杭州数据协同创新未来实验中心
第一章 隐私计算产业发展概况
隐私计算技术是保障数据安全的关键技术，旨在保护数据安全、个人信息和商业秘密，促进数据高效流通、处理和分享。隐私计算技术经历了萌芽期、发展期和应用期三个阶段，目前正处于快速发展阶段。隐私计算技术以安全多方计算（MPC）、联邦学习（FL）、可信执行环境（TEE）三大技术路线为代表，同时发展出了同态加密、差分隐私等其他密码学技术。
第二章 2024隐私计算产业图谱
国内外隐私计算垂类服务商正在快速成长，国外企业专注技术研发，国内企业技术研发和商业化落地协同发展。隐私计算产品主要包括安全多方计算、差分隐私、同态加密、联邦学习、可信执行环境等。开源促进了隐私计算的快速发展，国内外涌现出多个隐私计算开源项目，进一步促进隐私计算技术普及、应用和发展。
第三章 隐私计算技术演进和融合
隐私计算技术演进与融合总体进展包括安全多方计算（MPC）、零知识证明（ZKP）、可信执行环境（TEE）、差分隐私（DP）、隐私集合求交（PSI）、隐私信息检索（PIR）、全同态加密（FHE）等。各技术路线的研究动态如下：
- 安全多方计算（MPC）：主要研究方向包括门限加密/签名算法、混淆算法、Schnorr、BLS、BBS+、ECDSA等签名算法、混淆算法、相关随机数生成、非平衡场景MPC、可追责MPC、协议复杂度等。
- 可信执行环境（TEE）：常用的TEE技术包括Intel SGX、Intel TDX、AMD SEV和ARM TrustZone，主要研究方向包括攻击、防御、应用、构建等。
- 零知识证明（ZKP）：主要研究方向包括ZK数据库、ZKVM、Folding Scheme、ZK隐私保护、ZK投票、Post Quantum、ZK身份验证、分布式等。
- 隐私集合求交（PSI）：主要研究方向包括标准PSI、不平衡场景PSI、PSI变体（电路PSI、模糊PSI、阈值PSI、结构感知PSI）等。
- 隐私信息检索（PIR）：主要研究方向包括PIR效率优化、PIR抗恶意性与隐私性、批量PIR等。
- 全同态加密（FHE）：主要研究方向包括优化Bootstrapping、优化同态运算、FHE在机器学习领域的应用、FHE的标准化等。
- 差分隐私（DP）：主要研究方向包括用户级差分隐私、本地差分隐私、差分隐私理论等。
- 联邦学习（FL）：主要研究方向包括差分隐私与FL的结合、FL的攻击与防御、FL的分布式模型更新和聚合协议、FL的鲁棒性设计、个性化FL等。
第四章 隐私计算产业应用分析
隐私计算产业市场分析显示，随着应用加深，新的增长机会不断涌现，市场规模仍会持续增长。隐私计算应用场景不断深化，在金融、医疗、政务、人工智能等业务场景不断深化，各个业务场景均需多方数据的可信流通，实现数据价值释放。典型案例包括Apple-Private Cloud Compute平台、Firefox-Privacy-Preserving Attribution平台、联通数科-企业股权交易平台、金智塔科技-基于隐私计算的省市县三级数据融合计算平台、马上消费-以隐私计算助力金融黑灰产治理、蚂蚁集团-基于医保DRGs建模的蚂蚁隐私计算智能服务平台等。
第五章 隐私计算与人工智能
隐私保护机器学习（PPML）是一种结合人工智能（AI）和隐私计算技术的机器学习方法，其目的是在不泄露敏感数据的情况下训练或评估。隐私保护机器学习面临数据集泄漏风险、模型鲁棒性风险、数据推理隐私泄漏风险等。隐私保护机器学习应用快速增长，研究领域处于上升期，研究热度逐年增加。隐私保护机器学习技术分类包括密态计算方法、分布式方法、匿名化技术、混合方法等。隐私保护机器学习技术热点包括混合方法、全同态等。隐私保护机器学习性能提升，三方计算覆盖了目前最高效地密态机器学习方案，全同态/两方隐私计算机器学习性能持续增长。
第六章 隐私计算未来展望
隐私计算未来展望的技术趋势包括软硬件协同加速、隐私计算自动化编译技术等。应用趋势包括场景应用不断拓展，并向数据运营延伸演进等。隐私保护技术融合处于初步阶段，无法应对大规模数据应用场景，缺乏市场应用等。
