隐私计算

1 3 秒看懂

隐私计算是一套“数据可用不可见”的技术体系，它允许多个数据持有方在不暴露原始数据的前提下，联合完成计算任务并获取结果，是破解数据要素流通与隐私安全矛盾的关键基础设施。

2 3 分钟产业解释

在数据成为核心生产要素的当下，“数据孤岛”与隐私保护合规是制约数据价值释放的最大瓶颈。企业、机构乃至政府之间沉淀了大量高价值数据，但因《数据安全法》《个人信息保护法》等法规约束、商业机密顾虑以及技术信任缺口，直接共享原始数据几乎不可能。

隐私计算改变了“数据搬家”的旧思路，转而让“算法搬家”或“计算搬家”，实现 “数据不动价值动”。典型业务场景包括：

• 联合风控：银行与电信运营商在不泄露各自客户明细的前提下，联合训练反欺诈、信用评估模型，提升风险识别能力。
• 联合营销：品牌商与电商平台在互相不暴露终端用户具体身份的条件下，完成用户特征交集、精准广告投放与效果归因。
• 医疗研究：多家医院在不交换患者原始病历的情况下，联合开展疾病预测模型训练、新药靶点发现或多中心临床统计分析。
• 政务数据开放：政府部门在保障公民隐私与国家数据安全的前提下，对外提供安全的数据分析服务，支持智慧城市、普惠金融等公共应用。

从产业视角看，隐私计算扮演着数据要素市场的 “管道”与“安全阀”，其本身不直接生产数据，而是为数据的安全、合规、高效流通提供底层技术保障与可审计的信任传递机制。

3 技术原理

隐私计算并非单一算法，而是由密码学协议、分布式计算和硬件安全技术构成的交叉体系。核心思想是在整个计算生命周期中保护数据的机密性、完整性和可用性，确保原始数据对除数据持有者之外的任何方不可见，而仅输出约定的计算结果。

1. 安全多方计算（Secure Multi‑Party Computation， SMPC） 其理论基础可追溯至姚期智1982年提出的“百万富翁问题”。现代SMPC主要依赖秘密共享、混淆电路和不经意传输等密码学原语，构造多方协议。参与方各自输入秘密值，通过协议交互计算一个约定函数，最终各方仅获得函数输出，协议可以抵抗半诚实敌手甚至恶意敌手。 示意流程：

参与方A (秘密x) ─── 秘密共享/混淆电路协议 ─── 参与方B (秘密y)
         │                                      │
         └── 交互中间消息，不泄露x,y ──┘
                      │
               各方获得结果f(x,y)

其安全依赖于密码学假设（如DDH假设等），理论完备性强，但通信轮次与计算开销往往随函数复杂度急剧增加。

2. 可信执行环境（Trusted Execution Environment， TEE） TEE利用硬件级隔离能力（如Intel SGX、AMD SEV、ARM TrustZone），在内存中创建加密保护的“飞地（enclave）”，应用程序和数据在飞地内以明文执行，而飞地外的操作系统、虚拟机监控器或云管理员均无法访问。处理完成后，结果经完整性校验送达请求方。 示意：

不可信OS/云平台
      │
      │ 硬件强隔离（内存加密、访问控制）
      ▼
 [TEE飞地] ← 加密加载代码与数据
      │
      │ 可信执行
      ▼
  加密输出结果

TEE的性能损耗相对较小，通用性较好，但安全依赖于硬件厂商可信假设，并需关注侧信道攻击等前沿威胁。

3. 联邦学习（Federated Learning， FL） 联邦学习是一种分布式机器学习架构，参与方各自在本地数据上训练模型，仅将模型参数（如梯度）发送至中央服务器进行安全聚合，原始数据不出域。为进一步保护参数隐私，常结合差分隐私（DP）、安全聚合（Secure Aggregation）或功能加密等技术。 经典联邦平均（FedAvg）流程：

中央服务器 ──分发全局模型──→ 参与方1   参与方2
        ▲                      │          │
        │本地梯度加密/扰动─────┘          │
        │本地梯度加密/扰动─────────────────┘
        │
   安全聚合后更新模型
        │
   ────分发新模型────

