深潜数据蓝海：2021隐私计算行业研究报告.pptx

2021 ;序言;的机构。各家的资源生态、技术路线和行业布局均有不同，由此产生了不同的战略打法。互联网大厂体系玩 家的主要优势是丰富的数据生态和应用组件；产业背景公司的主要优势是垂直行业的专注积淀和应用能 力；创业公司的主要优势是中立性和贴近客户的服务能力。决定的关键是能否为客户带来足够的、特有的 数据源，提供完整解决方案的能力。 （四）在商业模式上，通过搭建平台和运营来实现分润是更被看好的营收方式。由于行业之间的壁垒差异较 大，隐私计算的应用平台很可能局限在一个个具体的垂直行业之内，但技术平台有望跨行业打通。不同类 别的玩家在平台构建上有各自差异化的优势。此外，隐私计算在未来有望形成服务I」句的收入模式，部署 在云端一尽管目前以私有化部署为主。 .;目录;1 IDC. Data Age 2025.;第一，如何打通融合多方数据，创造整合多维数据、释放更大价值的机会？ 数据要素具有几个突出而矛盾的特性。一是分散性，数据持续不断地从 各个途径产生，来源非常分散，缺乏数据授权、获取、存储、传输、验证及 共享等交互标准；二是数据复制成本极低。这两个特性决定了很多情况 下，各个数据所有方不愿意、不能够共享数据，不仅因为一旦分享出去就 失去了对数据的控制权，也因为数据互联互通的成本较高，于是一个个 “数据孤岛”出现。而且，即使数据能联通，它们的可信程度也存有疑问。 三是价值聚合性，即单一数据源的价值有限，多维数据、海量数据的联 合应用的价值更高。这些特性构成一对尖锐的矛盾一一方面数据需要 聚合才能有价值，但另一方面数据却分散成一个个“孤岛”。因此如果能 打破现实世界中数据高度分散的状况，以适当方式集成多方数撰擠源， 并保证数据的可靠性，就有可能产生可观的协同效应。;本报告下文统一用“隐私计算”来称呼。 根据数据的分析处理全生命周期，隐私计算参与 方可分为数据输入方、计算方、结果方三部分。根 据保护目标不同，隐私计算方法可分为“输入隐 私(input privacy)和“输出隐私(output privacy),输入隐私是参与方不能在非授权状态 下获取或解析原始输入??据及其中间计算结果， 输出隐私是指参与方不能从输出结果反推出敏感 信息。下图1描述了两类方法和三类参与方之间的 关系。;但这些传统方法效率较低，覆盖范围小。;（三）政务领域;2.各领风骚：隐私计算关键技术路线％ 考虑到本报告核心目的是进行产业分析，因此本章;对隐私技术的技术体系和关键技术路线进行概 述和简要分析，来方便读者了解隐私计算技卞的全貌，对隐私计算的关键技术形成清晰的认识，从而 易于理解隐私计算产业的产业图景。 2.1.技术分类 数据的分析处理全生『，周期可分为数据输入、计算、结果三个环节，当下市面上的隐私计算技术体系 普遍依据这一原览沮庁构建。如图3所示，隐私计算技术体系包括差分隐私、同态加密、多方安全计算、 零知识证后、可信执行环境、联邦学习等技术oGartner公司认为，按照实现的功能，这些技术进一步可 分为以下三美： 。提供可信的环境来执行处理或分析； 。在处理或分析之前转换数据和/或算法； o在不公开数据的情况下执行数据本地处理或分析。;图2 I隐私保护技术体系;值得一提的是，其中算法和技术 如SM2、SM3、 SM4、RSA.SHA2.SSL/TLS等一经过长期发展 和完善，目前已相对成熟，未来进一步优化和发展 的潜力相对有限，已经不属于隐私计算产业关注 的热点。然而，还有一些技术则在近年来取得了关 键的突破，并将对未来隐私计算产业的发展有重 要的影响，如联邦学习、多方安全计算等，下文将 对这些关键的技术进行介绍和分析，来方便读者 对隐私计算技术的未来发展方向和趋势有一个宏 观的认识和把握。 2.2.联邦学习 联邦学习(Federated Learning, FL),又名联合 学习，联盟学习，通常可以理解为是由两个或以上 参与方共同参与，在保证各数据方的3上坳据不;根据训练数据在不同数据方之间的特征空间和样本空间的分布情况， 联邦学习可分为横向联邦学习(horizontal FL)、纵向联邦学习(vertical FL)和联邦迁移学习(federated transfer learning),对于每个具体分 类的详细解释，不在这里赘述1。 联邦学习的优势在于原始数据不出本地，从而实现共享数据最小化，来 保护数据隐私。然而，由于各参与节点计算能力不一致、网络连接状态 不稳定、数据通常非独立同分布等现实因素，联邦学习的通信效率极易 成为联邦学习应用的瓶颈之一。另外，联邦学习还面临着梯度带来的隐 私泄露的风险。因此，如何突破效率瓶颈，达到实用性、安全性的平衡， 并进一步提升安全性，是联邦学习技术未来发展面临的主要问题。， 2.3.