“隱語”是開源的可信隱私計算框架，內置 MPC、TEE、同態等多種密態計算虛擬設備供靈活選擇，提供豐富的聯邦學習算法和差分隱私機制。

開源項目：
https://github.com/secretflow
https://gitee.com/secretflow

一、什麼是隱私計算

隱私計算是多種技術的統稱，目的是為了讓多個數據擁有者，在不暴露數據本身的前提下，實現數據的共享、互通、計算、建模，最終產生超出自身數據的價值，同時保證數據不泄露給其他參與方。
相比傳統數據安全的方式，這裏面的隱私計算是完全依賴技術手段的，從根源上切斷對人的信任。實現參與方之間的可用不可見，在運作過程中它是可以防備參與方之間會存在攻擊的情況。推進數據的安全和不泄露隱私，保護數據價值和用户的隱私。

二、隱私計算技術方向

1、多方安全計算(MPC)

基於密碼學的隱私計算技術;該技術主要通過設計特殊的加密算法和協議，基於密碼學原理實現在無可信第三方情況下，在多個參與方輸入的加密數據之上直接進行計算，其主要的技術有同態加密、混淆電路、秘密分享、零知識證明等。

2、聯邦學習(FL)

人工智能隱私保護技術融合衍生的技術;聯邦學習是一 個機器學習框架，能有效幫助多個機構在滿足用户隱私保護、數據安全和政府法 規的要求下，進行數據使用和機器學習建模。主要有橫向聯邦學習、縱向聯邦學 習以及聯邦遷移學習。

3、可信執行環境(TEE)

可信執行環境基於可信硬件的隱私計算技術。該技術主要打造一個區域，負責為代碼的執行和數據的儲存提供一個更加安全的地方，以此確保其機密性和不可篡改性。例如:Intel 的 SGX，採用一套面向 CPU 的指令，支持應用創建一個安全區，在該區域內通過指令進行相關的算法邏輯運算;而ARM的TrustZone則是將硬件與軟件劃分為兩個環境，分別為安全環境和普通環境,安全環境能夠進行一些保密操作，且普通環境無法訪問，以此實現隔離。

4、同態加密（HE）

同態加密 (Homomorphic Encryption, HE） 是指滿足密文同態運算性質的加密算法，即數據經過同態加密之後，對密文進行特定的計算，得到的密文計算結果在進行對應的同態解密後的明文等同於對明文數據直接進行相同的計算，實現數據的“可算不可見”。

5、差分隱私（DP）

差分隱私 (Differrential Privacy，DP)是Dwork等人在 2006 年針對數據庫隱私問題提出的一種嚴格的、可量化的隱私定義和技術。差分隱私技術的基本原理是：在計算結果中添加噪聲，使得修改數據集中單條記錄不會對統計結果造成品著的影響，從而保證攻擊者在擁有背景知識的情況下也無法推斷出該記錄對應的敏感信息。

當前，隱私計算領域正處於快速發展的階段，涌現出了許多前沿的SOTA算法和備受關注的頂會論文。為了方便社區小夥伴學習最新算法、瞭解隱私計算行業最新進展和應用，隱語開源社區在GitHub創建了Paper推薦項目awesome-PETs（PETs即Privacy-Enhancing Technologies ，隱私增強技術），精選業內優秀論文，按技術類型進行整理分類，旨在為隱私計算領域的學習研究者提供一個高質量的學習交流社區。

awesome-pets包含：安全多方計算(MPC)、零知識證明(ZKP)、聯邦學習(FL)、差分隱私(DP)、可信執行環境(TEE)、隱私求交(PSI)、機器學習系統的攻擊和防禦、多媒體隱私與安全等系列主題論文！

附上paperlist，供大家學習參考：
https://link.juejin.cn/?target=https%3A%2F%2Flink.zhihu.com%2...

🏠 隱語社區：
https://github.com/secretflow
https://gitee.com/secretflow
https://www.secretflow.org.cn（官網）

👇歡迎關注：
公眾號：隱語的小劇場
B站：隱語secretflow
郵箱：secretflow-contact@service.alipay.com