01 · 多方安全计算（MPC）：密码学完备性的通用计算
1.1 发展脉络与思想源头
多方安全计算的思想源头是姚期智（Andrew Yao）1982年提出的"百万富翁问题"：两个百万富翁如何在不透露各自财富数额的前提下比较谁更富有。1986年姚期智提出混淆电路（Garbled Circuits）通用方案后，MPC成为密码学的重要分支：Goldreich、Micali与Wigderson提出的GMW协议（1987）与Ben-Or、Goldwasser、Wigderson的BGW协议（1988）基于秘密共享（Secret Sharing）实现多方计算；Beaver等提出的BMR协议（1990）将混淆电路推广到多方；Damgård等提出的SPDZ系列协议（2012年前后）以预处理（offline/online分离）+同态加密+消息认证码（MAC）实现恶意模型安全与高效在线阶段，成为后续商用MPC引擎的主流设计范式之一。
1.2 核心技术组件
| 技术组件 | 作用与要点 |
|---|---|
| 不经意传输（OT） | 发送方拥有n条消息、接收方以1-out-of-n方式仅获取其中一条且发送方不知其选择——MPC的"燃料"；Ishai等的OT扩展（OT Extension）将公钥操作摊薄到与计算规模无关的常量，是MPC实用化的关键突破 |
| 秘密共享（Secret Sharing） | 将秘密拆分为n份分片，任意少于阈值t份无法重构秘密（Shamir 1979基于多项式插值）；加法秘密共享（additive sharing）支持同态加法，乘法需Beaver三元组离线生成 |
| 混淆电路（GC） | 将布尔电路加密为"混淆表"，评估方逐门求值而不知中间值；与OT配合实现通用两方计算；近二十年通过Free-XOR、Half-Gates、行缩减（GRR）等优化，将每个AND门的通信量降至约2个密文分量级 |
| 同态加密（HE）组件 | 在MPC中用于离线阶段生成乘法三元组、接收方隐私输入加密传输等；Levelled HE（BGV/BFV/CKKS）支持有限深度乘法 |
| 零知识证明（ZKP） | 用于恶意模型下验证参与方输入/行为合规（如输入在合法范围内），zk-SNARK/zk-STARK技术与MPC的组合是近年研究热点 |
1.3 安全性模型与工程边界
- 半诚实（honest-but-curious）模型：参与方忠实执行协议但试图从中间信息推断他人输入；多数早期协议与高效实现仅在此模型下可证明安全。
- 恶意（malicious）模型：参与方可任意偏离协议（伪造消息、提前终止、输入选择依赖他人消息）；SPDZ类协议通过信息论MAC使任何偏离以极高概率被检测，但成本约为半诚实模型的2—10倍。
- 隐蔽（covert）模型：介于两者之间：作弊以概率ε被抓住（ε-deterrent），以更低成本换取较强威慑。
- 扩展性现实：两方MPC效率最高；参与方增至10方以上时通信轮次与总带宽显著退化，实践中多采用"星型/树型拓扑+秘密共享阈值"或降级为n个两两PSI的折中方案。
典型应用形态：联合统计分析（SQL多方查询，如隐语SCQL模式）、隐私集合求交（PSI）、联合建模（逻辑回归/评分卡）、隐私求和/均值等统计原语。MPC的优势是密码学假设完备（不依赖硬件信任根）、可对抗外部监听；代价是通信与计算开销大，适合低频、高价值、强合规场景。
02 · 联邦学习：分布式机器学习的隐私化改造
2.1 基本架构与三类形态
联邦学习由Google于2017年提出（McMahan等发表于AISTATS 2017的论文《Communication-Efficient Learning of Deep Networks from Decentralized Data》，同年应用于Gboard输入法语言模型更新）：原始数据不出本地，各参与方仅交换模型参数或梯度，由协调方聚合更新全局模型。按数据分布特征划分三类形态：
| 形态 | 数据特征 | 典型场景 |
|---|---|---|
| 横向联邦 | 特征空间相同、样本空间不同（如不同地区的同类门店） | 跨机构同类客户建模：多家银行共训反欺诈模型 |
| 纵向联邦 | 样本重叠多、特征不同（如银行与电商共享同一批用户） | 联合风控/联合营销：一方有交易特征、一方有行为特征 |
| 联邦迁移 | 样本与特征重叠均少 | 跨行业弱相关场景的迁移学习，工程落地最少 |
2.2 安全增强机制
- 安全聚合（Secure Aggregation）：Bonawitz等发表于CCS 2017的协议使服务器仅能看到聚合后的模型更新而无法看到单方更新，通常与阈值秘密共享、成对掩码相结合，是联邦学习抵抗"诚实但好奇服务器"的关键机制。
