中国隐私计算行业现状分析,在金融和医疗领域有广泛的应用「图」

一、数据交易概述

2015年开始,大数据上升为国家发展战略,全国各地相继成立大数据交易所,各个大数据交易平台网站也陆续上线,但由于缺乏相关的行业规范和安全保障,这些数据交易平台并没有发挥最大效用。2020年出台的《关于构建更加完善的要素市场化配置体制机制的意见》,为推进数据要素市场化改革指明了方向。此后,深圳、北京、广东等地相继发文,规划设立交易场所进行大数据交易。

设立交易场所进行大数据交易的文件

设立交易场所进行大数据交易的文件

资料来源:公开资料整理

据《数据交易的商业模式》研究报告,数据交易商业模式的框架主要由“3+4+1”要素构成。其中,3表示“数据交易的环境”、“数据交易的基础设施”、“法律环境和市场机制”,4表示“主体”、“客体”、“流程”和“标准”,1表示“数据交易的商业实践”。经过多年探索和实践,当前市场存在直接交易模式、授权转移模式、数据市场模式、一般数据平台模式、具备授权和问责制数据平台模式、数据银行模式和数据信托模式7种数据交易商业模式。

数据交易商业模式框架

数据交易商业模式框架

资料来源:公开资料整理

二、隐私计算行业概述

要进行数据交易要着力破解制约要素市场化的主要矛盾,如数据开放共享和安全保护、数据确权、隐私安全等瓶颈制约,隐私计算技术是解决数据开放安全问题的重要突破口。隐私计算能够在处理和分析计算数据的过程中能保持数据不透明、不泄露、无法被计算方以及其他非授权方获取。在隐私计算框架下,参与方的数据不出本地,在保护数据安全的同时实现多源数据跨域合作,可以破解数据保护与融合应用难题。

隐私计算运行方式

隐私计算运行方式

资料来源:华经产业研究院整理

相关报告:华经产业研究院发布的《2021-2026年中国计算机网络信息安全市场全面调研及行业投资潜力预测报告

三、隐私计算三大技术路径

1、联邦学习

联邦学习是一种分布式机器学习技术和系统,包括两个或多个参与方,这些参与方通过安全的算法协议进行联合机器学习,可以在各方数据不出本地的情况下联合多方数据源建模和提供模型推理与预测服务。在联邦学习框架下,各参与方只交换密文形式的中间计算结果或转化结果,不交换数据,保证各方数据不露出。联邦学习可以通过同态加密、差分隐私、秘密分享等提高数据协作过程中的安全性。联邦学习首先由谷歌公司于2016年提出,2018年由微众银行引入国内,恰好遇到隐私保护、信息安全监管趋严,该技术很快就得到各大互联网公司、科技巨头、人工智能公司重视。

联邦学习运行模式

联邦学习运行模式

资料来源:华经产业研究院整理

2、安全多方计算

通过安全的算法和协议,参与方将明文形式的数据加密后或转化后再提供给其他方,任一参与方都无法接触到其他方的明文形式的数据,从而保证各方数据的安全。安全多方计算的基本安全算子包括同态加密、秘密分享、混淆电路、不经意传输、零知识证明、同态承诺等。解决特定应用问题的安全多方计算协议包括隐私集合求交、隐私信息检索及隐私统计分析等。由于安全多方计算需要消耗大量的计算和通信资源,目前应用更加适用于小规模数据量,并且应用主要是聚焦相对简单的统计、查询等类型的计算,而基于安全多方计算的联合建模框架只能支持相对简单的机器学习模型,如逻辑回归模型等。

3、可信计算

可信计算(TEE)是基于硬件和密码学原理的隐私计算方案,相比于纯软件解决方案,具有较高的通用性、易用性和较优的性能。其缺点是需要引入可信方,即信任芯片厂商。此外由于CPU相关实现属于TCB,侧信道攻击也成为不可忽视的攻击向量,需要关注相关漏洞和研究进展。

由于技术路径的不同,各类隐私计算技术均有其更加适用的场景:多方安全计算技术不依赖硬件且具备较高的安全性,但是仅支持一些相对简单的运算逻辑;可信执行环境技术具备更好的性能和算法适用性,但是对硬件有一定依赖;联邦学习技术则可以解决复杂的算法建模问题,但是性能存在一定瓶颈。

各类隐私计算技术比较

各类隐私计算技术比较

资料来源:华经产业研究院整理

四、隐私技术应用领域

自2018年开始,隐私计算的技术和产品成熟度迅速提升,在我国加快培育发展数据要素市场、数据安全流通需求快速迸发的推动下,隐私计算技术的应用场景越来越多。

在金融领域,隐私保护计算为金融机构间甚至跨行业的数据合作、共享提供可能。PSI技术可以解决数据对齐时造成客户名单泄露的问题,联邦学习可以保证各方数据不出本地的情况下实现联合建模、预测等。国内隐私计算在金融场景应用方面,以营销、风控端(反欺诈、反洗钱等)等为主要落地场景。

隐私技术在反洗钱领域的应用

隐私技术在反洗钱领域的应用

资料来源:公开资料整理

在政务领域,通过隐私保护计算和其他技术的结合,可以有效保护各政府部门的数据,在一定程度上解决政务数据孤岛问题,提高政府治理能力。

在医疗领域,医疗机构想要使用人工智能对某一疾病进行早期发现或临床诊断,一方面需要收集不同维度的数据包括临床数据、基因数据、化验数据等,另一方面也需要收集来自不同群体、不同地区的样本数据,单个医疗机构无法积累足够的数据来进行模型训练。通过隐私保护计算,可以对不同的数据源进行横向和纵向的联合建模,保证各方医疗数据安全。另外,对于DNA测试,用户可以通过PSI等技术将某段DNA序列和数据库进行匹配,实现遗传疾病诊断。

隐私计算在医疗领域的应用

隐私计算在医疗领域的应用

资料来源:公开资料整理

华经产业研究院对中国隐私计算行业发展现状、市场供需情况等进行了详细分析,对行业上下游产业链、企业竞争格局等进行了深入剖析,最大限度地降低企业投资风险与经营成本,提高企业竞争力;并运用多种数据分析技术,对行业发展趋势进行预测,以便企业能及时抢占市场先机;更多详细内容,请关注华经产业研究院出版的《2021-2026年中国网络信息安全行业市场全景调研及投资规划建议报告》。

本文采编:CY1254

推荐报告

2024-2030年中国隐私计算行业市场全景监测及投资前景展望报告

2024-2030年中国隐私计算行业市场全景监测及投资前景展望报告,主要包括行业技术综述、重点技术分析、主要企业运营分析、投资及发展趋势预测等内容。

如您有个性化需求,请点击 定制服务

版权提示:华经产业研究院倡导尊重与保护知识产权,对有明确来源的内容均注明出处。若发现本站文章存在内容、版权或其它问题,请联系kf@huaon.com,我们将及时与您沟通处理。

人工客服
联系方式

咨询热线

400-700-0142
010-80392465
企业微信
微信扫码咨询客服
返回顶部
在线咨询
研究报告
商业计划书
项目可研
定制服务
返回顶部