海外比特币代理-海外虚拟货币代理-海外虚拟货币-海外数字货币-海外区块链-海外区块链代理

隐私计算的技术流派与标准

时间:2021-11-04 12:34编辑:admin来源:未知当前位置:主页 > 海外数字货币代理 >

据编辑介绍,近日,零壹财经发布国内首个系统研究隐私计算应用于金融领域的报告《开启新纪元:隐私计算在金融领域应用发展报告(2021)》,从隐私计算最密集的金融业,展示了隐私计算发展中真实生动的产业生态,被产业实践者们所看到和发现。 本报告研究机构为零壹财经零壹智库,联合发布机构为中国科技体制改革研究会数字经济发展研究小组、深圳市信用促进会、横琴数链数字金融研究院,同时得到同盾科技、星云clustar、瑞莱智慧、金智塔科技和天冠科技的研究支持。

来源|零壹财经

隐私计算的部分技术路径如下所示。

(一)隐私计算的定义

隐私计算是“隐私保护计算”(privacy-preservingcomputation )的中文简称,是“大数据联合国全球工作组”(Bigdata UN GlobalWorking Group )的定义

2014年成立的大数据联合国工作组由31个成员国和16个国际组织组成2018年,工作组是各国众多统计局致力于促进相互敏感的大数据合作,最早研究隐私计算的国际组织之一。 2019年,该工作组发布了《联合国隐私保护计算技术手册》,允许各国统计局以安全、适当的方式访问新的(敏感的)大数据来源。

需要注意的是,隐私计算是指类别和集合,而不是某种具体的技术。 可靠的运行环境、多安全计算、联邦学习等都是隐私计算技术。

(二)隐私计算的技术流派;

隐私计算技术是指在保护数据自身不被泄露到外部的前提下,多个参与者共同处理自己的数据,共同建模运算,分析输出结果,挖掘数据价值的一种信息技术。 作为跨学科技术,隐私计算涉及密码学、机器学习、神经网络、信息科学,同时与人工智能、云计算、区块链分布式网络等前沿技术融合应用,为数据保护和价值融合提供技术可行性

从技术的实现原理来看,隐私计算有两种分类方式。

一个是将隐私计算技术分为两个方向——可靠的硬件和密码学。 可信硬件是一种可信环境(tee ),主要依赖于硬件来解决隐私保护问题。 密码学以许多计算、联邦学习为代表,主要通过数学方法解决隐私保护问题。

另一个是将隐私计算分为三个方向。 由于联邦学习是密码学、分布式计算、机器学习三大学科交叉的技术,目前更常见的是三分类法,分为密码学、可信硬件、联邦学习三大流派。 以密码学为中心的技术隐私计算是指以许多安全计算、准同态加密为代表的可靠硬件以可靠的执行环境为中心的“联邦学习班”是指国内外派生的联邦计算、共享学习、知识联邦等一系列名词,由多位参与者整合数据源,

1、多种安全计算

多安全计算(Secure Muti-Party Computation,MPC )理论认为,1982年时任加州大学伯克利分校计算机学科教授的姚期智,没有隐私信息保护和可靠的第三方, 此后,经过奥德格尔德瑞奇、谢格尔德瓦瑟等学者众多原始创新工作,许多安全计算逐渐发展成为现代密码学的重要分支。 多方安全计算可以同时确保输入的隐私和计算的正确性,在没有可靠的第三方的前提下通过数学理论保证参加计算的各方的输入信息不被暴露,同时可以得到正确的计算结果。

多安全计算通常是意外传输(Oblivious Transfer,OT )、模糊电路(GC )、秘密共享) Secret Sharing,SS )、同类型加密) homorphicencic

无意的传输是指数据传输端发出多个信息,接收端只获取其中的一个。 由于发送方不知道最终到达的信息是哪个,所以接收方也无法知道未取得的其他信息,双方的数据都处于隐私状态。

混淆电路是最接近“亿万富翁”解决方式的想法。 多个参与者使用计算机编程将输入的计算任务转换为布尔值并加密输入的具体数字,以便在多个参与者彼此不了解对方的个人信息时共同完成计算。

