隨着人工智能和雲計算的興起，越來越多的應用場景緻力於提供智能化。在實現智能化的過程中，數據是機器學習的核心元素，只有通過對大量的數據進行訓練，才能提高訓練結果的準確性。然而，數據往往包含用戶的隱私。當未加密的數據被黑客獲得時，其所包含的各種敏感資料也將直接暴露給黑客。近年來，隨着隱私泄漏事件的增加，隱私保護和數據安全已經成爲人工智能在實際應用中的關鍵。

針對該問題，人們首先想到的是，對數據進行加密。然而，在執行機器學習算法的過程中，我們不僅需要保護數據，還需要對加密後的數據進行計算。因此，一些密碼學算法（比如DES，AES, 哈希算法等），雖可用於保護數據的機密性，但並不能滿足雲計算和機器學習的計算需求。爲此，人們提出了隱私保護計算技術（簡稱隱私計算）。

目前，用於實現隱私計算的密碼學算法主要有：安全多方計算（Secure Muti-party Computation，MPC）、秘密分享（Secret Sharing，SS）、不經意傳輸（Oblivious Transfer, OT）、同態加密（Homomorphic Encryption，HE）、函數加密（Functional Encryption，FE）等。其中，MPC具備去中心化，輸入數據安全，計算結果準確的優勢，即它可以保證多個參與方在共同計算後，既可以獲得正確的計算結果，也避免了向其他參與方洩露隱私訊息。因此，MPC主要用於聯合數據分析和查詢的場景。通常，SS和OT是構造MPC的輔助算法。HE支持使用者對密文數據進行加法乘法運算後，解密得到的結果（幾乎）等同於使用者對明文數據進行相同的處理。因此，在機器學習訓練的過程中，客戶端只需將加密後的數據發送給雲服務器。這樣，客戶端既可以應用雲服務器的計算力訓練模型，又不用暴露數據。FE不僅允許使用者對密文進行選擇性的計算（比如計算數據的平均值），而且支持訪問控制（即只有具備對應身份/屬性的使用者才能對密文進行運算）。除了人工智能和雲計算外，MPC、HE和FE在醫院、銀行、區塊鏈等場景都有落地應用。

LSCM – Cailing Cai