隱私計算

1 3 秒看懂

隱私計算是一套“資料可用不可見”的技術體系，它允許多個數據持有方在不暴露原始資料的前提下，聯合完成計算任務並獲取結果，是破解資料要素流通與隱私安全矛盾的關鍵基礎設施。

2 3 分鐘產業解釋

在資料成為核心生產要素的當下，“資料孤島”與隱私保護合規是制約資料價值釋放的最大瓶頸。企業、機構乃至政府之間沉澱了大量高價值資料，但因《資料安全法》《個人資訊保護法》等法規約束、商業機密顧慮以及技術信任缺口，直接共享原始資料幾乎不可能。

隱私計算改變了“資料搬家”的舊思路，轉而讓“演算法搬家”或“計算搬家”，實現 “資料不動價值動”。典型業務場景包括：

• 聯合風控：銀行與電信運營商在不洩露各自客戶明細的前提下，聯合訓練反欺詐、信用評估模型，提升風險識別能力。
• 聯合營銷：品牌商與電商平台在互相不暴露終端使用者具體身份的條件下，完成使用者特徵交集、精準廣告投放與效果歸因。
• 醫療研究：多家醫院在不交換患者原始病歷的情況下，聯合開展疾病預測模型訓練、新藥靶點發現或多中心臨床統計分析。
• 政務資料開放：政府部門在保障公民隱私與國家資料安全的前提下，對外提供安全的資料分析服務，支援智慧城市、普惠金融等公共應用。

從產業視角看，隱私計算扮演著資料要素市場的 “管道”與“安全閥”，其本身不直接生產資料，而是為資料的安全、合規、高效流通提供底層技術保障與可審計的信任傳遞機制。

3 技術原理

隱私計算並非單一演算法，而是由密碼學協議、分散式計算和硬體安全技術構成的交叉體系。核心思想是在整個計算生命週期中保護資料的機密性、完整性和可用性，確保原始資料對除資料持有者之外的任何方不可見，而僅輸出約定的計算結果。

1. 安全多方計算（Secure Multi‑Party Computation， SMPC） 其理論基礎可追溯至姚期智1982年提出的“百萬富翁問題”。現代SMPC主要依賴秘密共享、混淆電路和不經意傳輸等密碼學原語，構造多方協議。參與方各自輸入秘密值，通過協議互動計算一個約定函式，最終各方僅獲得函式輸出，協議可以抵抗半誠實敵手甚至惡意敵手。 示意流程：

參與方A (秘密x) ─── 秘密共享/混淆電路協議 ─── 參與方B (秘密y)
         │                                      │
         └── 互動中間訊息，不洩露x,y ──┘
                      │
               各方獲得結果f(x,y)

其安全依賴於密碼學假設（如DDH假設等），理論完備性強，但通訊輪次與計算開銷往往隨函式複雜度急劇增加。

2. 可信執行環境（Trusted Execution Environment， TEE） TEE利用硬體級隔離能力（如Intel SGX、AMD SEV、ARM TrustZone），在記憶體中建立加密保護的“飛地（enclave）”，應用程式和資料在飛地內以明文執行，而飛地外的作業系統、虛擬機器監控器或雲端管理員均無法訪問。處理完成後，結果經完整性校驗送達請求方。 示意：

不可信OS/雲端平台
      │
      │ 硬體強隔離（記憶體加密、訪問控制）
      ▼
 [TEE飛地] ← 加密載入程式碼與資料
      │
      │ 可信執行
      ▼
  加密輸出結果

TEE的效能損耗相對較小，通用性較好，但安全依賴於硬體廠商可信假設，並需關注側通道攻擊等前沿威脅。

3. 聯邦學習（Federated Learning， FL） 聯邦學習是一種分散式機器學習架構，參與方各自在本地資料上訓練模型，僅將模型引數（如梯度）傳送至中央伺服器進行安全聚合，原始資料不出域。為進一步保護引數隱私，常結合差分隱私（DP）、安全聚合（Secure Aggregation）或功能加密等技術。 經典聯邦平均（FedAvg）流程：

中央伺服器 ──分發全域性模型──→ 參與方1   參與方2
        ▲                      │          │
        │本地梯度加密/擾動─────┘          │
        │本地梯度加密/擾動─────────────────┘
        │
   安全聚合後更新模型
        │
   ────分發新模型────

