3. 隐私计算技术选型与治理适配
隐私计算不是单一技术，而是一组在“数据可用不可见”目标下各有取舍的技术路线。多方安全计算（MPC）、联邦学习（FL）、可信执行环境（TEE）、差分隐私（DP）与同态加密（HE）在密码学强度、性能开销、信任假设和治理可审计性上差异显著。选型的本质，是把业务的数据协作形态与治理合规要求，映射到这些技术属性上，而不是简单追求“最强加密”。
五类技术的治理属性对比
先建立一张属性对照表，作为选型的事实基础。下表中的“信任假设”指方案安全性依赖谁不作恶；“可审计性”指治理方能否独立验证计算过程与结果。
| 技术 | 核心机制 | 信任假设 | 性能开销 | 结果精度 | 治理可审计性 |
|---|---|---|---|---|---|
| MPC | 秘密分享/混淆电路，多方协同计算 | 无中心可信方，容忍部分参与方合谋 | 高，随参与方与电路深度增长 | 精确 | 强，协议可验证、可留痕 |
| FL | 数据不动模型动，本地训练+参数聚合 | 依赖聚合方与参与方诚实 | 中，通信为主要瓶颈 | 近似，受非独立同分布影响 | 中，需配合审计与梯度保护 |
| TEE | 硬件隔离飞地内解密计算 | 信任CPU厂商与硬件 | 低，接近明文计算 | 精确 | 中，依赖远程证明与厂商背书 |
| DP | 加噪扰动，控制隐私预算ε | 不依赖参与方，依赖噪声机制 | 低 | 有偏，ε越小偏差越大 | 强，ε可量化、可声明 |
| HE | 密文上直接运算 | 依赖密钥管理与参数安全 | 极高，仅支持有限运算 | 近似（浮点/噪声） | 强，密文运算可验证 |
从治理视角看，MPC与HE提供密码学级安全，但代价是性能；TEE以硬件信任换取效率；FL把安全边界放在“参数而非原始数据”上，但梯度仍可能泄露信息；DP不保证计算正确性，而是保证个体不可区分，是唯一能给出可量化隐私承诺的技术。因此，实际工程中常采用组合方案，例如“FL+DP”或“MPC+TEE”。
选型决策方法：四步收敛
把上图的判断路径展开为可执行的方法，建议按以下四步推进。
- 界定数据出域边界。先回答“原始数据能否离开参与方本地”。若监管或合同明确禁止出域，MPC、HE、FL是候选；若允许进入受控环境，TEE可用。这一步直接排除一半选项。
- 评估计算形态与性能预算。统计待执行操作的种类与规模：是求和、求交、逻辑比较，还是神经网络训练？MPC适合中小规模布尔/算术电路，HE目前只适合线性或浅层多项式运算，FL适合迭代式模型训练。同时给出可接受的延迟与吞吐，例如“千万级样本求交需在30分钟内完成”。
- 确定信任模型与审计要求。若治理方要求不信任任何单一参与方，优先MPC；若可接受硬件厂商作为信任根，TEE更高效；若需要向监管方给出可量化的隐私承诺，必须叠加DP并声明ε。
- 组合与验证。单一技术往往无法同时满足安全、性能与合规，常见组合是“FL+DP”“MPC+TEE”“HE+DP”。确定组合后，用小规模样例数据做端到端验证，观察精度损失、耗时与审计日志是否满足预期。
示例：跨机构风控联合建模的选型过程
假设两家银行与一家征信机构希望联合训练风控模型，样本各约200万条，特征维度约300，监管要求原始数据不出域，且需向监管说明隐私保护强度。按四步法分析：
- 数据出域边界：不允许出域，排除TEE直接处理原始数据的方案。
- 计算形态：逻辑回归/梯度提升树训练，属于迭代式模型训练，FL天然适配；若用MPC实现同样训练，通信轮次与电路深度会导致开销过大。
- 信任与审计：三方互不完全信任，FL的聚合方存在窥探梯度的风险，因此需在梯度上传前做DP加噪，并约定隐私预算ε=2.0（示例假设值，实际需按合规评估确定）。
- 组合验证：采用“FL+DP”，在样例数据上对比无DP与ε=2.0时的AUC变化，若下降在可接受范围内（例如从0.82降至0.79，示例假设值），且单轮通信耗时满足预算，则方案可行。
治理适配的关键落点
技术选定后，治理适配要落到三个可检查的落点。第一是隐私预算的声明与追踪：使用DP时，ε、δ、噪声机制和组合方式必须记录在案，多次查询要按组合定理累计预算，避免预算超支。第二是审计证据的留存：MPC保留协议执行记录与参与方签名，TEE保留远程证明报告，FL保留聚合日志与梯度保护参数，这些是向监管或内审证明“过程合规”的依据。第三是责任边界的划分：明确哪一方负责密钥管理、哪一方负责聚合、哪一方负责审计，避免出现安全事件时无法定位责任主体。
最后需要强调，技术属性表中的“强/中/低”是相对判断，具体项目必须结合真实数据规模做基准测试。建议在选型阶段就准备一组脱敏样例数据，对候选方案分别测量端到端耗时、精度损失与审计产出，用实测结果而非厂商宣传完成最终决策。