此架构适用于大规模分散数据训练场景，但面临数据非独立同分布（Non‑IID）、通信效率与梯度泄露风险等挑战。

4. 融合架构 在实际工程部署中，三种技术路线常深度融合：例如在联邦学习中用SMPC协议完成梯度安全聚合，或将TEE作为可信聚合节点以降低对中心服务器的信任假设，或利用同态加密（HE）对中间参数进行密态计算。融合架构可综合各路线优势，达成安全、性能与灵活性之间的更有弹性的平衡。

4 关键参数

评估隐私计算方案时需从多维指标综合考量，以下为行业通用度量维度（具体数值因场景和实现差异极大）：

• 安全性

  • 敌手模型：半诚实（诚实但好奇）vs. 恶意（主动偏离协议），协议能否提供可证明安全。
  • 泄露定义：仅泄露计算结果 vs. 可能泄露部分中间信息（如访问模式、通讯图）。
  • 安全假设：密码学假设（离散对数、LWE等）、硬件可信假设（TEE厂商可信根）、串谋容忍度等。

• 性能开销

  • 通信复杂：总传输字节量、通信轮次。例如，基于秘密共享的SMPC在复杂函数下每乘法门可能产生数个分片交换；某些安全聚合协议每轮上传几KB到数百KB。
  • 计算开销：端到端运行时间，与明文计算相比的倍数。特定协议在逻辑回归训练中可能比明文慢1‑3个数量级，但针对XGBoost、神经网络优化后可将开销控制在可接受范围内。
  • 延迟：单次查询或单轮迭代的延迟，影响实时性应用。

• 准确度：联合计算输出质量与集中式明文计算结果的偏离程度，常用AUC损失、精度差、推理准确率下降百分比衡量，通常在1%以内为可接受。

• 可扩展性：支持的最大参与方数量、特征维度、数据总量，以及是否支持动态加入退出。

• 通用性与易用性：所覆盖的算法/算子种类（SQL类、统计分析、机器学习模型、图计算等），API与调度系统的友好度，与现有大数据平台（Spark、Hadoop等）的集成难度。

• 合规性：满足GDPR、国内三法（网安法、数安法、个保法）等法规的技术要求程度，是否通过信通院等机构的评测认证（如大数据产品能力测评、隐私计算平台基础能力评测）。

• 可用内存与硬件依赖（针对TEE）：飞地可用安全内存容量（例如早期SGX EPC仅约128MB或256MB，强化后的大容量版本可能达512GB以上），上下文切换开销，以及所需CPU型号限制。

5 技术路线

隐私计算的技术谱系可按安全基座分为密码学路线、硬件路线和分布式学习路线，具体涵盖：

• 密码学路线

  • 安全多方计算（SMPC）：协议类型包括基于秘密共享（如Shamir 1979）、基于混淆电路（Yao 1986）、基于不经意传输扩展等。可细分为异步、同步、无交互（如使用同态加密实现非交互；其中**全同态加密（FHE）**允许在密文上直接进行任意计算，无需交互，但计算开销极高，尚处于实用性加速阶段）。
  • 差分隐私（DP）：通过增加数学证明的噪声为个体信息提供可量化保护，常作为SMPC或FL的辅助手段。
  • 零知识证明（ZKP）等：侧重计算正确性证明与验证，可用于计算结果验证。

• 硬件路线

  • 可信执行环境（TEE）：代表性技术包括Intel SGX、AMD SEV‑SNP、ARM CCA，以及国产平台如海光CSV、飞腾TEE等。
  • 信任根在硬件，侧信道防御方案持续演进。

• 分布式学习路线

  • 联邦学习：横向联邦（特征相同，样本不同）、纵向联邦（样本重叠，特征互补）和联邦迁移学习，以及去中心化的Swarm Learning等。
  • 安全聚合协议：由设备级加噪（DP‑FL）到基于秘密共享的聚合，逐步增强隐私保障。

