隐私保护计算

隐私保护计算：数据处于加密或不透明状态下的计算，数据可用不可见。

隐私保护计算架构

隐私保护计算目标

对于隐私信息的全生命周期而言，数据存储和传输阶段的隐私保护方法相对成熟，主要针对数据计算过程和数据计算结果的隐私安全问题。

隐私保护计算技术

隐私保护计算技术包含联邦学习、安全多方计算、机密计算、差分隐私、同态加密等。

联邦学习

1. 数据绝对掌控：数据停留本地，数据拥有者自主加入和终止；
2. 参与方不稳定：参与方计算和通信差异，如存在延迟，通信代价高，参与方掉线或中途退出等；
3. 数据非独立同分布Non IID，如特征分布倾斜、标签分布倾斜、特征相同标签不同、标签相同特征不同等；
4. 负载不均衡：参与方拥有的数据量存在很大差异，实现学习公平很难；

联邦平均FedAVG中，通信效率与收敛速率成反比，如何实现通信效率与收敛速率的平衡？
梯度信息泄露原始数据；
纵向联邦学习中，用于实现样本ID对齐的隐私求交(PSI,private set intersection)问题，非交集的样本ID受到保护，但交集内的样本ID存在泄露风险；
基于半同态加密的单向隐私保护问题，私钥解密后即会泄露隐私；
相关内部腐蚀、外部攻击策略；

安全多方计算

1. 输入隐私性；
2. 正确性：若各个参与方遵守协议，则每个参与方均可以获得正确的计算结果；
3. 公平性：若遵守协议的参与方获得了计算结果，则恶意参与方也能获得计算结果，但计算结果可能不正确；
4. 结果传递保证：遵守协议的参与方可以获得正确的计算结果。

行为模型：半可信模型；恶意模型；
安全门限：诚实大多数；不诚实大多数；

安全多方计算技术主要有秘密共享（ABY三种秘密共享类型）、不经意传输（OT传输密钥种子，对称密码算法传输扩展的OT消息）、混淆电路（混淆真值表）等。

安全多方计算技术路线：

1. 通用安全多方计算：普适，体系庞大，开销较大；
   
   基于全同态加密的通用安全多方计算方案尚处于理论研究阶段；

2. 特定问题安全多方计算：精心设计协议，开销较小；
   

机密计算

机密计算是一种基于硬件可信执行环境TEE的技术，旨在实现硬件安全生态；
安全环境相比于普通环境拥有更高的访问权限，实现安全隔离；

差分隐私

背景知识无关的隐私保护模型，实现攻击者背景知识最大化假设；
隐私泄露和隐私保护水平的度量和量化；

本地差分隐私LDP添加噪声量较大，隐私预算较大，数据可用性较低；

同态加密

半同态PHE，部分(浅)同态SWHE，全同态FHE

参考：2020_中国信通院_隐私保护计算技术研究报告