400-608-2558
029-86698003
400-608-2558
029-86698003
你有沒有聽到這樣的事情：經常上熱搜的“大數據殺熟”、手機好像在監(jiān)聽消費者的喜好、外賣小哥被困在算法里停不下來……
仿佛有一雙眼睛在無時無刻的盯著我們的一舉一動，其實這些都是隱私泄露。不管是對個人也好，對企業(yè)也好，泄露隱私都會讓我們感到毛骨悚然。
近年來，數據安全事件頻繁發(fā)生，數據安全威脅日益嚴峻。而這一切的根本原因在于，數據所帶來的巨大潛在利益,促使不法之徒肆無忌憚的收集和使用我們的隱私數據。
2021年9月起，正式施行的《中華人民共和國數據安全法》就是為了規(guī)范數據處理活動，保障數據安全，促進數據開發(fā)利用，保護個人、組織的合法權益，維護國家主權、安全和發(fā)展利益而制定的專項法律。
數據作為數字經濟下最重要的生產要素，在保證數據安全的同時，更要發(fā)展數據。該如何兼顧發(fā)展與安全，平衡效益與風險，在保障數據安全的前提下，挖掘數據價值？
?
數據可用不可見
由于競爭及政策等原因，“數據孤島”現(xiàn)象明顯
眾多企業(yè)在開展業(yè)務的過程中積累了大量的數據，但由于物理和邏輯上的孤立性、合規(guī)監(jiān)管以及隱私保護等方面的原因，海量數據被獨立存儲在不同區(qū)域、企業(yè)中，彼此間互不相通，形成數據孤島，限制了數據價值的釋放。數據隱私問題日益嚴峻，用戶信任度逐步下降隨著各類技術的不斷發(fā)展，基于位置跟蹤、行為偏好記錄、智能推薦的各種定向精準化服務在給我們提供諸多便利的同時，也產生了越來越多的數據隱私問題。
2018年，Google被爆出50萬Google+賬戶資料外泄，先后為此付出總計高達90億美元的罰款。頻發(fā)的數據泄露問題削弱了對科技公司隱私保護能力的信任。
隱私計算助力數據融合，釋放數據價值
隨著競爭形勢的日益嚴峻，為了提高自身競爭力，越來越多的企業(yè)希望能夠與產業(yè)上下游公司、政府等數據主體進行數據共享，實現(xiàn)深入合作。針對“數據孤島”問題，一種叫做“數據可用不可見“的合作新模式被提了出來。借助以聯(lián)邦學習、多方安全計算等為代表的隱私計算技術，數據合作主體可以實現(xiàn)原始數據不出庫，僅數據“價值”和“知識”出庫，從而完成數據融合的目標。
例如疫情期間，通過聯(lián)邦學習平臺可以進行協(xié)作建模，在原始數據“足不出庫”的前提下，完成了對小微企業(yè)的精準畫像，實現(xiàn)了企業(yè)信用評估、銀行授信以及政府貼息全閉環(huán)流程。
隱私計算技術實現(xiàn)“數據可用不可見”
在大數據、人工智能、“互聯(lián)網+”背景下，“個人信息保護”重要性進一步提升。隱私計算技術幫助數據合作方不需要得到真實的數據就可以實現(xiàn)想要的作用，從而實現(xiàn)了不共享數據，卻又共享數據的目的。
數字經濟時代來臨，數據要素市場化配置逐漸上升為國家政策。通過政策的支持和技術的完善，隱私計算最終能夠完美實現(xiàn)數據的“可用不可見”，達到數據安全的保護目的。
?
利刃出鞘：隱私計算
隱私計算技術為實現(xiàn)“數據可用不可見”提供了解決方案。具體什么是隱私計算？隱私計算是在實現(xiàn)保護數據擁有者的權益安全及個人隱私的前提下，實現(xiàn)數據的流通及深度挖掘數據價值的一種重要方法。隱私計算通常一種由兩個或多個參與方聯(lián)合計算的技術和系統(tǒng)，參與方在不泄露各自數據的前提下，通過協(xié)作對他們的數據進行聯(lián)合機器學習和聯(lián)合分析。參與方既可以是同一機構的不同部門，也可以是不同的機構。隱私計算技術主要包括基于密碼學的多方安全計算、基于可信硬件的可信執(zhí)行環(huán)境以及新興的聯(lián)邦學習技術。
l? 多方安全計算主要適用于統(tǒng)計分析、判斷決策、查詢
l? 可信計算需要硬件廠商授權，適用于數據保護要求較低的應用場景
l? 聯(lián)邦學習則適用于機器學習、數據建模和數據預測分析
其中聯(lián)邦學習作為后起之秀，在數據安全中得到了廣泛的探索與發(fā)展。聯(lián)邦學習的本質上是一種分布式的機器學習技術，各個參與者不需要把數據整體移動到一個可信計算環(huán)境中，而是在本地使用本地的數據訓練一個本地的模型，并通過場景使用半同態(tài)加密、秘密分享等隱私計算技術的方式來同步模型參數，從而進行模型的迭代訓練。從而做到數據可用不可見，數據不動模型動，實現(xiàn)極高的安全性，合規(guī)性。
?