技术演进简史

• 1980s～1990s：混淆电路、秘密共享等理论基石奠定。
• 2009年：Gentry提出首个可行的全同态加密方案。
• 2015年：Intel SGX商用，微软推出VC3等系统。
• 2016年：谷歌提出联邦学习并用于Gboard移动键盘。
• 2018年以后：GDPR生效推动产业需求爆发；蚂蚁集团、微众银行等开源FATE、SecretFlow（隐语）等框架；中国将隐私计算写入多项政策，进入规模化商业试点。

三条路线互补 密码学路线安全假设更透明但性能受限；硬件路线通用性与性能优越但依赖专有硬件且侧信道攻击面持续演化；联邦学习工程生态成熟但可能需额外密码学增强隐私。现代系统倾向于“混合引擎”设计：针对不同任务和安全等级，按需编排SMPC/TEE/FL算子。

6 上游

隐私计算产业上游主要为基础硬件、密码学库与云基础设施。

• 芯片与硬件

  • CPU厂商：Intel（SGX）、AMD（SEV）、ARM（TrustZone、CCA），以及国产芯片厂商海光（CSV）、飞腾（TEE），华为鲲鹏等提供TEE能力。
  • GPU/加速卡：作为联合计算中的高性能算力支持，部分开始集成隐私计算能力。
  • 专用密码加速卡/AI芯片：通过硬件加速AES、模幂、同态加密等运算，降低密态计算开销。

• 密码学与软件开发套件

  • 开源密码学库：libsnark、EMP‑toolkit、HElib、SEAL、Palisade等提供同态加密或SMPC原语。
  • TEE SDK：Intel SGX SDK、Open Enclave、Google Asylo等，降低飞地开发门槛。
  • 安全容器/执行环境：提供统一可信执行抽象（如机密容器）。

• 云基础设施与服务提供商

  • 公有云：阿里云、华为云、AWS、Azure等推出基于TEE的机密计算实例（如阿里云神龙/Inclavare、Azure Confidential Computing）。
  • 私有云与混合云：金融等行业自建机密计算集群，提供加密资源池。

7 下游

隐私计算的下游需求方覆盖所有拥有高敏感数据和跨机构协作需求的领域，核心客户群包括：

• 金融行业（一级市场渗透率最高）

  • 银行、消费金融公司：联合风控、多头借贷检测、企业征信联合建模、反洗钱信息共享。
  • 保险：医疗数据核保、跨机构理赔协同。
  • 证券/基金：跨机构合规监控、另类数据协作研究（公开案例限于试点）。

• 政务与公共服务

  • 部委与地方数据局：政务数据跨部门安全共享、公共数据授权运营。
  • 智慧城市：交通、环保、应急数据融合。
  • 央行/监管机构：监管科技（RegTech）数据采集与分析。

• 医疗与生命科学

  • 多中心药物研发、罕见病研究、基因组数据协作、医疗影像AI联合训练。
  • 健康管理平台与保险公司之间的安全数据分析。

• 广告与互联网

  • 跨平台广告归因、用户画像增强、反作弊数据协作。
  • 隐私保护下的推荐系统联合训练（如“联邦推荐”）。

• 工业与物联网

  • 供应链跨企业数据共享（预测、库存优化）、设备预测性维护联合建模。

目前下游仍以头部金融机构和政务客户为主，客单价高但实施周期长，中小企业市场尚未规模打开。

8 受益公司

隐私计算产业链的参与方可分为三类，其受益逻辑各异（以下基于公开信息进行定性描述，不构成投资建议）：

1. 专业隐私计算厂商 以华控清交、洞见科技、富数科技、锘崴科技、翼方健数等为代表，专注自研隐私计算平台，技术积累深厚，往往聚焦金融、政务等头部客户，通过软件授权或解决方案获取收入。其中华控清交以SMPC和多方混合协议见长；洞见科技在金融银行间市场有较多落地案例；锘崴科技精耕医疗&政务；翼方健数以“全栈”方案切入。

