随着人工智能和云计算的兴起，越来越多的应用场景致力于提供智能化。在实现智能化的过程中，数据是机器学习的核心元素，只有通过对大量的数据进行训练，才能提高训练结果的准确性。然而，数据往往包含用户的隐私。当未加密的数据被黑客获得时，其所包含的各种敏感资料也将直接暴露给黑客。近年来，随着隐私泄漏事件的增加，隐私保护和数据安全已经成为人工智能在实际应用中的关键。

针对该问题，人们首先想到的是，对数据进行加密。然而，在执行机器学习算法的过程中，我们不仅需要保护数据，还需要对加密后的数据进行计算。因此，一些密码学算法（比如DES，AES， 哈希算法等），虽可用于保护数据的机密性，但并不能满足云计算和机器学习的计算需求。为此，人们提出了隐私保护计算技术（简称隐私计算）。

目前，用于实现隐私计算的密码学算法主要有：安全多方计算（Secure Muti-party Computation，MPC）、秘密分享（Secret Sharing，SS）、不经意传输（ Oblivious Transfer， OT）、同态加密（Homomorphic Encryption，HE）、函数加密（Functional Encryption， FE）等。其中，MPC具备去中心化，输入数据安全，计算结果准确的优势，即它可以保证多个参与方在共同计算后，既可以获得正确的计算结果，也避免了向其他参与方泄露隐私信息。因此，MPC主要用于联合数据分析和查询的场景。通常，SS和OT是构造MPC的辅助算法。HE支持用户对密文数据进行加法乘法运算后，解密得到的结果（几乎）等同于用户对明文数据进行相同的处理。因此，在机器学习训练的过程中，客户端只需将加密后的数据发送给云服务器。这样，客户端既可以应用云服务器的计算力训练模型，又不用暴露数据。FE不仅允许用户对密文进行选择性的计算（比如计算数据的平均值），而且支持访问控制（即只有具备对应身份/属性的用户才能对密文进行运算）。除了人工智能和云计算外，MPC、HE和FE在医院、银行、区块链等场景都有落地应用。

LSCM – Cailing Cai