此架構適用於大規模分散資料訓練場景，但面臨資料非獨立同分布（Non‑IID）、通訊效率與梯度洩露風險等挑戰。

4. 融合架構 在實際工程部署中，三種技術路線常深度融合：例如在聯邦學習中用SMPC協議完成梯度安全聚合，或將TEE作為可信聚合節點以降低對中心伺服器的信任假設，或利用同態加密（HE）對中間引數進行密態計算。融合架構可綜合各路線優勢，達成安全、效能與靈活性之間的更有彈性的平衡。

4 關鍵引數

評估隱私計算方案時需從多維指標綜合考量，以下為行業通用度量維度（具體數值因場景和實現差異極大）：

• 安全性

  • 敵手模型：半誠實（誠實但好奇）vs. 惡意（主動偏離協議），協議能否提供可證明安全。
  • 洩露定義：僅洩露計算結果 vs. 可能洩露部分中間資訊（如訪問模式、通訊圖）。
  • 安全假設：密碼學假設（離散對數、LWE等）、硬體可信假設（TEE廠商可信根）、串謀容忍度等。

• 效能開銷

  • 通訊複雜：總傳輸位元組量、通訊輪次。例如，基於秘密共享的SMPC在複雜函式下每乘法門可能產生數個分片交換；某些安全聚合協議每輪上傳幾KB到數百KB。
  • 計算開銷：端到端執行時間，與明文計算相比的倍數。特定協議在邏輯迴歸訓練中可能比明文慢1‑3個數量級，但針對XGBoost、神經網路最佳化後可將開銷控制在可接受範圍內。
  • 延遲：單次查詢或單輪迭代的延遲，影響即時性應用。

• 準確度：聯合計算輸出質量與集中式明文計算結果的偏離程度，常用AUC損失、精度差、推論準確率下降百分比衡量，通常在1%以內為可接受。

• 可擴充套件性：支援的最大參與方數量、特徵維度、資料總量，以及是否支援動態加入退出。

• 通用性與易用性：所覆蓋的演算法/運算元種類（SQL類、統計分析、機器學習模型、圖計算等），API與排程系統的友好度，與現有大數據平台（Spark、Hadoop等）的整合難度。

• 合規性：滿足GDPR、國內三法（網安法、數安法、個保法）等法規的技術要求程度，是否通過信通院等機構的評測認證（如大數據產品能力測評、隱私計算平台基礎能力評測）。

• 可用記憶體與硬體依賴（針對TEE）：飛地可用安全記憶體容量（例如早期SGX EPC僅約128MB或256MB，強化後的大容量版本可能達512GB以上），上下文切換開銷，以及所需CPU型號限制。

5 技術路線

隱私計算的技術譜系可按安全基座分為密碼學路線、硬體路線和分散式學習路線，具體涵蓋：

• 密碼學路線

  • 安全多方計算（SMPC）：協議型別包括基於秘密共享（如Shamir 1979）、基於混淆電路（Yao 1986）、基於不經意傳輸擴充套件等。可細分為非同步、同步、無互動（如使用同態加密實現非互動；其中**全同態加密（FHE）**允許在密文上直接進行任意計算，無需互動，但計算開銷極高，尚處於實用性加速階段）。
  • 差分隱私（DP）：通過增加數學證明的噪聲為個體資訊提供可量化保護，常作為SMPC或FL的輔助手段。
  • 零知識證明（ZKP）等：側重計算正確性證明與驗證，可用於計算結果驗證。

• 硬體路線

  • 可信執行環境（TEE）：代表性技術包括Intel SGX、AMD SEV‑SNP、ARM CCA，以及國產平台如海光CSV、飛騰TEE等。
  • 信任根在硬體，側通道防禦方案持續演進。

• 分散式學習路線

  • 聯邦學習：橫向聯邦（特徵相同，樣本不同）、縱向聯邦（樣本重疊，特徵互補）和聯邦遷移學習，以及去中心化的Swarm Learning等。
  • 安全聚合協議：由裝置級加噪（DP‑FL）到基於秘密共享的聚合，逐步增強隱私保障。

技術演進簡史

• 1980s～1990s：混淆電路、秘密共享等理論基石奠定。
• 2009年：Gentry提出首個可行的全同態加密方案。
• 2015年：Intel SGX商用，微軟推出VC3等系統。
• 2016年：Google提出聯邦學習並用於Gboard移動鍵盤。
• 2018年以後：GDPR生效推動產業需求爆發；螞蟻集團、微眾銀行等開源FATE、SecretFlow（隱語）等架構；中國將隱私計算寫入多項政策，進入規模化商業試點。