- 差分隐私梯度：Abadi等发表于CCS 2016的DP-SGD通过在梯度裁剪后加入 calibrated 高斯噪声并配合隐私会计（privacy accounting）给出（ε,δ）上界，是提供可证明隐私保障的标准手段，代价是模型精度损失。
- 同态加密保护梯度：纵向联邦中一方对中间计算结果（ embedding / 梯度分量）以同态加密（如Paillier半同态）保护后再传输，代表实现如纵向逻辑回归的标准化流程。
- 可信执行环境聚合器：将聚合服务部署于TEE飞地，结合远程证明防止聚合器被篡改，与MPC聚合互为替代路线。
必须正视的事实：原始联邦学习（仅交换梯度、无安全聚合、无DP）不能保证样本级隐私。Zhu、Liu与Han发表于NeurIPS 2019的《Deep Leakage from Gradients》证明：在小batch、无防御条件下，攻击者可从共享梯度中高精度重建训练样本图像；Geiping等的iDLG（NeurIPS 2020）进一步给出更高效的梯度反演方法。安全聚合与DP-SGD是生产部署中应对该类攻击的标配组合（第3页详解攻防全景）。
03 · 可信执行环境（TEE）：硬件信任根的隔离计算
3.1 主流实现
| 实现 | 架构要点 |
|---|---|
| Intel SGX（2015年推出） | 应用级飞地（enclave），页级加密内存（EPC），通过本地/远程证明（Quote/Attestation）建立信任；生态最成熟，但EPC容量受限（早期128MB级）且已被多次侧信道攻破（第3页） |
| ARM TrustZone | 以安全世界/非安全世界双世界划分整颗SoC，广泛用于移动终端TEE、金融级安全芯片体系；国产鲲鹏/瑞芯微等平台亦有TrustZone能力 |
| AMD SEV-SNP | 虚拟机级机密计算，内存加密+VM隔离，阻止恶意Hypervisor读取客户机内存；适合云场景整VM密态运行 |
| Intel TDX（2023年起规模化） | VM级机密计算的Intel方案，与SEV-SNP对位；联合NVIDIA等提供机密GPU方向扩展 |
| 国产TEE | 海光CSV（虚拟机密算）、鲲鹏/飞腾的TrustZone体系等，满足密码合规与供应链自主要求，政务与金融行业采购重点考察 |
3.2 远程证明的信任链
TEE信任体系的核心是远程证明（Remote Attestation）：验证者通过厂商背书根（如Intel IAS/DCAP体系）验证目标飞地内度量值（MRENCLAVE/MRTD等）与预期程序哈希一致，从而确信"运行在飞地内的正是约定代码"。工程落地必须关注三点：①证明服务可用性与离线降级策略；②证明报告的新鲜性与防重放（nonce/时间戳）；③证明根证书与吊销列表的运维。隐私计算平台常将"参与方节点=TEE内受控程序"作为信任替代，从而免除对参与方完全互信的假设——但若TEE被攻破，该假设随之崩塌（第3页攻击史）。
性能与生态优势：相比MPC/同态加密，TEE方案计算与通信开销接近明文（仅加密内存访问有约10%—30%的性能损耗量级），支持任意复杂算子（包括深度学习框架全量算子），工程改造成本最低——这是其在数据交易所"数据沙箱/联合计算专区"与云厂商机密计算服务中被优先采用的根本原因。其代价是信任根交给硬件厂商与固件供应链，需要与密码学方案互补形成纵深。
04 · 同态加密、差分隐私与辅助原语
4.1 同态加密（HE）
- 部分同态：Paillier加法同态广泛用于纵向联邦中间结果保护（密文加法+标量乘法），计算开销可控。
- 有限级全同态（Leveled FHE）：BGV/BFV针对整数精确运算，CKKS（Cheon-Kim-Kim-Song，ASIACRYPT 2017）针对近似实数运算，成为机器学习密文推理/训练的主流选择；TFHE以比特级门电路自举见长。
- 全同态（FHE）：Gentry 2009年基于理想格构造首个FHE方案，开启该领域；当前瓶颈在自举（bootstrapping）开销，实用中多采用"级联乘积深度评估+周期性重密文化"。开源生态以OpenFHE、Microsoft SEAL、TenSEAL为代表。
4.2 差分隐私（DP）与其他原语
- 差分隐私：Dwork 2006年提出的严格隐私定义——任意单条记录的增删不影响输出分布超过e^ε倍（辅以小概率δ）；可用机制包括拉普拉斯机制、高斯机制、指数机制；DP是"可证明、可量化"隐私的代表，但ε选取需在隐私与数据效用间权衡，且组合定理提示多轮释放会累积隐私损失。
- 隐私集合求交（PSI）：专用MPC协议族：朴素Diffie-Hellman PSI、OT-based PSI、基于同态加密的PSI与Circuit-PSI（交集上直接计算功能）；生产中最常被单独调用的高频原语。