他山之石：應用場景
各領域均存在數據合規(guī)流通的需求，隱私計算用武之地眾多。盡管隱私計算行業(yè)尚處早期，但已在人工智能、金融、醫(yī)療等許多場景中實現(xiàn)應用落地。
金融領域：構建反欺詐模型，打通信用信息流通
金融交易線上業(yè)務占比不斷擴大，金融聯(lián)合反欺詐勢在必行。單一來源數據構建的反欺詐模型效果較差，因此各金融機構具有很強的反欺詐合作意愿。但在具體合作過程中又往往擔心用戶的隱私數據和機構的商業(yè)機密遭到泄露，造成重大不利影響。金融數據涉及商業(yè)機密，“供應鏈金融”信用信息流通受阻，金融反欺詐也難以得到有效解決。
解決思路：各機構可基于隱私計算技術，利用多維度數據建立聯(lián)合金融反欺詐模型，共享黑名單。數據可以沒有離開各自本地的情況下，融合多方特征使得反欺詐模型達到最佳效果?！皡^(qū)塊鏈+隱私計算”的解決方案能夠將企業(yè)的信息形成不可篡改的數據記錄，并實現(xiàn)實時信息共享。其他參與者無法獲知具體經營信息，但可以利用其進行信用評估計算。
醫(yī)療領域：提升數據挖掘效率，實現(xiàn)資源多方共享
醫(yī)院的醫(yī)療數據涉及患者隱私，數據壁壘難以打破。一方面，我國醫(yī)院體系內部醫(yī)療數據缺乏結構化規(guī)劃；另一方面，醫(yī)院體系外部機構從醫(yī)院獲取數據的成本越來越高，造成大量醫(yī)療數據資源浪費，嚴重阻礙了科研開展及醫(yī)療行業(yè)的發(fā)展。如何在防止“信息泄露”的基礎上，實現(xiàn)多方醫(yī)療數據共享，提高醫(yī)療數據挖掘效率，是當前醫(yī)療領域面臨的巨大挑戰(zhàn)。
解決思路：在利用數據脫敏等技術保證各醫(yī)療機構數據不被泄露的基礎上，由政府牽頭，構建安全數據開發(fā)平臺，獲得授權的使用者可在數據平臺上通過第三方應用或者自己開發(fā)的程序對原始數據進行挖掘，最后由平臺輸出數據的使用價值和結果，大幅度的提升醫(yī)療數據的利用價值，促進科研開展和醫(yī)療行業(yè)發(fā)展。
?
可以攻玉：美林能力
美林數據多年在能源行業(yè)有著豐富的數據治理及挖掘經驗，結合強大的云邊能力，在隱私計算技術上深耕挖掘，通過云邊協(xié)同等新型技術賦能，研究隱私計算技術解決多領域數據安全問題。
能源領域：構建能源反竊模型，保障數據共享安全
能源行業(yè)作為關乎國計民生的基礎行業(yè)，具有巨大的數據挖掘價值，但也由于其具備天然的敏感性，此類數據直接匯聚到統(tǒng)一的平臺非常困難。水、電、氣、熱等能源數據天然形成了數據孤島，數據無法貫通嚴重阻礙了能源AI應用落地。如何打破數據壁壘，解決“最后一公里”問題？
解決思路：以聯(lián)邦學習、安全多方計算等數據安全與隱私保護技術為核心的分布式計算平臺，產品針對機器學習算法進行定制化的隱私保護改造，保證數據不出本地即可完成模型訓練，最大化各個合作企業(yè)在數據安全的基礎上的數據價值，很好地解決了業(yè)界數據孤島的難題。
稅務領域：推動涉稅數據與電力數據共享合作
稅收數據和電力數據在宏觀上能有效反映經濟運行現(xiàn)狀及變動趨勢，在微觀上能夠反映社會主體經營狀況，在服務經濟分析、精準施政等方面，具備覆蓋面廣、數據質量好、采集頻率高、顆粒度細等特點。然而，稅務與電力數據因數據隱私泄露的問題，對部分資源在涉電及涉稅數據的相關分析中出現(xiàn)阻礙。
解決思路：借助隱私計算，共享并融合稅務與電力數據，提升稅務與電力數據的含金量，實現(xiàn)隱私保護下的高質量數據協(xié)作。同時通過隱私計算平臺，促進稅務和電力的數據協(xié)作，實現(xiàn)政企數據融合應用。
?
引玉之磚：未來發(fā)展
隱私計算技術日益完善，未來有望邁入快車道
2020年10月20日，隱私計算入選Gartner2021年九大重要科技趨勢。根據Gartner預測，2025年將有一半的大型企業(yè)機構在不受信任的環(huán)境和多方數據分析用例中使用隱私增強計算處理數據，隱私計算技術將在2-5年內走向成熟。
?
大鵬一日同風起，扶搖直上九萬里。美林數據多年來深耕行業(yè)應用，不斷沉淀總結技術與業(yè)務的最佳結合點，在大數據與人工智能時代積累了豐富的行業(yè)級算法庫及強大的算法能力。通過云邊等新型技術賦能，積極發(fā)展隱私計算能力，美林數據正昂首挺胸，踐行以客戶為中心，為用戶提供安全可靠的大數據技術服務，為傳統(tǒng)企業(yè)數字化轉型提供美林力量！
友情鏈接