2. 大型科技公司 蚂蚁集团、腾讯、百度、华为、京东等将隐私计算作为云服务或数据智能平台的内嵌能力，不单独售卖平台，而是拉通自身云、数据中台产品生态。蚂蚁集团开源SecretFlow（隐语）并推出摩斯（MORSE）平台，覆盖SMPC/TEE/FL；腾讯隐私计算整合进腾讯云WeData、TDPS等产品；华为以可信计算能力融入ModelArts、可信智能计算服务TICS等。

3. 传统数据安全与大数据厂商 奇安信、深信服、安恒、天融信等将隐私计算作为数据安全能力模块，与数据防泄露产品形成整合方案。部分大数据服务商如星环科技、数梦工场也在其数据平台中加入隐私计算中间件。

在二级市场，上述大型科技公司或安全厂商可通过数据要素、数字经济、信创等主题概念被市场关注，但隐私计算在其收入占比中仍较小（公开资料未见精确拆分）。一级市场中，专业隐私计算公司密集融资集中在2021‑2022年，2023年后融资步伐有所放缓，部分转向业务深耕。

9 市场规模

隐私计算市场整体处于早期高速增长阶段，不同机构的统计口径和预测数值差异较大，核心数据参考如下：

• 中国市场

  • 据中国信通院隐私计算联盟调研及《隐私计算白皮书（2022年）》指出，2021年中国隐私计算平台与相关服务市场规模在数亿元人民币级别，预计到2025年将超过百亿元人民币（口径：平台软件、服务及集成收入）。
  • 艾瑞咨询《2022年中国隐私计算行业研究报告》估算，2021年中国隐私计算行业市场规模约4.6亿元，2022年约7.2亿元，预计2025年将达到145.1亿元，2021‑2025年复合增长率约138%（口径：供应商端软件产品及服务收入）。
  • 在政策推动下，金融机构与政务数据共享项目贡献了主要市场增量，2023年后行业进入快速扩容期。

• 全球市场

  • 据Grand View Research 2023年报告估计，2022年全球隐私计算市场规模约为16亿美元，预计2030年将超过150亿美元，复合年增长率超35%（口径：包括安全多方计算、同态加密、可信执行环境等软硬件及服务）。
  • IDC于2022年预测，全球隐私计算与机密计算相关市场将在2027年达到约250亿美元（口径：机密计算基础设施与服务）。
  • 北美和欧洲受GDPR等法规驱动，金融、医疗与通信行业为主要需求来源；中国作为数据要素化战略最积极实施者之一，成为全球增速最快的区域市场。

警示：市场数据因定义范围（是否包含HE、DP、TEE硬件本身、联邦学习单独模块）与统计方法论差异，不同来源波动巨大，建议交叉验证并关注最新年度报告。

10 玩家对比

以下选取代表性厂商（非完全列表），基于公开信息从技术路线、落地行业、关键能力等维度进行对比（来源：各公司官网、信通院评测公告、公开采访等，截至2024年Q1）：

差异化简析

• 蚂蚁隐语/摩斯以混合路线和开源生态推动标准，工程化能力强。
• 华控清交偏重密码学原始创新，在安全假设严谨的金融场景有一定认可。
• 微众FATE占据联邦学习开源社区最大生态，服务大量中小银行。
• 翼方健数与锘崴科技深耕医疗数据协作，受行业合规密集需求推动。
• 云厂商（腾讯、百度、华为）不将隐私计算独立商业化，而是作为留住数据与AI客户的基础能力。

竞争格局尚未定型，客户常进行多产品POC对比，未来竞争焦点将转向标准化程度、生态适配性与联合运营能力。

11 风险

技术风险

• 密码学路线性能瓶颈：SMPC和FHE仍难以胜任超大规模、低延迟场景，若加速进展慢于预期，可能限制市场拓展。
• 侧信道与硬件漏洞：TEE近年在Spectre、Meltdown、侧信道攻击中不断暴露新的攻击面，依赖硬件厂商的及时修复与迁移。
• 融合架构复杂性：混合引擎的设计、调度与安全性论证复杂度高，可能引入跨路线的安全漏洞。
• 输出隐私风险：即使计算过程安全，聚合后的模型或统计结果仍可能遭受成员推理攻击、属性推断等，需要输出侧加装差分隐私等防护，可能导致结果精度下降。

