可信执行环境 (Trusted Execution Environment, TEE)

1 3 秒看懂

一句话概念：一种基于硬件的安全隔离技术，在计算设备的 CPU 等芯片上创建一个“安全飞地”，确保内部运行的代码和数据在加载、执行过程中对操作系统、虚拟机管理程序甚至物理攻击者都不可见、不可篡改。 核心关键词：硬件安全、机密计算、隐私保护、链式应用、远程证明。

2 3 分钟产业解释

产业链定位：作为隐私计算与数据安全基础设施的核心技术栈之一，属于 AI、大数据与云计算产业链中保障数据要素安全流通与模型可信执行的关键层。 技术原理简述：利用 CPU 内置的安全指令集（如 Intel SGX、AMD SEV、ARM TrustZone），在内存中开辟一块加密隔离的受保护区域。即便主机系统被完全攻破，TEE 内的数据与代码仍能保持机密性与完整性。其关键能力包括远程证明，允许外部方验证飞地内运行代码的真实性，从而在不可信平台上建立信任。 产业链结构：

• 上游：芯片与硬件厂商（提供 TEE 硬件基础，如 Intel、AMD、ARM、海光、飞腾）。
• 中游：TEE 软件栈、平台与解决方案提供商（公有云厂商、专业隐私计算公司）。
• 下游：金融、政务、医疗、AI 模型服务、数字资产管理等需要处理高敏感数据的行业应用。 核心应用场景：

1. 隐私保护机器学习：多方数据在 TEE 内联合训练，原始数据不出域。
2. 敏感数据查询/分析：对加密数据（如隐私数据库）进行安全查询和计算。
3. 数字资产与密钥管理：安全存储私钥、进行数字签名，支撑链上资产安全。
4. 可信 AI 推理：保护模型知识产权，确保输入数据隐私与推理合规。 关键数据：

• 据 IDC《中国数据安全市场研究（2023）》，2023 年中国数据安全市场规模达 98.1 亿元人民币，同比增长 27%，机密计算（含 TEE）是该市场增速最快的子领域之一（具体 TEE 细分份额公开资料未见统一口径）。
• 主流公有云厂商（AWS、Azure、Google Cloud、阿里云、腾讯云、华为云）均已提供基于 TEE 的机密计算实例，截至 2024 年底，全球已有超过 40 个区域可部署机密虚拟机或容器。

3 技术原理

TEE 的本质是在不可信的计算环境中构建一个可信的微环境，其信任根完全来自硬件。不同于单纯依靠操作系统或 Hypervisor 的软件隔离，硬件级隔离可抵御高权限攻击，实现纵深防御。

3.1 硬件隔离机制

• Intel SGX：提供“飞地”抽象，应用被划分为可信与不可信两部分，只有可信代码运行在隔离的飞地内。SGX 的内存加密引擎（MEE）对所有飞地内存进行实时加密与完整性校验，即使 BIOS、固件、OS 或虚拟机管理器被控，也无法直接读取飞地内的明文数据。SGX 要求开发者改造应用，受限于飞地内存大小（早期 128–256 MB，第三代 Xeon 可扩展至 512 GB）。
• AMD SEV/SEV-ES/SEV-SNP：面向虚拟机隔离。SEV 为每个虚拟机分配唯一的加密密钥，实现内存和 CPU 寄存器态的加密；SEV-ES 将虚拟机寄存器状态也进行加密，进一步增强防护；SEV-SNP 引入完整性保护，增加反注入、反重放攻击能力，并支持反向页表验证，防止 Hypervisor 非法映射。整个虚拟机成为一个不可被主机管理员读取的加密实例，无需修改应用。
• ARM TrustZone：将硬件资源划分为“安全世界”与“普通世界”，通过总线级隔离，构建系统级可信域，广泛应用于移动设备和嵌入式系统。ARM 近年来推出的 Confidential Compute Architecture (CCA) 进一步将机密计算扩展到服务器，支持 Realm 概念，形成类似虚拟机隔离的信任域。
• NVIDIA Confidential Computing：自 Hopper 架构（H100）起，GPU 引入机密计算能力，支持 GPU 内存加密和隔离，可保护模型参数和推理数据，在 AI 训练和推理场景中保护知识产权与用户隐私。