三條路線互補 密碼學路線安全假設更透明但效能受限；硬體路線通用性與效能優越但依賴專有硬體且側通道攻擊面持續演化；聯邦學習工程生態成熟但可能需額外密碼學增強隱私。現代系統傾向於“混合引擎”設計：針對不同任務和安全等級，按需編排SMPC/TEE/FL運算元。

6 上游

隱私計算產業上游主要為基礎硬體、密碼學庫與雲端基礎設施。

• 晶片與硬體

  • CPU廠商：Intel（SGX）、AMD（SEV）、ARM（TrustZone、CCA），以及國產晶片廠商海光（CSV）、飛騰（TEE），華為鯤鵬等提供TEE能力。
  • GPU/加速卡：作為聯合計算中的高效能算力支援，部分開始整合隱私計算能力。
  • 專用密碼加速卡/AI晶片：通過硬體加速AES、模冪、同態加密等運算，降低密態計算開銷。

• 密碼學與軟體開發套件

  • 開源密碼學庫：libsnark、EMP‑toolkit、HElib、SEAL、Palisade等提供同態加密或SMPC原語。
  • TEE SDK：Intel SGX SDK、Open Enclave、Google Asylo等，降低飛地開發門檻。
  • 安全容器/執行環境：提供統一可信執行抽象（如機密容器）。

• 雲端基礎設施與服務提供商

  • 公有雲端：阿里雲端、華為雲端、AWS、Azure等推出基於TEE的機密計算例項（如阿里雲端神龍/Inclavare、Azure Confidential Computing）。
  • 私有雲端與混合雲端：金融等行業自建機密計算叢集，提供加密資源池。

7 下游

隱私計算的下游需求方覆蓋所有擁有高敏感資料和跨機構協作需求的領域，核心客戶群包括：

• 金融行業（一級市場滲透率最高）

  • 銀行、消費金融公司：聯合風控、多頭借貸檢測、企業徵信聯合建模、反洗錢資訊共享。
  • 保險：醫療資料核保、跨機構理賠協同。
  • 證券/基金：跨機構合規監控、另類資料協作研究（公開案例限於試點）。

• 政務與公共服務

  • 部委與地方資料局：政務資料跨部門安全共享、公共資料授權運營。
  • 智慧城市：交通、環保、應急資料融合。
  • 央行/監管機構：監管科技（RegTech）資料採集與分析。

• 醫療與生命科學

  • 多中心藥物研發、罕見病研究、基因組資料協作、醫療影像AI聯合訓練。
  • 健康管理平台與保險公司之間的安全資料分析。

• 廣告與網際網路

  • 跨平台廣告歸因、使用者畫像增強、反作弊資料協作。
  • 隱私保護下的推薦系統聯合訓練（如“聯邦推薦”）。

• 工業與物聯網

  • 供應鏈跨企業資料共享（預測、庫存最佳化）、裝置預測性維護聯合建模。

目前下游仍以頭部金融機構和政務客戶為主，客單價高但實施週期長，中小企業市場尚未規模開啟。

8 受益公司

隱私計算產業鏈的參與方可分為三類，其受益邏輯各異（以下基於公開資訊進行定性描述，不構成投資建議）：

1. 專業隱私計算廠商 以華控清交、洞見科技、富數科技、鍩崴科技、翼方健數等為代表，專注自研隱私計算平台，技術積累深厚，往往聚焦金融、政務等頭部客戶，通過軟體授權或解決方案獲取營收。其中華控清交以SMPC和多方混合協議見長；洞見科技在金融銀行間市場有較多落地案例；鍩崴科技精耕醫療&政務；翼方健數以“全棧”方案切入。

2. 大型科技公司 螞蟻集團、騰訊、百度、華為、京東等將隱私計算作為雲端服務或資料智慧平台的內嵌能力，不單獨售賣平台，而是拉通自身雲端、資料中臺產品生態。螞蟻集團開源SecretFlow（隱語）並推出摩斯（MORSE）平台，覆蓋SMPC/TEE/FL；騰訊隱私計算整合進騰訊雲端WeData、TDPS等產品；華為以可信計算能力融入ModelArts、可信智慧計算服務TICS等。

