微众区块链融合安全多方计算的隐私计算研究与实践

隐私计算技术研究与实践

数据隐私安全新规背景

• 在数据隐私安全的新规下，形成了新的业态。

业务场景挑战

• 查询类：如张三在征信机构B是否有不良记录，以及贷款客户是否存在多头借贷风险等问题。

  • 挑战：各参与方的核心数据涉及商业利益，一旦明文出库将造成巨大损失。
  • 解决方案：采用隐私计算技术，如安全多方计算，实现数据的最小化交集查询，不泄露双方独有的数据。

• 统计分析类：如各子公司年度财报统计分析。

  • 挑战：涉及用户个人信息，明文出库不合规。
  • 解决方案：利用同态加密、零知识证明等技术，保护数据隐私并保证统计分析的准确性。

• 预测类：如为张三本次治疗应赔付多少。

  • 挑战：模型部署于数据方存在计算压力和结果验证问题。
  • 解决方案：采用联邦学习等技术，实现模型在多方设备上训练，保护数据隐私的同时提高计算效率。

技术路线

• 分布式身份技术：用户自主管理数据，安全存储，选择性披露。
• 隐私计算技术：包括可信传输、安全多方计算、同态加密、零知识证明、联邦学习等。

机构间数据协同

• 共性融合矛盾：提升数据融合的安全性和效率。
  • 技术手段：秘密共享、同态加密、不经意传输、零知识证明、纵向联邦迁移学习、混淆电路等。

隐私计算平台建设与落地实践

• 功能特点：

  • 全面灵活：支持多种隐私计算技术。
  • 安全合规：保障数据处理过程中的安全性与合规性。
  • 性能优异：提供高效的数据处理能力。
  • 多方平等：支持多方平等参与数据处理。

• 实践案例：

  • 机构A与机构B合作，通过隐私计算平台实现目标人群的精准投放。
  • 通过WeDPR、FISCO BCOS等平台实现广告权益的发放和交集人群包的构建。