3.2 可信执行过程

• 安全启动与度量：在 TEE 启动代码前，对加载的代码、数据和配置进行哈希度量，与硬件中预置的授权值（如签名证书）比对，只有通过完整性验证的软件方可运行，防止恶意代码注入。
• 内存加密与隔离：所有飞地或加密虚拟机的内存页面在离开 CPU 缓存前均被硬件加密，密钥仅在 CPU 内部可用，即便物理攻击者使用 DMA 或冷启动攻击，也只能获取密文。
• 远程证明：TEE 生态的核心协议。TEE 环境可生成一个经硬件根密钥签名的证明报告，包含环境状态、软件度量值、平台配置等。数据所有者或依赖方通过验证该报告，确认代码未被篡改、运行环境正确后，再向 TEE 注入密钥或数据。
• 密封与密钥托管：TEE 提供密封功能，可将数据加密绑定到特定平台或特定飞地，防止数据被迁移到其他环境滥用。

3.3 “链式应用”的技术内涵

指多个 TEE 实例或模块可以链式调用、协同计算。在联邦学习中，多个参与方的 TEE 节点安全协商密钥并聚合梯度，确保中间结果机密；在复杂数据流水线中，数据依次流经由不同机构管理的 TEE 保护的处理模块，实现端到端的可信处理链，形成可审计、可验证的数据加工链路。

4 关键参数

评估和选型 TEE 方案时，通常关注以下核心指标（数据截至 2025 年中，以主流产品公开文档为依据）：

• 安全飞地/虚拟机内存上限：Intel SGX（第 4 代 Xeon）单飞地最大 EPC 内存 512 GB（部分实例可突破至 1 TB），AMD SEV-SNP 虚拟机内存上限受平台物理内存约束，通常可达 TB 级别，无严格飞地尺寸约束。
• 性能开销：根据云厂商与学术基准，SGX 的加解密与 EPC 换页通常带来 5–20% 的性能损失（CPU 密集任务更高）；AMD SEV 内存加密引入的开销通常在 3–10%；GPU 机密计算的内存加密开销约为 2–8%。具体取决于工作负载特征（I/O 密集或内存访问密集型）。
• 支持并发飞地 / 加密 VM 数量：SGX 受 EPC 总量和硬件调度限制，早期并发飞地数百个，新一代可到数千；SEV-SNP 受物理内存和 IOMMU 限制，典型服务器可同时运行数十个加密 VM。
• 远程证明协议：Intel DCAP (Data Center Attestation Primitives)、AMD SEV-SNP Attestation Report、NVIDIA GPU Attestation。需评估证明服务链是否支持第三方验证、与政策合规的对接能力。
• 生态与工具链：是否提供主流语言（C/C++、Python、Java）的 SDK，是否适配 Kubernetes、TensorFlow、PyTorch 等框架，是否支持无改造迁移（Lift-and-Shift）。
• 硬件依赖与供应链自主：Intel 和 AMD 方案依赖 x86 生态；ARM CCA 依赖 Armv9-A 架构；国产 CPU（海光、飞腾、鲲鹏）的原生 TEE 能力支持程度不一，部分依托 AMD 授权或自研 TEE 模块，公开资料显示，国产方案的内存加密强度、远程证明标准化与生态完整度仍存在差距。

