蚂蚁矿机矿工不活跃,“隐私计算”四大技术路

隐私计算可以划分为四个不同的象限,分别是:数据流出、集中计算;数据流出、协同计算;数据不流出、协同计算;数据不流出、集中计算。

9 月 1 日 ,《中华人民共和国数据安全法》(下称《数据安全法》)正式落地实施,这是我国首部与数据安全相关的法律。

在 DT (数据技术)时代,数据已然成为一种重要的资源,是一种重要的新型生产要素。
和传统生产要素相比,数据要想真正成为既可以自由流通,又能具备安全性的战略资源,就绕不开数据隐私计算这一环节。
隐私计算可以让数据在流通过程实现“可用不可见”,在保护数据隐私的前提下,解决数据流通、应用等数据服务问题,成为解决数据利用和安全性这对矛盾的重要途径。

在隐私计算的领域中也有不同技术路径,它们采用不同的技术形式实现数据隐私安全的目标。
根据数据是否流出、计算方式是否集中来划分,隐私计算可以划分为四个不同的象限,分别是数据流出、集中计算;数据流出、协同计算;数据不流出、协同计算和数据不流出、集中计算。

路径一: 数据流出、集中计算。

代表技术:数据脱敏、差分隐私、同态加密

该技术路径的核心,是对数据进行变形、扰动、加密等操作,可保障数据流出时的隐私安全,主要有三种安全技术:数据脱敏、差分隐私、同态加密。

数据脱敏(Data Masking)是指使用脱敏规则对数据中某些敏感信息进行数据的变形,从而达到保护敏感隐私数据的目的。
更具体来讲,我们可以采用删除可识别个人的信息的方式,让数据描述的人保持匿名,也可以采用对数据去标识化,让人们无法根据数据识别到具体的个人。

如果说数据脱敏是通过对敏感信息“做减法”的方式实现保护隐私,那么差分隐私(Differential Privacy)就是以“掺沙子”的方式,通过在数据或者计算结果上添加一定强度的噪声,来保证用户无法通过数据分析结果推断出是否包含某一特定的数据。

而同态加密(Homomorphic Encryption)则是用技术方式,在不影响数据运算结果的前提下将数据变为密文,这也就不再涉及隐私的问题,而不同的加密技术允许不同的运算规则。

整体看,这些技术通过对数据操作来保障数据流出时的隐私安全,但是它们也有一些局限性:

1)数据脱敏容易遭受攻击,从技术恢复数据中的敏感信息较为容易。

2)差分隐私会降低机器学习准确率,较高强度的噪声虽然较好地保护隐私,但对数据分析的准确性也有较大的影响。

3)同态加密运算效率低,也会影响使用该技术的意愿。

路径二: 数据流出、协同计算。

内容版权声明:除非注明,否则皆为赚币吧本站原创文章。

转载注明出处:https://www.zuanbiba.com/btbkj/213.html