3. 傳統資料安全與大數據廠商 奇安信、深信服、安恆、天融信等將隱私計算作為資料安全能力模組，與資料防洩露產品形成整合方案。部分大數據服務商如星環科技、數夢工場也在其資料平台中加入隱私計算中介軟體。

在二級市場，上述大型科技公司或安全廠商可通過資料要素、數字經濟、信創等主題概念被市場關注，但隱私計算在其營收佔比中仍較小（公開資料未見精確拆分）。一級市場中，專業隱私計算公司密集融資集中在2021‑2022年，2023年後融資步伐有所放緩，部分轉向業務深耕。

9 市場規模

隱私計算市場整體處於早期高速增長階段，不同機構的統計口徑和預測數值差異較大，核心資料參考如下：

• 中國市場

  • 據中國信通院隱私計算聯盟調研及《隱私計算白皮書（2022年）》指出，2021年中國隱私計算平台與相關服務市場規模在數億元人民幣級別，預計到2025年將超過百億元人民幣（口徑：平台軟體、服務及整合營收）。
  • 艾瑞諮詢《2022年中國隱私計算行業研究報告》估算，2021年中國隱私計算行業市場規模約4.6億元，2022年約7.2億元，預計2025年將達到145.1億元，2021‑2025年複合增長率約138%（口徑：供應商端軟體產品及服務營收）。
  • 在政策推動下，金融機構與政務資料共享專案貢獻了主要市場增量，2023年後行業進入快速擴容期。

• 全球市場

  • 據Grand View Research 2023年報告估計，2022年全球隱私計算市場規模約為16億美元，預計2030年將超過150億美元，複合年增長率超35%（口徑：包括安全多方計算、同態加密、可信執行環境等軟硬體及服務）。
  • IDC於2022年預測，全球隱私計算與機密計算相關市場將在2027年達到約250億美元（口徑：機密計算基礎設施與服務）。
  • 北美和歐洲受GDPR等法規驅動，金融、醫療與通訊行業為主要需求來源；中國作為資料要素化戰略最積極實施者之一，成為全球增速最快的區域市場。

警示：市場資料因定義範圍（是否包含HE、DP、TEE硬體本身、聯邦學習單獨模組）與統計方法論差異，不同來源波動巨大，建議交叉驗證並關注最新年度報告。

10 玩家對比

以下選取代表性廠商（非完全列表），基於公開資訊從技術路線、落地行業、關鍵能力等維度進行對比（來源：各公司官網、信通院評測公告、公開採訪等，截至2024年Q1）：

廠商	技術路線	代表性產品/平台	主要功能形態	落地行業	開源情況	融資/公開資訊
螞蟻集團/螞蟻數科	SMPC+TEE+FL混合	摩斯（MORSE）、隱語（SecretFlow）	雲端原生隱私計算平台+開源架構	金融、政務、醫療	隱語開源	集團背景，非單獨融資
華控清交	SMPC主導，協議最佳化	承影平台	高效能多方安全計算平台	金融、政務	未開源	獲多方創投注資，2021年完成數億元級融資
洞見科技	SMPC+FL結合	洞見數智聯邦平台 InsightOne	分散式隱私計算與聯邦學習	金融（多地銀行）、保險	部分開源	2022年完成Pre‑B輪融資
翼方健數	TEE+SMPC+FL全棧	翼數坊 XDP	資料流通與協作網路	醫療、政務、保險	未開源	2022年完成B+輪融資
鍩崴科技	SMPC+HE+FL	NovaVita/NovaAI	醫療/政務專用隱私計算平台	醫療（多中心研究）、政務	未開源	2021‑2022年獲多輪融資
騰訊	SMPC+TEE+FL	騰訊雲端隱私計算與TEE服務	集成於WeData、TDPS、機密計算例項	金融、政務	部分元件開源	—
微眾銀行	FL為主體	FATE	聯邦學習開源架構	金融、網際網路	開源	發起成立LF AI & Data基金會下的FATE專案
百度	SMPC+TEE+FL	點石、機密計算平台	AI平台內建能力	金融、廣告、政務	部分開源	—
華為	TEE+FL	可信智慧計算服務TICS	華為雲端上機密計算與聯邦學習	政務、金融	未開源	—

