从隐私计算实现的目标来看，能实现隐私保护的同时支持数据价值分析的技术方案都可被列入隐私计算的范畴。其中典型的技术路线包括多方安全计算（Secure Multi-party Computation ，MPC）是多个参与方基于密码学技术共同计算一个目标函数，保证每一方仅获取自己的计算结果，无法通过计算过程中的交互数据推测出其他任意一方的输入和输出数据的技术;联邦学习（Federated Learning，FL）可以实现在本地数据不出库的情况下，通过对中间加密数据的处理来完成多方对共享模型的机器学习训练;可值执行环境（TrustedExecution Bnvironment，TEE）是将软硬件方法构建的安全区域与其他应用和操作系统隔离开，使得操作系统和其他应用无法访问或更改该安全区域中的代码和数据，从而达到保护敏感数据和代码效果的技术;同态加密（Homomorphic Encryption，E）是基于数学难题的计算复杂性理论的密码学技术，能确保在密文上直接进行计算后对输出进行解密，得到的结果和直接明文计算的结果一致。零知识证明（Zero——Knowledge Proof，ZKP）是基于密码学技术，证明者能在不向验证者提供任何有用信息的情况下，使验证者相信某个论断是正确的；差分隐私（Differential Privacy，DP）是通过对数据集添加噪声，避免相邻两个数据集在发布聚合计算结果时单条数据记录的泄露。数字经济兴起以来，各国通过法律法规和国际条约来规范数据的采集和使用，提出了授权同意、匿名化、安全审查等一系列合规要求，其目的在于保障国家安全、市场竞争秩序、个人隐私、人身及财产安全、个人数据自主权利等法益。在数据合规日趋收紧的背景下，隐私计算提供了合规前提下充分挖掘数据价值、促进数据流通的一种可行的技术解决方案。但与此同时，如何评估隐私计算技术及产品的合规性、如何约定参与方的权利义务以及如何规避法律风险等问题也成为

行业普遍关心的热点话题。

来源：隐私计算联盟

关于我们

我们是一家专注于分享国内外各类行业研究报告/专题热点行业报告/白皮书/蓝皮书/年度报告等各类优质研究报告分享平台。所有报告来源于国内外数百家机构，包含传统行业、金融娱乐、互联网+、新兴行业、医疗大健康等专题研究.....目前已累积收集近80000+份行业报告，涉及众多大板块，多个细分领域。

内容涵盖但不限于（市面上有的基本都有）：

1、互联网运营、新媒体、短视频、抖音快手小红书等等；

2、房地产、金融、券商、保险、私募等；

3、新技术（5G）、金融科技、区块链、人工智能类；

4、电子商务、市场营销、运营管理、麦肯锡、德勤等；

5、快消品、餐饮、教育、医疗、化妆品、旅游酒店、出行类等；

免责声明：

本平台只做内容的收集及分享，报告版权归原撰写发布机构所有，由星夜智库社群通过公开合法渠道获得，如涉及侵权，请联系我们删除；如对报告内容存疑，请与撰写、发布机构联系。