5 技术路线

当前隐私计算领域存在多条技术路线，TEE 是其中实现通用计算性能损失最小的硬件方案，与联邦学习（FL）、安全多方计算（MPC）、同态加密（HE）形成互补。

• TEE 优势：支持通用计算，性能高，可运行复杂模型与数据库，应用改造成本相对较低（尤其虚拟机级方案），代码可审计。
• TEE 劣势：信任根依赖硬件厂商；侧信道攻击面依然存在；不同厂商方案异构，难以跨平台统一远程证明；成本高于普通计算实例。
• 与 FL、MPC、HE 的关系：
  • FL 侧重模型参数交换，TEE 可作为安全聚合节点，防止服务器窥探梯度。
  • MPC 基于密码学协议，不依赖硬件信任根，但计算和通信开销巨大，适用于轻量统计类运算，TEE 可与其混合，将在线阶段放在 TEE 内加速。
  • HE 支持直接对密文运算，但性能开销可高达百倍甚至千倍，TEE 常用于在加密状态下提取密钥材料或实现部分解密逻辑。
• 混合方案趋势：多数头部平台提供“联邦+TEE+MPC”融合方案，在安全性能与通用性间取得平衡。中国信通院测试显示，在联合建模场景下，TEE 单节点吞吐量可达纯 MPC 方案的数十倍（以样本对齐和梯度聚合为基准，2023 年隐私计算联盟评测报告）。

6 上游

上游主要是芯片设计、IP 授权与安全硬件生产，决定 TEE 能力的根基。

• Intel：SGX 作为最早的数据中心机密计算方案，已迭代至第四代 Xeon，具备丰富 SDK 和证明服务，但其客户端 CPU 已停止支持 SGX，重心转向服务器。2024 年 Intel TDX (Trust Domain Extensions) 技术进一步推动虚拟机级隔离，SGX 仍在部分业务延续。
• AMD：SEV 家族经 SEV/ES/SNP 三代演进，2024 年推出 SEV-SNP 增强版，支持更精细的密钥衍生和证明链。AMD EPYC 在公有云中的采用份额持续扩大，机密计算实例快速增加。
• ARM：TrustZone 广泛用于移动设备，CCA 于 2024 年进入服务器与边缘场景，联合安谋科技与中国生态推动符合中国法规的 TrustZone 应用。Realm 管理架构有助于虚拟化环境下的机密计算。
• NVIDIA：在 AI 训练与推理 GPU 中引入机密计算，自 Hopper 架构起支持内存加密与远程证明，2024 年发布的 Blackwell 进一步强化此能力，保护大模型权重与推理输入隐私。
• 中国厂商：
  • 海光信息：基于 AMD Zen 1 架构授权，开发 x86 平台 TEE，并推出 海光安全虚拟化 (CSV) 技术，兼容 AMD SEV 部分特性。2024 年海光 CPU 出货量进入快速增长期，但仍受制程和架构代际限制。
  • 鲲鹏/昇腾：华为基于鲲鹏 CPU 和昇腾 NPU 构建可信执行环境，采用自研 TrustZone 增强或机密计算扩展，并在华为云上提供 KAE 加密加速与服务。
  • 飞腾、龙芯：飞腾依托 ARM 架构部分内置 TrustZone，龙芯自研 LS TEE，目前生态适配及应用案例较少，公开资料显示，其 TEE 内存加密方案尚在迭代，多用于政务单机场景。
• IP 与安全芯片：紫光国微等提供独立安全芯片，可用于外挂 TEE 方案，在汽车电子、物联网等终端侧补充安全能力。

上游竞争格局呈现 Intel、AMD、ARM 三足鼎立，国产 CPU 在机密计算能力上正处于技术追赶阶段，供应链自主可控仍然是上游的关键制约因素。

7 下游

TEE 的下游应用广泛，核心驱动力来自数据合规与价值释放的双重要求。

• 金融科技：跨机构反洗钱、联合风控、信用评估、隐私计算联合建模。国内多家大型银行及金融科技公司在监管沙箱内试点基于 TEE 的数据共享，2023–2024 年落地案例显著增加。例如，某股份制银行采用 TEE 实现多方联合精准营销，模型 AUC 提升且无明文数据出域。
• 政务与公共数据：跨部门政务数据安全共享、公共数据授权运营。部分省市数据局已将 TEE 纳入“公共数据运营平台”技术规范，用于实现“数据可用不可见”。2024 年广东、浙江等地发布的数据条例或实施细则中均提及“可信执行环境”或“机密计算”技术手段。
• 医疗健康：跨医院电子病历联合分析、基因研究、医保数据挖掘。医院联盟或区域卫生信息平台中，TEE 可确保患者隐私（符合 HIPAA、《个人信息保护法》等），2023 年已有基于 TEE 的基因联合分析研究成果发表。
• AI 大模型与推理：保护训练数据隐私、模型知识产权和用户输入输出。云厂商推出“机密推理”服务，确保大模型服务方无法获取用户明文查询，企业内部也用于保护自研模型权重。2024 年多家 MaaS 平台集成 TEE 推理选项，成为向企业客户拓展的合规卖点。
• 数字资产与区块链：在链上应用中，TEE 可作为可信预言机、安全签名环境或私钥管理基础设施，避免私钥暴露在通用操作系统中。一些跨链桥或 Layer2 方案采用 TEE 承载序列器或验证节点，声称可提高安全性和性能。