- 隐私信息检索（PIR）：查询方不泄露查询条件、服务器不泄露全库内容；SealPIR（基于SEAL同态加密）等方案在小结果集场景实用。
- 合成数据生成：以DP-GAN等生成合成数据集替代原始数据发布，是"统计结果共享"与"原始数据共享"之间的折中，需防重识别与成员推断评估。
05 · 任务—路线适配矩阵与选型决策
| 典型任务 | 首选路线 | 备选/组合 | 选型理由 |
|---|---|---|---|
| 机构间黑名单/敏感名单碰撞 | PSI（OT-based或HE-based） | 可信TEE沙箱 | 专用协议开销低、只输出交集，天然符合最小必要 |
| 跨机构联合风控建模 | 纵向联邦学习+HE+安全聚合 | MPC联合建模 | 特征互补、样本重叠；需防梯度反演（第3页） |
| 多方联合统计分析/SQL | MPC（秘密共享系） | DP脱敏统计+TEE执行 | 语义表达力强、输出精确；DP路线牺牲精度换高效 |
| 数据产品交付（沙箱模式） | TEE数据沙箱+输出审计 | MPC+DP | 支持复杂分析任务、算子完整、交付体验接近明文开发 |
| 涉敏统计发布（政务数据开放） | DP统计+查询预算管控 | 合成数据 | 可证明隐私、可审计预算消耗，符合开放场景 |
| 外包密文推理 | CKKS同态推理 / TEE推理 | 函数秘密共享 | HE免信任根但慢；TEE快但依赖硬件 |
选型三问：①信任假设能否接受硬件厂商（不能→优先MPC/HE/DP）？②参与方之间是"半诚实可容忍"还是存在恶意对手（恶意→需SPDZ类MAC保护或TEE+证明）？③吞吐与时延SLA是多少（高并发在线服务慎用重MPC，可考虑预计算/离线在线分离）？选型的正确性比技术先进性更重要——在合规可论证、性能可承载、成本可承受三者之间取交集。
本节参考来源（第2页）
以下学术论文均为公开发表、可查证的第一手文献；标准与机构信息来自官方渠道。
Yao A. C., "Protocols for Secure Computations"（FOCS 1982，百万富翁问题）；Yao, "How to Generate and Exchange Secrets"（FOCS 1986，混淆电路）。
Goldreich O., Micali S., Wigderson A., "How to Play any Mental Game"（STOC 1987，GMW协议）；Ben-Or M., Goldwasser S., Wigderson A., "Completeness Theorems for Non-Cryptographic Fault-Tolerant Distributed Computation"（STOC 1988，BGW协议）。
Damgård I., Pastro V., Smart N., Zakarias S., "Multiparty Computation from Somewhat Homomorphic Encryption"（CRYPTO 2012，SPDZ）。
McMahan H. B., Moore E., Ramage D., Hampson S., Agüera y Arcas B., "Communication-Efficient Learning of Deep Networks from Decentralized Data"（AISTATS 2017，联邦学习奠基论文）。
Bonawitz K. et al., "Practical Secure Aggregation for Privacy-Preserving Machine Learning"（ACM CCS 2017）；Abadi M. et al., "Deep Learning with Differential Privacy"（ACM CCS 2016，DP-SGD）。
Gentry C., "Fully Homomorphic Encryption using Ideal Lattices"（STOC 2009）；Cheon J. H., Kim A., Kim M., Song Y. S., "Homomorphic Encryption for Arithmetic of Approximate Numbers"（ASIACRYPT 2017，CKKS）。开源库：OpenFHE、Microsoft SEAL。
Intel SGX官方文档与远程证明（DCAP）体系：Intel SGX；AMD SEV、Intel TDX产品文档；Dwork C., "Differential Privacy"（ICALP 2006）。
中国信通院《隐私计算白皮书（2022年）》及历年隐私计算评测结果：中国信通院官网。