隐私计算-联邦学习，多方安全计算，可信计算的区别与联系

联邦学习，多方安全计算，可信计算作为隐私计算三类技术是有各自的特点和差别，核心思想不同，应用侧重方向、数据流动方式、硬件要求等方面有差异，各有自行的演进路径。

1、联邦学习（软件级）:

核心思想:面向模型,"数据不动、模型动",原始数据在本地模型训练,只交互模型的中间计算结果。

应用方向:侧重于多方数据的分布式机器学习模型训练和推理。

数据流动:不交换原始数据

密码技术:密分享、同态加密、差分隐私等

硬件要求:通用硬件

2、多方安全计算（软件级）：

核心思想：面向数据,信任密码学,构建一系列基础运算操作后,实现多方原始数据转换为密文后流动和协同计算。

应用方向：侧重于多方数据的通用安全数据联合计算分析

数据流动：原始数据加密后交换

密码技术：秘密分享、同态加密、混淆电路、不经意传输、同态承诺、零知识证明、PSI、PIR、差分隐私等

硬件要求：通用硬件

3、可信计算（硬件级）：

核心思想：面向数据,信任硬件,通过特殊的硬件提供安全的执行环境,原始数据加密后在"可信环境"中执行。

应用方向：侧重于多方数据的通用安全数据联合计算分析

数据流动：原始数据加密后交换

密码技术：非对称加密算法

硬件要求：指定型号硬件