从部署形态看，下游用户正从单点试点走向规模化集成，普遍要求“原生支持”且与数据治理平台无缝对接。但受硬件成本与改造成本影响，当前仍以大型机构与高价值场景为主。

8 受益公司

根据产业链环节，受益公司分为以下几类。下文仅基于公开信息客观梳理，不作任何投资价值判断。

芯片与硬件层：

• Intel、AMD、NVIDIA 直接受益于机密计算实例的云扩张，提供具备高级 TEE 能力的服务器 CPU 和 GPU。
• 海光信息（688041.SH）：国产 x86 CPU 厂商，其 CSV 技术为国内金融、政务 TEE 部署提供硬件基础。受益于信创与数据安全政策。
• 华为海思（鲲鹏/昇腾）：通过华为云及政企市场交付。
• 安谋科技（ARM 中国）、飞腾、龙芯等正在积极拓展 TEE 生态。

公有云与平台层：

• 微软 Azure、亚马逊 AWS、谷歌 GCP：作为全球机密计算的早期推动者，持续迭代机密计算产品，绑定大量企业用户。
• 阿里云、腾讯云、华为云：国内云厂商机密计算实例的先发者，将 TEE 与各自数据中台、AI 平台结合，形成一体化方案。
• UCloud、金山云等第二梯队也相继推出机密计算主机。

专业隐私计算与安全厂商：

• 蚂蚁集团（隐语）：开源隐私计算框架中集成 TEE 能力，并与蚂蚁链深度结合，在金融、政务场景中标多个项目。
• 百度（MesaTEE）：自研 TEE 框架，应用于医疗、金融领域，并为自动驾驶等业务提供数据安全。
• 浪潮信息、神州数码等服务器与集成商提供 TEE 软硬一体方案。
• 矩阵元、华控清交、星云 Clustar 等初创企业聚焦 TEE+联邦+MPC 融合平台，服务头部银行和运营商，部分已完成多轮融资。

下游行业应用与服务：

• 恒生电子、长亮科技等金融 IT 服务商在其数据平台中嵌入 TEE 能力，满足客户合规需求。
• 卫宁健康、创业慧康等医疗信息化企业在区域卫生平台中试点 TEE 加密查询。
• 各类提供数据交易的平台（如上海数据交易所、贵阳大数据交易所）正在将 TEE 纳入其交付技术选项，可能利好平台运营方。