差異化簡析

• 螞蟻隱語/摩斯以混合路線和開源生態推動標準，工程化能力強。
• 華控清交偏重密碼學原始創新，在安全假設嚴謹的金融場景有一定認可。
• 微眾FATE佔據聯邦學習開源社群最大生態，服務大量中小銀行。
• 翼方健數與鍩崴科技深耕醫療資料協作，受行業合規密集需求推動。
• 雲端廠商（騰訊、百度、華為）不將隱私計算獨立商業化，而是作為留住資料與AI客戶的基礎能力。

競爭格局尚未定型，客戶常進行多產品POC對比，未來競爭焦點將轉向標準化程度、生態適配性與聯合運營能力。

11 風險

技術風險

• 密碼學路線效能瓶頸：SMPC和FHE仍難以勝任超大規模、低延遲場景，若加速進展慢於預期，可能限制市場拓展。
• 側通道與硬體漏洞：TEE近年在Spectre、Meltdown、側通道攻擊中不斷暴露新的攻擊面，依賴硬體廠商的及時修復與遷移。
• 融合架構複雜性：混合引擎的設計、排程與安全性論證複雜度高，可能引入跨路線的安全漏洞。
• 輸出隱私風險：即使計算過程安全，聚合後的模型或統計結果仍可能遭受成員推論攻擊、屬性推斷等，需要輸出側加裝差分隱私等防護，可能導致結果精度下降。

商業風險

• 專案制佔比高：當前多數專案仍屬定製化解決方案，交付週期長、毛利率受限，標準化產品或可複用的網路型協作生態尚未普及。
• 頭部客戶集中：銀行、政務等頭部客戶貢獻大部分營收，一旦其預算週期波動或自研能力增強，會對專業廠商造成較大影響。
• 成本敏感性：中小企業資料價值挖掘意願強，但對部署隱私計算的額外成本（技術及人員）極度敏感，阻礙從頭部向腰部滲透。

政策與合規風險

• 標準與評測滯後：隱私計算平台的安全性評測標準仍處快速發展期，不同國家或行業的認證互認性不足，跨國協作常遇壁壘。
• 法規的不確定性：資料跨境傳輸規則、個人資訊如何與隱私計算配合合規等細節在國際層面仍存在分歧，可能影響出海業務。

人才與生態風險

• 掌握密碼學、分散式系統、AI的複合型工程人才稀缺，人才爭搶抬升研發成本；開源社群雖快速發展，但核心貢獻者仍集中於少數機構。

12 誤讀糾偏

誤讀一：隱私計算等同於“資料絕對安全”，可一勞永逸。 糾偏：隱私計算基於特定安全假設（如SMPC中的串謀半數不誠實、TEE的硬體可信根、FL梯度可被逆向還原部分樣本特徵等）。實際部署中，假設一旦被打破（如側通道攻擊成功、密碼學協議實現缺陷）就可能出現隱私洩露。此外，即便計算過程無洩露，惡意方仍可從輸出結果進行“模型逆向”“成員推論”攻擊，因此需要配合輸出擾動（DP）和制度約束，無法僅靠單一技術實現“絕對安全”。

誤讀二：隱私計算效能低下，無實際生產價值。 糾偏：早期實驗性SMPC效率確實極低。但經過數年針對性演算法最佳化、硬體加速與專用協議設計（如剪下選擇、並行化、離線預計算），隱私計算已在大量實際業務（銀行聯合風控周級更新、隱匿查詢延遲<1秒等）閉環執行。應基於具體場景的時延容忍度與資料價值來評估，不宜以“全場景”效能要求一概否定。

誤讀三：聯邦學習就是“資料不出域”的完美隱私保護方案。 糾偏：僅原始資料不出域並不完備；梯度本身會洩露原始資料資訊（梯度洩露攻擊）。現實中聯邦學習通常結合安全聚合、差分隱私或同態加密來保護梯度，才構成真正的“強隱私”FL。僅部署原生FedAvg不能視為完整的隱私計算方案。

誤讀四：隱私計算只是技術問題，採購一個平台即可。 糾偏：成功落地需要法律、合規、安全策略與多方商業協議協同。資料協作的商業模型（如資料定價、收益分配）、資料定義對齊、審計機制等非技術因素往往決定專案成敗。隱私計算是“技術+制度”的共同體。

