常见隐私算法分类：四大金刚
讲隐私保护，绕不开这四种算法。说白了，它们是当前工业界和学术界最常用的武器。我来逐个拆解。
记忆口诀：差分隐私保个体、同态加密算密文、安全计算不泄密、联邦学习聚模型。
1. 差分隐私（Differential Privacy, DP）
这玩意儿是苹果、谷歌都在用的技术。它的核心思路很简单——
往查询结果里加适量的噪声。多到掩盖个体信息，少到不影响统计结果。
我见过不少同学问：“加噪声会不会让数据变成废纸？”
嗯，关键在于这个“适量”。数学上要求：任意一条记录对输出结果的影响，要在可控范围内。
| 参数 | 含义 | 我常用的经验值 |
|---|---|---|
| ε（隐私预算） | 隐私保护强度，越小越安全 | 0.1-10，看场景。医疗用它来保护病历，ε 通常取 0.5 |
| δ（失败概率） | 理论上允许泄露的概率 | 1/n² 或者更小，n 是参与方数量 |
踩过的一个坑：我曾经在日志脱敏项目中直接用拉普拉斯机制加噪声，结果忘了处理边界情况——少量的数据桶里噪声太大，导致聚合结果完全失真。后来我改用指数机制，情况就好多了。
2. 同态加密（Homomorphic Encryption, HE）
这个厉害。它允许你在密文上直接做运算。解密之后，结果就是你对原始数据做计算的结果。
你想想看：我不用看你的明文，就能帮你算出统计结果。这对日志脱敏简直是神器。
- 部分同态（PHE）：只能做加法或乘法，不支持混合运算。
- 半同态（SHE）：可以做有限次数的加法和乘法。
- 全同态（FHE）：任意次数的加法和乘法都行，但性能是硬伤。
我个人习惯用 BFV 方案做整数运算。在脱敏日志中的脱敏工资字段时，加密后直接算总和，再解密——爽快。
3. 安全多方计算（Secure Multi-Party Computation, MPC）
这技术解决的是：多个不信任的参与方，如何不泄露各自数据，共同完成一个计算任务。
我打一个比方：几位公司老总想比谁工资最高——但不能直接告诉别人自己的工资。都把自己的工资拆成碎片（秘密分享），互相交换碎片，最后各自算出一个结果。拼起来，就知道谁高了。
实践贴士：MPC 的通信开销非常大。在日志脱敏中，我通常只用来做“黑名单匹配”这种小数据量的场景。比如几家银行联合查有没有欺诈账户。
4. 联邦学习（Federated Learning, FL）
这是现在最火的方向。手机上那些输入法预测、照片分类，背后都是联邦学习。
思路是：模型到处跑，数据不出门。每个客户端用自己的本地数据训练模型，只上传模型参数（梯度）到服务器，服务器汇总后更新全局模型。
- 本地训练：在用户设备上完成
- 只传参数：不上传原始数据，隐私安全
- 聚合更新：用 FedAvg 算法做平均
但是，梯度也会泄露隐私——这个我遇到过坑。
我曾经犯过的错：早期做联邦学习实验时，我天真地认为只传梯度就安全了。结果呢？攻击者可以通过梯度还原出部分隐私信息（比如人脸照片）。从那以后，我再也不在手松了。差分隐私和梯度裁剪必须上。
该怎么选？一张表搞定
| 算法 | 适用场景（日志脱敏中） | 隐私强度 | 性能损耗 |
|---|---|---|---|
| 差分隐私 | 统计查询、日志聚合查询 | 中等 | 低 |
| 同态加密 | 外包计算、第三方数据处理 | 极高 | 高（FHE 高达 1000×） |
| 安全多方计算 | 多机构联合分析 | 极高 | 非常高（网络开销大） |
| 联邦学习 | 分布式模型训练 | 中等（需结合 DP） | 中（通信轮次多时较高） |
一张图理清它们的关系
下面是我自己画的结构图。你看一眼，这四种算法各自解决什么痛点、组合使用时的逻辑——心里就有数了。
几个实战建议
- 刚开始接触这些算法时，别贪大求全。先从一个场景入手，比如日志脱敏中的统计查询——用差分隐私就够了。上手容易，效果好。
- 同态加密虽然酷，但是性能开销大。我建议在做原型验证时先用 SEAL 库（微软），调通再上生产。不然后期被迫换方案，你会很痛苦。
- 联邦学习 + 差分隐私是当前最火的组合。我在做跨机构信贷评分模型时，就是这个组合，效果不错。不过要注意每一轮训练的隐私预算累积问题。
一句话总结：这四种算法不是互相替代的关系，而是互补关系。实际项目中，80% 的场景只需要差分隐私和联邦学习就能解决。同态加密和安全多方计算通常留给“数据敏感度极高、参与方强互不信任”的场景。