隐私计算前沿：联邦学习、安全多方计算与可信执行环境的工程落地

引言

在数据即石油的时代，如何在"数据可用不可见"的前提下释放数据价值，成为技术界和商业界的共同诉求。Privacy-Preserving Computation（隐私计算）正是在这一背景下兴起的技术体系。

联邦学习（Federated Learning）

联邦学习由Google在2016年提出，核心思想是"数据不动模型动"。多个参与方在本地训练模型，仅交换模型参数（梯度或权重），由中央服务器聚合更新全局模型。

根据数据划分方式，联邦学习可分为三类：

• 横向联邦学习：特征重叠多、样本重叠少。典型场景：不同银行各自有大量客户但客户交集小，联合建模反欺诈模型。
• 纵向联邦学习：样本重叠多、特征重叠少。典型场景：同一地区的银行和电商平台共同拥有大量用户，但特征维度不同，联合建模信用评分。
• 联邦迁移学习：样本和特征重叠都少。利用迁移学习技术弥补数据分布的差异。

联邦学习面临的主要挑战包括：通信效率（大量轮次传输）、数据异质性（Non-IID数据分布）、梯度泄露攻击（通过共享梯度反推原始数据）。解决方案包括梯度压缩、差分隐私保护、安全聚合协议。

安全多方计算（Secure Multi-Party Computation, MPC）

MPC源自姚期智院士1982年的"百万富翁问题"：两个百万富翁想比较谁更富有，但不愿透露各自的财富值。MPC允许多方在不泄露各自输入的情况下联合计算一个函数。

MPC的核心密码学原语包括：

• 秘密共享（Secret Sharing）：将秘密分割为多份，任何少于阈值的份额都无法恢复原始秘密。Shamir秘密共享基于多项式插值。
• 混淆电路（Garbled Circuits）：由姚期智提出，将任何计算转化为布尔电路，通过对称加密和OT协议安全计算。适用于两方场景。
• 茫然传输（Oblivious Transfer, OT）：发送方有两条消息，接收方选择获取其中一条，发送方不知道被选择的是哪条。OT是MPC的基础构件。
• 同态加密（Homomorphic Encryption）：允许在密文上直接计算，解密后结果与明文计算一致。全同态加密（FHE）理论上支持任意计算，但效率仍有待提升。

MPC的工程落地需要关注电路编译优化、协议选择和通信轮次。当前主流框架包括MP-SPDZ、SCALE-MAMBA、CrypTFlow等。

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

TEE通过硬件隔离技术在处理器内创建安全区域（Enclave），保证代码和数据的机密性与完整性，即使操作系统或Hypervisor也无法窥探。

主流TEE实现：

• Intel SGX：基于指令集的Enclave机制，内存加密，支持远程认证。主要挑战：Enclave内存限制（约128MB-256MB）、侧信道攻击风险。
• ARM TrustZone：将系统分为安全世界（Secure World）和普通世界（Normal World），适合嵌入式和移动端场景。
• AMD SEV：虚拟机级别的内存加密，面向云场景的机密计算（Confidential Computing）。
• RISC-V Keystone：开源的TEE实现，可定制性强，社区活跃。

TEE的优势在于性能损耗低（相比MPC低数个数量级），局限性在于需要信任硬件厂商、存在侧信道攻击面。

工程落地的权衡与选择

实际工程中，三种技术常组合使用（Hybrid方案）：TEE内运行MPC协议加速关键步骤、联邦学习框架使用MPC保护梯度传输。

监管合规视角

中国《个人信息保护法》、《数据安全法》的出台，使隐私计算从"可选项"变为"必选项"。金融行业的监管沙盒机制为隐私计算产品提供了合规验证路径。选择隐私计算方案时，除了技术指标，还需评估方案是否满足监管审计要求和数据可追溯性。

展望

隐私计算正从学术研究走向规模化落地。随着硬件性能提升、编译器优化和标准化推进，"数据可用不可见"终将成为数字社会的默认基础设施。