注：上述公司名称仅用于说明产业角色，不构成任何形式推荐。

9 市场规模

TEE 作为机密计算的重要实现形式，其市场规模嵌入在更广泛的机密计算与数据安全市场中。因口径定义差异，不同研究机构数据互有出入，以下汇总可交叉验证的数据。

• 全球机密计算市场：据 Grand View Research，2023 年全球机密计算市场规模约 31 亿美元，预计 2024–2030 年复合年增长率约为 58.5%，至 2030 年有望超 400 亿美元。该统计包括 TEE、相关软件和服务。(来源：Grand View Research, “Confidential Computing Market Size, Share & Trends Analysis Report”, 2024 年发布)
• Gartner 预测：Gartner 在 2023 年报告中估计，到 2025 年将有超过 60% 的大型企业采用增强的隐私计算技术（涵盖 TEE、MPC、HE），但未单独拆分 TEE 规模。
• 中国数据安全与隐私计算市场：IDC《中国数据安全市场研究（2023）》显示，2023 年中国数据安全市场规模 98.1 亿元人民币，同比增长 27%。其中隐私计算子市场（包含 TEE、联邦学习、MPC 等）约 18–20 亿元，预计到 2027 年将接近 120 亿元（数据来源：IDC, 2024）。另据艾瑞咨询，2023 年中国隐私计算平台市场规模约 22.6 亿元，TEE 在其中占比估计约 15–20%（TEE 部分具体份额公开资料未见统一精确统计）。
• 云机密计算实例渗透率：根据各大云厂商披露的实例数量与需求增长，截至 2025 年中，机密计算实例占计算实例总数的比例仍低于 5%，但增长迅速，金融和医疗行业采纳率最高。
• 中国市场特点：受《数据安全法》、“数据二十条”等政策推动，政务与金融领域的 TEE 部署预算逐年上升，2024 年多地公共数据授权运营招标中明确要求“具备可信执行环境能力”。市场规模口径较为分散，硬件、软件和服务加总后，谨慎估算 2024 年中国 TEE 相关市场（含硬件售卖的机密计算溢价、软件平台、服务）约 30–40 亿元人民币，年增速超过 40%（综合第三方访谈与公开招标信息）。

10 玩家对比

10.1 硬件 TEE 能力对比

10.2 主流云服务商机密计算产品对比

10.3 专业平台对比

• 蚂蚁隐语：开源、融合 TEE+MPC+FL，与蚂蚁链结合，提供链上链下可信计算，生态丰富，适用于金融和政务。
• 百度 MesaTEE/SafetyNet：自研 Rust 实现的 TEE 方案，强调内存安全，支持跨平台 SGX/SEV，侧重医疗与自动驾驶。
• 华为云计算：结合自研硬件和云服务，提供机密计算容器，支持信创环境。
• 初创企业：矩阵元聚焦金融隐私计算平台，华控清交侧重多方安全计算与 TEE 结合的解决方案，星云 Clustar 推出 GPU-TEE 加速方案。

综合来看，公有云厂商通过硬件兜底和易用性占领最大份额；专业厂商靠深度融合行业 know-how 和合规方案差异化竞争。

11 风险

11.1 技术安全风险

• 侧信道攻击：尽管 TEE 内存加密，但攻击者仍可通过观察功耗、执行时间、电磁辐射等侧信道推测内部数据。2022 年 Hertzbleed 利用动态频率调整侧信道影响密钥提取；针对 SGX 的 SGAxe（2020）、Foreshadow（2018）等系列攻击证实了侧信道威胁持续存在。AMD SEV 也曾被研究者披露 SEVerity 攻击等。这些攻击通常需要本地访问或复杂的复用条件，但凸显了硬件边界的局限。
• 信任根依赖：整个 TEE 安全依赖于芯片厂商未引入后门、未泄露根密钥。若芯片存在设计缺陷或被植入恶意电路，所有上层保护将失效。这在地缘政治紧张背景下引发严重的供应链安全与主权安全讨论。
• 实现漏洞：TEE 的驱动、SDK 和中间件是攻击面。2023 年有研究指出某些云厂商的 TEE SDK 存在接口漏洞导致秘密泄露，潜在影响数百个租户。

11.2 生态与市场风险

• 碎片化：Intel SGX、AMD SEV、ARM CCA、NVIDIA CC 互不兼容，开发者和用户需为不同平台维护多套代码或镜像，增加迁移与运维成本。虽然 Confidential Computing Consortium 推动标准化，但进展缓慢。
• 可替代性竞争：TEE 并非唯一路径，联邦学习、MPC 和同态加密在某些场景提供纯软件、无硬件依赖的替代方案。对于不希望绑定特定芯片供应商的用户，纯软件方案更具吸引力；此外，部分监管可能偏好密码学方案，认为其更符合“技术中立”。
• 成本与性能限制：TEE 实例比普通实例溢价约 10–30%（参考主流云厂商定价），且内存限制（尤其是 SGX 飞地）可能导致某些应用难以直接迁移。性能开销在高并发、大数据量场景下可能成为瓶颈。
• 人员技能稀缺：TEE 开发、证明逻辑集成与安全管理需要复合型人才，市场上掌握这些技能的人才溢价显著，影响企业部署速度。

