來協(xié)助業(yè)務開展。