商业风险

• 项目制占比高：当前多数项目仍属定制化解决方案，交付周期长、毛利率受限，标准化产品或可复用的网络型协作生态尚未普及。
• 头部客户集中：银行、政务等头部客户贡献大部分收入，一旦其预算周期波动或自研能力增强，会对专业厂商造成较大影响。
• 成本敏感性：中小企业数据价值挖掘意愿强，但对部署隐私计算的额外成本（技术及人员）极度敏感，阻碍从头部向腰部渗透。

政策与合规风险

• 标准与评测滞后：隐私计算平台的安全性评测标准仍处快速发展期，不同国家或行业的认证互认性不足，跨国协作常遇壁垒。
• 法规的不确定性：数据跨境传输规则、个人信息如何与隐私计算配合合规等细节在国际层面仍存在分歧，可能影响出海业务。

人才与生态风险

• 掌握密码学、分布式系统、AI的复合型工程人才稀缺，人才争抢抬升研发成本；开源社区虽快速发展，但核心贡献者仍集中于少数机构。

12 误读纠偏

误读一：隐私计算等同于“数据绝对安全”，可一劳永逸。 纠偏：隐私计算基于特定安全假设（如SMPC中的串谋半数不诚实、TEE的硬件可信根、FL梯度可被逆向还原部分样本特征等）。实际部署中，假设一旦被打破（如侧信道攻击成功、密码学协议实现缺陷）就可能出现隐私泄露。此外，即便计算过程无泄露，恶意方仍可从输出结果进行“模型逆向”“成员推理”攻击，因此需要配合输出扰动（DP）和制度约束，无法仅靠单一技术实现“绝对安全”。

误读二：隐私计算性能低下，无实际生产价值。 纠偏：早期实验性SMPC效率确实极低。但经过数年针对性算法优化、硬件加速与专用协议设计（如剪切选择、并行化、离线预计算），隐私计算已在大量实际业务（银行联合风控周级更新、隐匿查询延迟<1秒等）闭环运行。应基于具体场景的时延容忍度与数据价值来评估，不宜以“全场景”性能要求一概否定。

误读三：联邦学习就是“数据不出域”的完美隐私保护方案。 纠偏：仅原始数据不出域并不完备；梯度本身会泄露原始数据信息（梯度泄露攻击）。现实中联邦学习通常结合安全聚合、差分隐私或同态加密来保护梯度，才构成真正的“强隐私”FL。仅部署原生FedAvg不能视为完整的隐私计算方案。

误读四：隐私计算只是技术问题，采购一个平台即可。 纠偏：成功落地需要法律、合规、安全策略与多方商业协议协同。数据协作的商业模型（如数据定价、收益分配）、数据定义对齐、审计机制等非技术因素往往决定项目成败。隐私计算是“技术+制度”的共同体。

13 最新事件

（时间至2024年5月，基于公开信息）

• 2024年1月：国家数据局等17部门联合印发《“数据要素×”三年行动计划（2024—2026年）》，多处明确鼓励运用隐私计算等安全可信的技术推动数据融合应用，重点支持金融、医疗、商贸等领域，被视为隐私计算规模化落地的国家级政策信号。
• 2024年4月：中国信息通信研究院启动新一轮隐私计算平台评测，新增“多方安全计算+联邦学习+TEE”混合引擎专项测试，推动融合架构标准化。
• 2023年12月：中国信通院发布《隐私计算应用研究报告（2023年）》，指出金融行业隐私计算部署由单点试点向多业务网络化协作演进，政务数据共享项目加速上马。
• 2023年11月：OpenEnclave社区宣布进入维护模式；机密计算社区转向更统一的Confidential Computing相关基金会（如CCC）工作，行业软件栈趋向整合。
• 2023年9月：蚂蚁集团发布隐语（SecretFlow）1.5版本，扩展对通义千问等大模型的安全推理与微调支持，安全大模型隐私计算成为新兴方向。
• 2023年7月：《商用密码管理条例》修订版生效，对密码算法国内落地提出更明确要求，间接推动隐私计算中密码学算法（如SM2/SM4等）的国产化替代进程。
• 2023年6月：全球多家银行在SWIFT网络下完成基于SMPC的跨境反洗钱联合分析试点，将隐私计算推向国际金融报文协作场景。
• 2023年3月：中国国家数据局组建方案公布，数据要素基础制度加速构建，隐私计算基础设施化趋向明晰，带动多地数据交易所引入隐私计算作为数据流通的技术选项。

