Privacy Computing
Chat with GPT
隐私计算背景
原始数据不出域，数据可用不可见
数据使用，可控可计量
隐私计算的三大挑战
安全性
性能
普适性
图片来自于隐语【MOOC 课程前瞻：密态时代与隐私计算展望】
数据密态时代的三个阶段
阶段一：计算密态化
联邦学习、MPC 等隐私保护计算技术
从数据源直接到结果
阶段二：大数据密态化
大数据平台从明文计算迈进密文计算
丰富复杂的中间结果以密态方式存在
数据持有权与使用权分离
阶段三：数据要素密态化
全行业数据密态流通
多方、异构互联
解决要素流通、定价等难题
隐私计算的技术路线
图片来自于隐语【隐私计算的技术路线】
隐私保护计算技术的四大方向
方向一：安全多方计算MPC
方向二：差分隐私DP
方向三：基于硬件的可信执行环境TEE
方向四：联邦学习FL
四大基座
基座一：隐私计算基础组件，包含同态加密、秘密分享、不经意传输、混淆电路等；
基座二：传统的安全，包含网络安全、主机安全、破解与反破解（横向联邦需要端侧计算的能力，需要安全防护）
基座三：传统机器学习与深度学习的算法与框架能力、高并发、大数据、实时计算、
基座四：传统学科知识，例如数学、统计学习、密码学等；
行业建议
这些基座技术都在隐私计算的四大方向中有所使用，是整个隐私计算体系的基石。但是普通人很难对所有的领域都有所涉猎，建议掌握一至两门自己擅长的领域，对于其他的领域逐步的熟悉与理解，技术都是相通的，一些思路与理念可以复用。
隐私计算是新兴的领域，有很多难题需要解决，只有掌握了充足的知识储备，才能在这个隐私计算的盛宴中绽放出绚丽的色彩。[1]
机器学习从业者（联邦学习方向）：建议机器学习从业者，掌握下密码学的相关知识，并且掌握算法的底层原理，才能从底层实现中进行隐私加密的保障。
密码学人士：如果不是从联邦学习方向，基本无需掌握ML技术，可以拓展下基座三的能力。
其实无论走什么方向，都要做精，本着吃苦的精神，脚踏实地，一步一步坚实的走过每个山头，到最后回首一望，所过之路，皆是坦途！与诸君共勉！
Reference:
[1] https://www.openmpc.com/article/371
[3] https://chat.openai.com/chat
[4]【MOOC 课程前瞻：密态时代与隐私计算展望】 https://www.bilibili.com/video/BV1jY411d78Y/?share_source=copy_web&vd_source=e2603c33e9e615bcee7a97248d7b12b4
[5]【隐私计算的技术路线】 https://www.bilibili.com/video/BV1hF411g7qJ/?share_source=copy_web&vd_source=e2603c33e9e615bcee7a97248d7b12b4
