潮科技｜隐私计算技术的三大主流门派(16)

1. 性能提升
隐私计算，尤其是安全多方计算和联邦学习都使用了分布式计算，通过密码学加密计算保证了隐私数据不泄露，也必然在计算性能方面产生巨大的消耗。随着加密计算技术的不断发展，联邦学习算法的优化和硬件算力的提升，隐私计算的性能一定会提升一个明显的台阶，达到商用产品化水准。
2. 功能扩展
未来，隐私计算将会包含更多加密算法，也会结合行业适应更多的应用场景。目前，隐私计算和联邦学习技术可应用于金融、医疗、政务等行业。比如在金融领域，传统金融机构、互联网金融公司、金融科技公司通过隐私计算进行相互之间多场景的用户数据补充，来进行信用画像评分，提高用户风控能力，解决“联合风控”和”联合营销”问题。比如在医疗领域，患者的患病记录在不同区的不同医院可能是不同的，单个医院无法训练出对特定任务有良好性能的高质量模型，每个医院之间进行协作后，可以使用共有的患者数据协同训练机器学习模型。
隐私计算和联邦学习的技术还将逐步与其他不同领域的融合，满足金融征信、供应链融、物流、存证溯源、物联网及慈善行业等多种应用场景。未来，金融行业数据也将和税务、公安、社保、劳动、社会保障、环境保护、安全生产等政府数据的打通，通过建立在金融行业数据共享以及和政府数据打通基础上的征信系统，打破不同行业的数据孤岛，实现社会运行机制健康发展，对社会生活方式和国家治理能力产生深刻影响
3. 开源与安全性
随着隐私计算作为数据安全流通的解决方案越来越被大数据行业所认知， 越来越多的机构开始研发搭建自己的隐私计算系统，甚至出现有些科技公司直接采用开源框架如TensorFlow或者FATE， 包装一下然后推向市场。开源框架作为教学和研究的工具教育了市场，让大数据行业接受隐私计算相关技术，这是功不可没的。同时，开源并不意味着安全，因为对“黑客”或者恶意者也是开源的，在漏洞被暴露、被修补之前必然面临更多的攻击。对于政府机关、工业大数据、金融机构等涉及国家安全的领域，真正要做到安全还是需要经过专业第三方的代码安全审计、权威机构的产品认证和检测。隐私计算项目是否具有自主产权、具备核心技术能力，才是更加重要的安全保障。如果基于TEE、Tensorflow这些国外的核心技术，有可能从一开始就埋下了定时炸弹。
4. 建立互联互通行业标准
虽然隐私计算的目标是打破数据孤岛，但目前却由于不同技术流派和框架不能兼容而形成新的围墙。