大数据时代,隐私计算还有隐私吗?

张丹霏
随着数据保护法不断完善以及消费者对个人隐私保护的日益注重,隐私计算已逐渐成为发展火热的新兴技术。隐私计算通过使用各种隐私保护技术,在保证数据提供方不泄露原始数据的前提下,对数据进行分析计算,既可从数据中提取价值,又可满足合规要求。

伴随着疫情的起起伏伏,大数据寻找“时空伴随者”功不可没,但公众仍不免担心个人隐私安全问题,如何让个人隐私得到有效保护,已经成为业界亟需解决的一大课题。

2345截图20211028093243.png

回顾刚刚过去的2021年,对于隐私保护是重要的一年,2021年9月1日《中华人民共和国数据安全法》正式施行,2021年11月1日《个人信息保护法》正式施行,对数据隐私具有深远影响。

2021年,也是隐私计算开始在真实商业场景中全面落地的元年。据毕马威发布的《2021隐私计算行业研究报告》显示,受到大数据融合应用和隐私保护的双重需求驱动,国内隐私计算市场将快速发展,三年后技术服务营收有望触达100亿至200亿元空间。

在Gartner最新发布的2022年重要战略技术趋势中,也将隐私增强计算列为未来几年科技发展的趋势之一,并预测到2025年,60%的大型企业机构会在分析、商业智能或云计算领域采用一种或多种隐私计算技术。

随着数据保护法不断完善以及消费者对个人隐私保护的日益注重,隐私计算已逐渐成为发展火热的新兴技术。隐私计算通过使用各种隐私保护技术,在保证数据提供方不泄露原始数据的前提下,对数据进行分析计算,既可从数据中提取价值,又可满足合规要求。

隐私计算交叉融合了密码学、人工智能、计算机硬件等多种技术,形成了三大隐私计算方向:多方安全计算(Mutli-Party Computation,MPC)、联邦学习(Federated Learning,FL)、可信计算环境(Trusted Execution Environment,TEE)。

多方安全计算由图灵奖得主姚期智院士于1982年通过提出和解答百万富翁问题而创立。该技术在无可信第三方情况下,多个参与方共同计算一个目标函数,其中每一方只得到自己的结果,无法获得其他方的输入数据。该技术可以使用通用硬件架构,核心在于密码学技术,实现多方在各自数据保密下,数据进行融合计算,达到数据“可用而不可见”。

联邦学习保证在本地数据不出库的情况下,通过对中间加密数据的流程和处理来完成多方联合的机器学习训练。该技术也是基于通用硬件,解决了数据拥有方,在进行AI训练时,数据可能泄露的问题。联邦学习实现了“数据不动模型动”。

可信执行环境通过软硬件技术,在CPU中构建了一个安全区域,保证内部加载的数据和程序在机密性和完整性上得到保护。TEE技术主要是底层需要可信硬件,同样也需要对数据的加密和验证,对于硬件要求较高。

2345截图20211028093243.png

从隐私计算领域的专利申请趋势来看,2010年后,整体专利稳步增长,截至目前,全球约有八千余项专利。

2345截图20211028093243.png

从上图可知,隐私计算申请人以互联网、银行/金融和人工智能企业为主,包括支付宝、华为、前海微众、Intel等企业,以及西安电子科大和由清华大学于2018年6月发起的信息技术公司华控清交。

随着云计算、大数据、人工智能、物联网等信息技术的不断发展,数据大爆炸时代已来临,越来越多的业务场景将基于多方数据的流通和共享,数据共享和利用已成大势所趋,隐私计算必然是不可或缺的一部分。

THEEND

最新评论(评论仅代表用户观点)

更多
暂无评论