四大隐私增强技术点评

在今天这个高度数字化的社会，隐私数据面临空前的威胁，无论是小我社交媒体信息、医疗健康信息、财务信息、位置信息、生物特征信息、消费者画像信息等等都存在过度分享和滥用问题，且采集处理这些信息的企业或机构往往缺乏充沛的隐私加密和珍爱能力。与此同时，跟着全球对数据价格的熟悉一日千里，数据隐私和平安已经成为企业买卖运营的主要基石，主要性无论若何强调都不为过。

现在，越来越多的消费者加倍担心小我数据和隐私的平安问题，皮尤研究中心（Pew Research Center）客岁进行的一项查询发现，有79％的成年人担心公司若何使用收集到的有关他们的数据，52％的成年人透露他们因为担心小我信息被采集而选择不使用产物或办事。

企业不光在直接面向消费者的2C市场，在B2B情况中也在追求减轻隐私风险和担忧的方式，这刺激隐私增加手艺（PET）范畴的快速提高和贸易化。PET是一种壮大的手艺类别，可在整个生命周期中启用、增加和珍爱数据隐私。经由采用以数据为中心的隐私和平安性方式，这些手艺有助于确保敏感数据在处理过程中获得有效珍爱。

PET是一个笼统的术语，包罗在隐私信息采集、存储、以及在执行搜刮或剖析过程中对于珍爱和增加隐私平安性的数据平安手艺，例如同态加密、平安多方较量、差分隐私和受信任的执行情况等，个中很多手艺存在交集，或许能够连系使用。

四大隐私增加手艺的平安性排序：同态加密>平安多方较量>差分隐私>可托执行情况：

平日，固然在分歧的应用法式和用例中隐私增加手艺的平安性存在一些不同，但总体来说，手艺越平安，它供应的隐私珍爱或隐私珍爱功能就越多。在上述四大隐私增加手艺中，同态加密供应最强的平安性。可托执行情况（TEE）供应的平安功能最弱（是以，隐私珍爱起码）。认识每种手艺对于确定给定用例的准确选择很主要。

同态加密是最平安的选择，尤其适合云较量时代需要将较量转移到云端同时又需要确保（未加密）数据平安的应用场景。它被普遍认为是加密的“圣杯”，它许可对加密密文进行较量。同态加密不是一项新手艺，学术范畴已经进行了30多年的研究。尽管从汗青上来看同态加密一向是较量密集型的手艺，但如今的最新冲破使之可普遍用于各类贸易应用。

同态加密的焦点是在密文/加密空间中供应两种原始把持：可以将两个同态加密值相乘（乘法）和/或可以将两个同态加密值相加（加法）。

凭据可否同时支撑乘法和加法把持，同态加密分为两种根基类型：全同态加密和部门同态加密。全同态加密在密文空间中同时支撑乘法和加法，而部门同态加密在密文空间中仅供应乘法或加法把持。两种类型都功能壮大，而且能够集成到支撑焦点买卖功能的算法中，这些功能包罗加密搜刮和加密剖析（例如机械进修/AI）。

行使全同态加密能够实现让解密方只能获知最后的究竟，而无法获得每个密文的新闻与同态较量体式，能够提高隐私信息的平安性。能够在诸如私有集订交之类的手艺中行使它来平安地较量两组数据中的重叠项。

值得注重的是，尽管人们能够选择行使特别类型的硬件（GPU、FPGA）来加快某些同态加密数学较量，但同态加密算法和行使该手艺供应买卖功能的软件产物是不受硬件..限制的。

平安多方较量（SMPC或MPC）手艺系列许可多方配合对数据进行把持，同时连结其各自的输入信息私有和平安。像同态加密一般，该手艺也有近30年的汗青，自1980年月中期以来，平安多方较量一向是学术界研究的活跃范畴。学术界的冲破以及贸易范畴中很多手艺供应商的解决方案已经使SMPC变得成熟，能够在某些用例中实用。

SMPC的平安性以及相关的隐私平安性差别很大，这取决于所使用的实现类型。例如，SMPC的某些实现行使同态加密，是以能够供应壮大的平安包管。

在差分隐私中，出于搅浑目的，将随机生成的噪声添加到根蒂数据中，对更改后的数据执行的任何较量仅在统计/偏向上准确（即禁绝确）。是以，因为不克包管正确的究竟而且限制了或者的较量，是以差分隐私的应用范畴比其他隐私增加手艺要窄。

PET中最不平安的是可托执行情况TEE，有时也称为平安飞地手艺。TEE的平安性素质上是基于平安界限的平安模型。在TEE中，平安界限局限很小，仅存在于硬件芯片自己而不是收集界限。与任何平安界限模型一般，若是您能够冲破界限，则能够接见个中的所稀有据。因为所有内容都在片上飞地局限内进行认识密，是以，TEE实现了非常快速的较量能力，但需要衡量弱化的平安性和隐私状况。这或者适用于某些具有更宽松的平安性和隐私约束（即不需要国度级平安性或隐私珍爱律例合规）的用例。

在TEE范畴中最有名的贸易产物是Intel SGX。自从几年前发现Spectre和Meltdown破绽以来，SGX络续地显现平安问题，不只没能补强平安性，反而成了平安短板。因为TEE受硬件限制，是以行使它们来珍爱使用中的数据的应用法式也存在此限制。英特尔正在斥地API抽象层，以匡助实现分歧硬件TEE之间的应用法式可移植性。

零常识证实：可用于身份验证等场景，例如无需提交正确生日信息就可验证用户是否相符划定岁数。零常识证实相符数据最小化、数据平安和隐私设计等原则，是2020年最值得存眷的隐私增加手艺之一。

边缘较量和内陆数据处理：若是说同态加密首要解决的是云较量的隐私问题，那么内陆数据处理则将工作负载也移出云端，转移到“边缘较量”，边缘较量也可以鞭策数据最小化，大大降低云办事商群集的数据量。

设备层面的机械进修：最新的机械进修手艺热点除了半导体组件和算法外，还包罗高速内陆存储和处理数据（边缘较量）。

身份治理：大量身份治理..和方案正在涌现，尤其值得存眷的是分布式账本手艺、内陆处理等，能够实如今没有互联网接见的情形下竖立平安链接，交流身份相关的证书（例如数字泉币支出或许选举投票）。

小数据：与大数据相对应，小数据（Small Data）指人工智能或许机械进修系统借助数据增加、转移进修、合成数据集等手艺，使用很少，甚至不使用真实数据。跟着小数据手艺的鼓起，或许将来的人工智能模型将不再需要海量的练习数据，同时也将极大降低隐私风险。

用户对隐私的盼望将是科技业，更是收集平安行业的下一个金矿。无论是在当局律例的指导下照样在消费者需求的指导下，企业都必需预备好在优先考虑数据和隐私平安性的世界中运营。

此外，跟着隐私增加手艺（PET）在贸易范畴中的普遍应用和日益风行，越来越多的企业将隐私增加手艺作为数字化转型的必备手艺。然则，企业首先需要识别哪些是以隐私为中心的买卖，然后选择投资最合适的隐私增加手艺。