秘密共享是将加密的信息随机分割的过程,将信息的碎片分散到多个参加者中进行保管。 因此,除非有一定数量以上的人协助,否则无法恢复和解密完整的数据。

由于多安全计算通常可以使用前三个框架来实现,因此半同态加密也被一些人视为独立于安全多计算的基于密码学的技术。 同态加密是指在密文上进行计算后对输出进行解密,得到的结果与直接进行明文计算的结果一致。 这个概念最早由Ron Rivest、Leonard Adleman和Michael L. Dertouzo于1978年提出。 根据支持的功能,现在可以大致分为完全同态加密和部分同态加密。 同态密码在加密状态密文的状态下可以对数据进行各种各样的运算,但部分同态密码只能对密文进行无限次的同态加法或无限次的同态乘法。

许多安全计算技术通用性强、准确性高,业内也肯定了算法的理论价值和应用前景。 根据密码和开发的难度,即使性能中等,在密码学领域中也有一半以上的学者研究了很多安全计算相关的话题。 作为发展历史最悠久、比较成熟的技术,许多安全计算技术已成为各科技大厂和新秀的技术路径之一。

表:进入隐私计算领域的创业公司情况

资料来源:零壹智库

2、可靠的执行环境(TEE )。

可靠的执行环境作为一种易于开发、高性能的隐私计算技术,与硬件供应商有着很强的依赖关系。 其实践途径是在CPU内划分出独立于操作系统的、可靠隔离的机密空间。 由于数据处理是在可信空间内进行的,数据的隐私性取决于可信硬件的实现。

3、联邦学习

Federated learning (Federated learning )在技术层面上涉及隐私保护、机器学习和分布式领域,可以有效满足数据而无需本地出图,从而提高模型的效果

根据特征空间和样本身份空间的不同,联邦学习分为横向联邦、纵向联邦和联邦迁移学习。

横向学习适用于特征一致多、样本一致少的联合计算场景。 但是,通过建立联邦生态系统,参与者可以聚合更多的数据样本,解决单边建模数据不足的问题。 例如,如果一家银行在不同地区设有分行,由于业务模式相同,数据具有一致性高的特点,但如果各行服务于不同地区的顾客,且样本匹配少,则可以应用横向联邦学习。

纵向学习适用于样本重叠多、特征重叠少的联合计算场景。 通过建立联邦生态系统,参与者可以丰富样本的特征,实现更准确的样本描述。 例如,为同一集团服务的银行和EC平台可以采用纵向联邦学习。

联邦迁移学习是对横向联邦学习和纵向联邦学习的补充,适用于特征、样本重叠少的场景。 例如,不同地区的银行和商场之间,用户空间的交叉很少,特征空间几乎没有重复。

联邦学习在国内隐私计算赛道上得到了广泛的应用。 例如,微库FATE开源平台、平安科技“蜂巢”、百度开源框架PaddleFL、字节跳动Fedlearner平台。 另外,一些隐私计算创业公司也通过联邦学习技术的探索和应用,积极入局星云Clustar等。

(三)隐私计算的技术标准;

根据标准内容和参与机构的不同,国内隐私计算标准大致可以分为三个阶段。 从理论层面、评价层面到互联层面,隐私计算标准的实用性和范围在三个阶段逐渐提高。 隐私计算标准的加入和公布机构正在从企业和行业机构向国家和国际层面的机构转变。 值得注意的是,隐私计算相关的技术标准仍在制定中。

照片:隐私计算产业的生态

制图:郑乔丹、陈丽姗、张艳茹

一、第一阶段

第一阶段的标准在定义和框架上进行了说明,但这个阶段更关注理论,主要满足科学研究性的实验性课题。 此外,参与制定标准的机构主要是企业和行业机构。

二、第二阶段

第二阶段的标准在性能和工程化的安全方面给出了评价标准,使隐私计算从理论框架层面转移到了支持评价的实践方面,从企业实践方面提高了隐私计算标准的可用性。 其中,“可信隐私计算”产品的评价体系作为评价隐私计算产品功能和性能的标准得到广泛认可。

三、第三阶段

第三阶段的标准强调互联互通,主要集中在隐私保护措施带来的数据孤岛问题上。 在这个阶段,国际和国家级的机构参与了隐私计算的标准制定。 其中,《隐私保护机器学习技术框架》是首次通过隐私计算技术领域国际标准的《隐私保护的数据互联互通协议规范》是隐私计算互联互通的第一个国家标准。

上一篇:元宇宙给商业世界带来哪些机会?

下一篇:隐藏在众目睽睽之下:复盘etherscan的零日漏洞

养花知识本月排行

养花知识精选

养花知识推荐