甲子光年智库：2021隐私计算行业研究报告（39页）.pdf

《甲子光年智库：2021隐私计算行业研究报告（39页）.pdf》由会员分享，可在线阅读，更多相关《甲子光年智库：2021隐私计算行业研究报告（39页）.pdf（39页珍藏版）》请在三个皮匠报告上搜索。

1、隐私计算是涵盖众多学科的交叉融合技术，目前主要的三大支撑技术为区块链、联邦学习和安全多方计算。近些年，微众银行深耕隐私计算，在隐私计算三大支撑技术方面均形成了丰富的实践成果。区块链因其智能合约、共识机制等技术特性，可实现隐私计算过程中可信的跨管理域数据存证和防篡改可验证的数据流通，非常适合隐私计算多边信任关系的建立，成为隐私计算技术中必不可少的选项。隐私计算在区块链基础上，可进一步实现数据价值有序流通、协同生产的自然延伸，这是完善数据基础设施、构建数据价值闭环的关键技术能力。基于多年在区块链领域的攻关和沉淀，微众银行有发展隐私计算的先发优势。目前，微众银行发布的区块链开源核心项目已超过 10个

2、，构建了涵括底层、中间件和应用组件在内的全栈技术体系，可为隐私计算提供分布式数字身份、数据审计、数据治理、分布式计算任务协调等一系列分布式配套基础设施。微众银行牵头研发的金融级区块链底层开源平台FISCO BCOS，于2017年正式对外开源，具备高性能、安全可控、功能丰富等优势，从国密算法、操作系统、芯片架构到服务器平台，实现全链路国产化支持,为开展区块链应用提供安全可靠的基础设施。其成为国家信息中心顶层设计的国家级区块链基础设施BSN中首个国产联盟链底层框架，汇聚2000+企业机构、40000+开发者建成最大最活跃的国产开源联盟链生态圈，支撑生态内企业数百个应用项目的研发，已有超120个应用

3、投入使用，覆盖健康码跨境互认、政务、监管科技、社会治理、版权保护等业务场景。以联邦学习为代表的人工智能与隐私保护技术的融合衍生是目前主流的隐私计算技术主要方向之一。联邦学习实际上是一个综合性的技术组合，底层融合了多种机器学习算法和隐私保护的算子，能够在本地原始数据不出库的情况下，通过对中间加密数据的流通与处理来完成多方联合的机器学习训练，能够有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和联合建模。2019年2月，微众银行将自主研发的全球首个工业级联邦学习框架FATE予以正式发布并全面开源。该项目不仅提供了一系列开箱即用的联邦学习算法、比如LR、GBDT、DNN等

4、，还给开发者提供了实现联邦学习算法和系统的范本，使得大部分传统算法都可以经过一定改造适配到联邦学习框架中来。同时，FATE提供了一套友好的跨域交互信息管理方案，解决了联邦学习信息安全审计难的问题，大幅提升了隐私计算的性能。基于WeDPR，微众银行自主研发了多方大数据隐私计算平台WeDPR-PPC。这是一个支持多方平等协作和大数据复杂逻辑密文计算的高性能隐私计算平台，并基于区块链和安全多方计算的优势，实现在确权、授权和维权的全生命周期管理下，达到多方数据的联合报表、联合计算、隐私查询、联合建模和预测等。该平台具备十亿级别的大数据处理能力，支持任意多方的隐私数据跨域协作，同时提供横向通用性计算能力和纵向定制型计算能力覆盖全域场景，满足海量数据商业应用场景需求。拥抱开放，微众银行于2021年8月创新性地将WeDPR-PPC的核心功能开放体验，提供开箱即用的隐私计算业务探索体验，在降低隐私计算应用门槛的同时，拉近隐私计算技术和行业潜在应用的距离，更有力地推进有影响力的隐私计算标杆应用落地。