13 最新事件

（時間至2024年5月，基於公開資訊）

• 2024年1月：國家資料局等17部門聯合印發《“資料要素×”三年行動計劃（2024—2026年）》，多處明確鼓勵運用隱私計算等安全可信的技術推動資料融合應用，重點支援金融、醫療、商貿等領域，被視為隱私計算規模化落地的國家級政策訊號。
• 2024年4月：中國資訊通訊研究院啟動新一輪隱私計算平台評測，新增“多方安全計算+聯邦學習+TEE”混合引擎專項測試，推動融合架構標準化。
• 2023年12月：中國信通院釋出《隱私計算應用研究報告（2023年）》，指出金融行業隱私計算部署由單點試點向多業務網路化協作演進，政務資料共享專案加速上馬。
• 2023年11月：OpenEnclave社群宣佈進入維護模式；機密計算社群轉向更統一的Confidential Computing相關基金會（如CCC）工作，行業軟體棧趨向整合。
• 2023年9月：螞蟻集團釋出隱語（SecretFlow）1.5版本，擴充套件對通義千問等大型模型的安全推論與微調支援，安全大型模型隱私計算成為新興方向。
• 2023年7月：《商用密碼管理條例》修訂版生效，對密碼演算法國內落地提出更明確要求，間接推動隱私計算中密碼學演算法（如SM2/SM4等）的國產化替代程序。
• 2023年6月：全球多家銀行在SWIFT網路下完成基於SMPC的跨境反洗錢聯合分析試點，將隱私計算推向國際金融報文協作場景。
• 2023年3月：中國國家資料局組建方案公佈，資料要素基礎制度加速建置，隱私計算基礎設施化趨向明晰，帶動多地資料交易所引入隱私計算作為資料流通的技術選項。

14 追蹤指標

政策與標準

• 國家資料局及地方資料局的後續法規與實施方案出臺節奏，特別是對隱私計算技術合規地位的明確表述。
• 隱私計算國家標準、行業標準（如GB/T、JR/T金融行業標準）的制定進度及釋出情況。
• 資料跨境流動認證中隱私計算接受度變化。

技術與生態

• 隱私計算開源專案活躍度（如隱語、FATE、PrimiHub等的GitHub Star、貢獻者數量、版本釋出頻率），反映技術迭代與社群健康度。
• 硬體TEE新進展：第四代/第五代Intel Xeon Scalable處理器的SGX‑TDX可用性，國產機密計算晶片的量產與應用。
• 安全攻防競賽：如清華/信通院組織的隱私計算安全攻防賽（同臺攻擊與防禦）湧現的新型攻擊方法和防禦升級。

市場與商業

• 頭部銀行、保險公司、資料交易所的隱私計算招標專案數量與金額（公開採招資訊）。
• 專業廠商的客戶數、復購率、增購以及最新融資輪次（若上市則關注財報中“資料安全/隱私計算”營收分列或揭露的合同負債）。
• 雲端廠商的機密計算例項採用率、活躍使用者數（若公開揭露）。

人才

• 隱私計算相關崗位招聘趨勢與薪資水平可通過招聘平台間接觀察行業擴張速度。

學術前沿

• 頂會NeurIPS/ICML、CCS/S&P關於隱私計算、聯邦學習、同態加密、TEE的論文接收趨勢；新突破（如高效同態加密硬體加速、惡意安全多方計算效能躍升）的產業化潛能。

15 信源

權威報告與白皮書

• 中國資訊通訊研究院隱私計算聯盟：《隱私計算白皮書（2022年）》《隱私計算應用研究報告（2023年）》。
• 艾瑞諮詢：《2022年中國隱私計算行業研究報告》。
• 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》。

開源專案

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

經典論文

• 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.

書籍

• 《聯邦學習》（楊強等著，電子工業出版社，2020年第一版）。
• 《深入淺出安全多方計算》（劉洋等著，機械工業出版社，2021年）。
• 《隱私計算》（中國信通院編著，2023年）。

政策檔案

• 國家發改委等：《關於建置資料基礎制度更好發揮資料要素作用的意見》（“資料二十條”，2022年12月）。
• 國家資料局等：《“資料要素×”三年行動計劃（2024—2026年）》。
• 全國人大常委會：《中華人民共和國資料安全法》（2021年9月施行）、《中華人民共和國個人資訊保護法》（2021年11月施行）。

免責宣告 本頁內容僅為技術概念學習與產業資訊的客觀梳理，不構成任何投資建議或交易展望。文中涉及的市場規模、公司資訊等以相關主體最新公開揭露或權威機構最新版報告為準。任何未明確標註來源的資料均已在上下文中做出說明，不可作為獨立投資判斷依據。