白话隐私计算

隐私计算

隐私计算的定义：

  隐私计算是面向隐私信息全生命周期保护的计算理论和方法，是隐私信息的所有权、管理权和使用权分离时隐私度量、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。

  2019年《UN Handbook on Privacy-Preserving Computation Techniques》中 提到隐私保护计算是在提供隐私保护的前提下，实现数据价值挖掘的技术体系。

隐私计算全生命周期

• 隐私数据产生
• 隐私感知
• 隐私保护
• 隐私发布/存储/交换
• 隐私分析
• 隐私接收
• 隐私销毁

隐私计算能够做什么？

  实现原始数据不离开安全的可信环境，数据“价值”和“知识”流通的目标，促进跨领域多维度数据的融合，构建 “数据可用不可见” 的合作新模式。

隐私计算关键技术

• 基于抗大数据分析的
    举个例子：数据扰乱。市面上最常见的数据扰乱的方法——数据泛化，我打个比方，浅浅今天期末考试，语文考了99分，全班第一，但是老师觉得大家的分数差距有点儿大，要是说出去可能会伤了很多认真学习的心。所以决定 [85,100] 是甲等，依次每十分递减一个等级。所以浅浅就变成了甲等，数据内容被降低了粒度的有效范围，使得原始数据被泛化。之后还有数据扭曲、数据清洗以及数据屏蔽，实际上数据扭曲也可以被运用在MPC的秘密共享中。
• 基于密码学的
    很常见的就有安全多方计算MPC、全同态加密FHE、差分隐私或者是机密计算，机密计算涉及到硬件可信执行环境，不是我研究的范畴。
• 基于网络隐写的
    这一个方案大抵是利用载体中相邻元素的相关性提取特征，然后利用机器学习训练分类器区分载体和载密对象。但是随着目前大数据的分析能力逐渐增强，用户画像刻画也愈发清晰高效，所以结合网络隐写就需要朝着智能的隐写方向进行发展，探索出自适应的隐私策略。