14 跟踪指标

政策与标准

• 国家数据局及地方数据局的后续法规与实施方案出台节奏，特别是对隐私计算技术合规地位的明确表述。
• 隐私计算国家标准、行业标准（如GB/T、JR/T金融行业标准）的制定进度及发布情况。
• 数据跨境流动认证中隐私计算接受度变化。

技术与生态

• 隐私计算开源项目活跃度（如隐语、FATE、PrimiHub等的GitHub Star、贡献者数量、版本发布频率），反映技术迭代与社区健康度。
• 硬件TEE新进展：第四代/第五代Intel Xeon Scalable处理器的SGX‑TDX可用性，国产机密计算芯片的量产与应用。
• 安全攻防竞赛：如清华/信通院组织的隐私计算安全攻防赛（同台攻击与防御）涌现的新型攻击方法和防御升级。

市场与商业

• 头部银行、保险公司、数据交易所的隐私计算招标项目数量与金额（公开采招信息）。
• 专业厂商的客户数、复购率、增购以及最新融资轮次（若上市则关注财报中“数据安全/隐私计算”收入分列或披露的合同负债）。
• 云厂商的机密计算实例采用率、活跃用户数（若公开披露）。

人才

• 隐私计算相关岗位招聘趋势与薪资水平可通过招聘平台间接观察行业扩张速度。

学术前沿

• 顶会NeurIPS/ICML、CCS/S&P关于隐私计算、联邦学习、同态加密、TEE的论文接收趋势；新突破（如高效同态加密硬件加速、恶意安全多方计算性能跃升）的产业化潜能。

15 信源

权威报告与白皮书

• 中国信息通信研究院隐私计算联盟：《隐私计算白皮书（2022年）》《隐私计算应用研究报告（2023年）》。
• 艾瑞咨询：《2022年中国隐私计算行业研究报告》。
• Grand View Research：《Privacy‑Preserving Computation Market Size, Share & Trends Analysis Report (2023‑2030)》。
• IDC：《Worldwide Confidential Computing and Privacy‑Preserving Computing Forecast, 2022‑2027》。

开源项目

• 隐语（SecretFlow）：https://www.secretflow.org.cn/
• FATE：https://fate.fedai.org/
• EMP‑toolkit、SEAL、Open Enclave等。

经典论文

• Yao, A. C. (1982). Protocols for secure computations. FOCS.
• Shamir, A. (1979). How to share a secret. CACM.
• Gentry, C. (2009). Fully homomorphic encryption using ideal lattices. STOC.
• Bonawitz, K., et al. (2017). Practical Secure Aggregation for Privacy‑Preserving Machine Learning. CCS.
• McMahan, B., et al. (2017). Communication‑Efficient Learning of Deep Networks from Decentralized Data. AISTATS.

书籍

• 《联邦学习》（杨强等著，电子工业出版社，2020年第一版）。
• 《深入浅出安全多方计算》（刘洋等著，机械工业出版社，2021年）。
• 《隐私计算》（中国信通院编著，2023年）。

政策文件

• 国家发改委等：《关于构建数据基础制度更好发挥数据要素作用的意见》（“数据二十条”，2022年12月）。
• 国家数据局等：《“数据要素×”三年行动计划（2024—2026年）》。
• 全国人大常委会：《中华人民共和国数据安全法》（2021年9月施行）、《中华人民共和国个人信息保护法》（2021年11月施行）。

免责声明 本页内容仅为技术概念学习与产业信息的客观梳理，不构成任何投资建议或交易指引。文中涉及的市场规模、公司信息等以相关主体最新公开披露或权威机构最新版报告为准。任何未明确标注来源的数据均已在上下文中做出说明，不可作为独立投资判断依据。