11.3 法律与合规不确定性

• 与匿名化/去标识化关系：使用 TEE 处理个人敏感数据是否满足《个人信息保护法》的“匿名化”要求（即处理后无法识别特定个人且未经第三方信息无法复原），尚无明确司法解释。实践中往往将 TEE 视为一种去标识化下的安全计算环境，而非彻底匿名化，可能仍需获得用户同意等。
• 跨境数据流动：基于 TEE 的机密计算能否被视为我国《数据出境安全评估办法》下有效的“合同约定”或“技术措施”，取决于监管对“技术措施”能否真正杜绝境外处理者接触明文的判断。目前主管机构尚未发布明确认可 TEE 为“等效安全港”的指南。
• 举证与责任归属：一旦发生数据泄露，TEE 使用者可能面临难以举证的困境，因为安全根在硬件厂商，事故溯源和责任界定复杂。

12 误读纠偏

围绕 TEE 存在一些常见误解，需要澄清：

• 误区 1：TEE 提供“绝对安全” 事实：TEE 能防御绝大多数软件和物理攻击，但并非无懈可击。侧信道、硬件木马、供应链攻击等仍是风险。因此 TEE 应被视为纵深防御的一环，而不是取代其他安全措施。

• 误区 2：任何应用都可以直接迁移进 TEE 事实：SGX 这种进程级 TEE 需要改造应用，限制可用指令和系统调用；AMD SEV 虽支持 Lift-and-Shift，但仍存在 I/O 加密、网络通信等需要适配之处。此外飞地内存受限、性能影响也可能迫使重构应用。

• 误区 3：TEE = 同态加密 事实：TEE 是基于硬件的加密隔离与计算，同态加密是基于密码学的密文计算，二者原理、性能、安全假设截然不同。TEE 计算本身是在明文上执行，同态加密则是全程密文。

• 误区 4：国产 CPU 的 TEE 方案与国外一样成熟 事实：国产 CPU 的 TEE 在安全性证明、生态规模、内存加密强度、远程证明标准化方面与 Intel/AMD 迭代多年的方案仍有差距，部分国产 TEE 当前更接近于安全启动加可信内核，而非完整机密计算实例。

• 误区 5：有了 TEE 就不需要联邦学习或 MPC 事实：三者互补而非替代。例如在 TEE 内运行 MPC 协议的在线阶段可大幅加速；联邦学习可利用 TEE 保护全局模型的参数解密。组合使用能实现更优的性能-安全权衡。

13 最新事件

截至 2025 年中，产业最新动态包括：

• NVIDIA Blackwell 机密计算：2024 年 GTC 上，NVIDIA 宣布 Blackwell 架构 GPU 全面支持机密计算，扩展至多节点训练和推理，并对接主要云厂商，保护大模型时代的双方隐私。
• Intel TDX 公开可用：2024 年第四代/第五代 Xeon 全面提供 Intel Trust Domain Extensions (TDX)，提供 VM 级隔离，简化了传统 SGX 飞地改造难度，在 Azure、GCP 等平台逐步可用。
• 中国政策加码：2024 年 5 月，国家数据局等联合发布《数据要素×三年行动计划（2024-2026 年）》，明确鼓励“基于可信执行环境等技术实现数据安全共享”，多个省市政府在公共数据授权运营招标中将 TEE 列为准入条件。
• 机密计算标准化进展：中国信通院 2024 年更新《机密计算产品能力要求》，加入对国产硬件适配、链式证明的要求；国际标准组织 IETF 成立 RATS 工作组，持续推进远程证明标准，TEE 互联互通试验已进入第二阶段。
• 行业重磅部署：某头部云厂商 2024 年推出“机密 AI 推理”服务，宣称所有大模型推理请求均在 TEE 内完成，推理明文仅存在于飞地内，成为合规大模型落地的杀手锏；蚂蚁集团、微众银行等联合推出的“跨境金融数据流通”试点采用了 TEE+区块链方案，于 2024 年通过验收。
• 安全研究警示：2024 年欧洲安全团队披露了一种针对 AMD SEV-SNP 的虚拟机间侧信道攻击，虽需特定条件，但引发业界对 TEE 物理共置风险的新讨论。

