这项技术可以让隐私数据“可用不可见“

商业资讯零壹财经零壹财经 2020-12-31 阅读：3906

关键词：隐私数据 数据共享 大数据 隐私计算

近几年来，各大互联网巨头亦都纷纷布局隐私计算领域，推出各自的多方安全计算产品。

大数据时代，企业数据需求量增加，跨行业的数据共享和应用成为企业刚需。

但是大数据的流通市场仍存在诸多风险，如个人隐私保护方面，当机构通过服务方查询数据时，服务方可能留存用户资料，数据开放和数据安全之间如何达成平衡成为大家思考的问题。

在此背景下，隐私计算于2016年应运而生。

那什么是隐私计算呢？隐私计算是面向隐私信息全生命周期的计算理论和方法，是隐私信息的所有权、管理权和使用权分离的前提下，面向隐私度量、隐私泄漏代价、隐私保护与隐私分析复杂性的可计算模型与公理化系统。经过近⼏年的发展，隐私计算⽬前在产业互联⽹、⼈⼯智能、⾦融科技、医药保护等⽅⾯发挥重要的作⽤。

隐私计算虽然诞生时间不长，但其相关技术理论的研究却有着相当的一段历史，上世纪八九十年代相继提出的安全多方计算、同态加密、零知识证明等都是隐私计算中的密码学核心技术。

而今天我们要讲的隐私保护信息检索（又称匿踪查询）(Privacy Preserving Information Retrieval )，是保护用户查询隐私的解决方案。

具体而言，就是用户向服务器上的数据库提交查询请求时，可以在信息不被泄漏给服务器的条件下完成查询，即在查询过程中服务器不知道用户具体查询信息及检索出的数据项。

隐私保护信息检索协议基于可交换加密、不经意传输等密码学技术，数据服务方保持数据资源控制权，并且保护查询方的查询信息不外传，数据请求方使用加盐的查询方式（加盐：在密码学中，是指通过在密码任意固定位置插入特定的字符串，让散列后的结果和使用原始密码的散列结果不相符，这种过程称之为“加盐”），查询入参增加随机密钥比明文哈希后撞库查询安全性大大提高，确保仅仅得到匹配的查询结果却不留查询痕迹（查询对象信息或客户ID）。

近几年来，各大互联网巨头亦都纷纷布局隐私计算领域，推出各自的多方安全计算产品，如：旗下的联盟学习开源项目Fate，提供了⼀种基于数据隐私保护的安全计算框架，为机器学习、深度学习、迁移学习算法提供强有⼒的安全计算⽀持；旗下蚂蚁摩斯多⽅安全计算商⽤平台，解决企业数据协同计算过程中的数据安全和隐私保护问题；百度旗下联邦计算平台MesaTee，协助机构之间解决数据合作过程中数据安全和隐私问题，打破数据孤岛；Welab集团旗下天冕大数据实验室推出的WeFe联邦学习平台，旨在保护各方用户数据安全、非共享数据情况下打破数据孤岛，实现跨数据、跨行业的合作。

成立于2019年的天冕大数据实验室，自主研发了智能风控服务平台，旗下产品卫信分基于WeLab集团内地4600万用户数据，融合了云计算及机器学习技术中的数据智能技术算法，通过逻辑回归，决策树、随机森林等模型算法，对各维度数据综合处理和评估，以具体分数客观呈现用户个人信用状况的综合分值，分值越高代表信用越好，违约率相对较低，较高的卫信分可以帮助用户获得更高效、更优质的服务。

具体落地到隐私保护信息检索的使用场景，相比传统调用模式和数据源提供全量库模式而言，查询方在采用隐私保护信息检索技术查询卫信分时，用户的身份ID随机加密，有效避免了查询方的用户身份ID信息泄露的风险，安全性大大提高，而数据源也保持了数据的控制权，这一技术特性能最大程度的帮助金融机构、政府机构、企业客户在保障数据和隐私安全的前提下使用数据、挖掘数据的价值。

目前，天冕已经与一些金融机构建立了合作，合作的内容主要是联合数据提供方，在各方数据不出私域的情况下，进行联合风控建模和联合营销，接下来，天冕将不断探寻技术创新及产业化应用之道，以自主创新的核心技术赋能金融机构和企业客户数字化转型。

专题推荐：金融毛细血管

零壹智库推出“金融毛细血管系列策划”，通过系列文章、系列视频、系列报告、系列研讨会和专著，系统呈现“金融毛细血管”的新状态、新功能、新价值、新定位。