隐私计算技术

隐私计算技术
近年来
「数据隐私」成为网络热词
在大数据时代
数据的流通和共享
为社会发展创造了巨大价值
但被泄露的个人隐私不在少数
人们对企业的信任日益走低
......
那么有没有一种技术
在安全合规、保障用户隐私的前提下
让企业“看不见”数据
也能利用数据创造价值、提供高效服务呢
鱼和熊掌能否兼得
隐私计算或许是一个答案
 
隐私计算技术概念：
隐私计算涉及多方技术主要包括机器学习，分布式机器学习，密码学（同态加密，差分隐私等），安全多方计算，以及联邦学习等多种不同的技术。
机器学习是专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。
分布式机器学习是一个由参数服务器将数据存储在分布式工作节点上，通过中央调度节点分配数据和计算资源的机器学习框架，较集中式机器学习框架运算效率提高，更加适合大批数据建模。
多方安全计算是一个满足没有信任第三方情况下，互不信任参与方在保护各自隐私信息前提下协同建模的机器学习框架。这个框架能够同时确保输入的隐私性安全性和计算的正确性。
同态加密是一类具有特殊属性的加密方法，与一般加密算法相比，同态加密除了能实现基本的加密操作之外，还能实现密文间的多种计算功能，即先计算后解密可等价于先解密后计算。
差分隐私是密码学中的一种手段，简单地说，就是通过添加噪音在保留统计学特征的前提下去除个体特征以保护用户隐私。
联邦学习，又名联邦机器学习，联合学习，联盟学习，由谷歌公司于2016 年最先提出，最初是用于解决安卓手机终端用户在本地更新输入法中的频繁词模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习.主要解决的问题就是，数据拥有方不出本地前提下，构建共有模型。联邦学习可以从技术上解决数据孤岛问题，让每一个参与方隐私数据在不用交换原始数据情况下，仅仅交换加密的模型参数，完成模型的建立的一种框架。联邦学习可使用的机器学习算法包括逻辑回归、神经网络、随机森林等，有望成为下一代人工智能协同算法和协作网络的基础。
隐私计算相关技术之间的关系可参见如下示意图：
 
联邦学习技术特征与分类
- 技术特征
1. 各方数据都保留在本地，不泄露隐私也不违反法规；
2. 在联邦学习的体系下，各个参与者的身份和地位相同；
3. 联邦学习的建模效果和将整个数据集放在一处建模的效果相同，或相差不大；
4. 各个参与者联合数据建立虚拟的共有模型，并且共同获益的体系。
 
- 技术分类
1. 横向联邦
各方业务场景相似，用户重合度低，特征重合度高
 
2. 纵向联邦
各方特征重合度较低，用户重合度较高
 
3. 联邦迁移
各方特征重合度较低，用户重合度较低
 
联邦学习技术应用场景：
根据联邦学习的应用领域及面向服务的受众对象，可将联邦学习的典型应用场景分为：面向个人用户、面向行业用户。
面向个人用户主要是基于个人终端隐私数据保护情况下的数据共享和协同的应用场景，比如Google输入法所采用的分布式建模应用。
面向行业用户主要是围绕企业内部以及跨公司跨行业的数据联合建模应用场景。