14 跟踪指标

持续追踪 TEE 技术与产业进展，可关注以下指标：

• 硬件迭代：Intel、AMD 新处理器中 TEE 内存上限与性能改进；海光、飞腾等国产芯片的 TEE 功能更新与算力提升。
• 标准与互操作性：Confidential Computing Consortium 的框架进展；IETF RATS 工作组协议草案；中国信通院机密计算相关测评基准更新。
• 云服务产品动态：头部云厂商机密计算实例的覆盖区域、降价、新特性（如机密 Kubernetes、机密容器）；机密 AI 推理的产品化成熟度。
• 行业采纳里程碑：金融行业“联合风控”项目数量与规模；政务数据运营平台中 TEE 为必选项的招标占比；医疗领域跨机构 TEE 应用科研成果。
• 安全漏洞与攻击：CVE 数据库中与 TEE 相关的漏洞数量与严重性；主要硬件厂商的固件补丁速度；主流学术会议（USENIX Security、CCS 等）中披露的 TEE 攻击与防御论文数量。
• 政策与法规：国家数据局、网信办关于数据安全技术措施的指南或认定；地方数据条例及实施细则中对“可信执行环境”的提法；跨境数据流动试点中是否认可 TEE 为合规安全措施。
• 人才与社区活跃度：GitHub 上主流 TEE 开源项目（如 Open Enclave SDK、Teaclave、Occlum、Gramine）的 Star 数、Commit 频次、贡献者数量；相关技术会议的参与度。
• 成本指标：云厂商机密计算实例与普通实例的溢价比例；TEE 服务器硬件售价趋势。

15 信源

1. Confidential Computing Consortium. About confidential computing. https://confidentialcomputing.io/about/
2. Intel Software Guard Extensions documentation. https://www.intel.com/content/www/us/en/developer/tools/software-guard-extensions/overview.html
3. AMD Secure Encrypted Virtualization. https://www.amd.com/en/developer/sev.html
4. ARM Confidential Compute Architecture. https://www.arm.com/architecture/security-features/arm-confidential-compute-architecture
5. NVIDIA Confidential Computing. https://www.nvidia.com/en-us/data-center/solutions/confidential-computing/
6. Microsoft Learn. Azure confidential computing overview. https://learn.microsoft.com/en-us/azure/confidential-computing/overview
7. Google Cloud. Confidential Computing. https://cloud.google.com/confidential-computing
8. AWS Nitro Enclaves. https://aws.amazon.com/ec2/nitro/nitro-enclaves/
9. 阿里云. 神龙加密计算与机密计算产品文档. https://help.aliyun.com
10. 华为云. 可信智能计算服务. https://www.huaweicloud.com/product/ticas.html
11. 中国信息通信研究院. 《隐私计算产品测试与评价》《机密计算产品能力要求》系列报告. (2023-2024)
12. IDC. 《中国数据安全市场研究（2023）》.
13. Grand View Research. Confidential Computing Market Size, Share & Trends Analysis Report, 2024.
14. Gartner. Emerging Technologies: Adoption Trends in Privacy-Enhancing Computation, 2023.
15. 国家数据局等.《“数据要素×”三年行动计划（2024—2026 年）》.
16. 中国人民银行.《金融科技发展规划（2022-2025 年）》中关于数据安全共享部分.
17. 安全研究文献：Van Bulck et al. “Foreshadow”, USENIX Security 2018; SGAxe, 2020; Hertzbleed, 2022; SEVerity, 2023 等.
18. Confidential Computing Consortium. A Technical Analysis of Confidential Computing v1.3, 2023.
19. 开源项目：Open Enclave SDK (https://github.com/openenclave), Teaclave (https://github.com/apache/incubator-teaclave), Gramine (https://github.com/gramineproject/gramine).

免责声明：以上内容仅为技术概念与产业信息梳理，不构成任何投资、商业或法律建议。所有市场数据均来源于公开行业报告与机构披露，统计口径和时间可能与最新实际情况存在差异，请以官方发布为准。文中提及的公司、产品或技术仅作示例，不代表任何形式推荐。