7-2 隐私计算三剑客在营销领域应用：适合才是最好 - 陈治宇

隐私计算三剑客在营销中的应用

数字营销与隐私

• 营销技术的发展：AI+营销涉及隐私数据，包括会员资料、搜索历史、消费信息、商户信息、出行记录等，通过大数据知识图谱和机器学习实现精准用户画像、最佳渠道触达、虚假流量识别和个性化创意。
• 隐私数据分类：根据《数据安全法》《个人信息保护法》等法规，隐私数据分为个人信息、个人敏感信息、重要数据、国家核心数据等，需进行去标识化或匿名化处理。
• 隐私计算：解决“数据可用不可见”问题，仅获取结果而不泄露原始信息，实现使用权和所有权分离，通过软件、硬件或软硬件结合实现。

联邦学习/多方安全计算

• 技术概述：联邦学习（FL）通过协调方进行模型训练，多方共享结果；多方安全计算（MPC）和差分隐私、同态密码学等技术也用于保护数据隐私。
• 优势：不依赖硬件、原始数据不出区域、点对点链接、知名度高。
• 应用案例：航空领域（南航高净值人群精准投放）、教育领域（种子用户联合建模）、汽车营销领域（用户行为信息联合建模）。
• 劣势：速度慢、原理复杂、可用算法有限。
• 期待：更快的速度、更简单的原理、更多可用算法，硬件解决方案的可能性。

可信执行环境

• 优势：计算速度快、执行逻辑清晰、移植算法成本低、可用算法多。
• 技术类型：基于LibOS（Occlum、Gramine）或可信虚拟化技术（AMD SEV/SEV-ES、Intel TDX、ARM CCASYS）。
• 应用案例：通信领域（生物基因数据比对）、汽车音乐推荐（数据融合与应用）。
• 劣势：数据需加密、依赖硬件、算法需移植、需权衡安全性和高可用。
• 期待：更快的速度、更简单的原理、所有算法可用、不依赖硬件，隔离解决方案的可能性。

安全数据沙箱

• 优势：简单、速度快、不依赖硬件、所有算法可用。
• 应用案例：广告传媒领域（全量数据样本数据安全隔离）、金融理财营销（种子用户策略数据隔离）、政务数据在营销中的应用（医保信息、执法信息等数据隔离）。
• 劣势：仅保护平台方数据安全。
• 期待：不依赖硬件、更快的速度、更简单的原理、所有算法可用、两方数据可进出，全覆盖产品的可能性。

百度产品矩阵

• 隐私计算中的舍得：
  • 联邦学习（FL）：舍计算效率、可用算法，得无硬件要求、原始数据不出域。
  • 可信执行环境（TEE）：舍硬件通用性、加密原始出域，得更快计算效率、一定算法的可扩展。
  • 安全数据沙箱（SBX）：舍仅保护数据方安全，得超大规模数据计算、复用所有算法和工具。
• 恰当的应用隐私技术：明确保护/防御对象、数据规模、操作范围、运行环境。
• 隐私计算一指禅：数据小、两方不出、常规算法用FL；数据中、两方汇聚、专用算法用TEE；数据大、一方不出、任意算法用SBX。
• 百度隐私计算技术框架图：包含Paddle MUSL、Paddle FL、MesaTEE、百度联邦学习、SCONE、Graphene、OCCLUM、Trusted Blockchain、Trusted File System等组件。

未来趋势分析

• 趋势1：技术融合：联邦FL/MPC + TEE（降复杂、提效率）、SANDBOX + TEE（使用方数据安全问题）、SANDBOX + MPC（外部数据引入）。
• 趋势2：软硬结合：FL/MPC + GPU/FPGA（深度学习提速）、SANDBOX + TrustedVM+ Clear Container（启动加速）。
• 趋势3：互联互通：隐私计算平台互通，如中国信通院云大所《隐私计算跨平台互联互通》系列标准和IEEE SA《P3117 -Standard for Interworking Framework for Privacy-Preserving Computation》。