2. 隐私计算技术栈与审计对象

隐私计算不是单一技术，而是一组在“数据可用不可见”约束下完成计算的技术栈。审计人员面对的不是一个黑盒产品，而是由密码学协议、分布式训练框架、硬件隔离机制和统计噪声机制共同组成的系统。要判断一个隐私计算平台是否合规、是否真正保护了数据，必须先理解每类技术的安全假设、信任边界和可观测证据，再据此确定审计对象。本节按“原理—信任边界—审计关注点”三条线索，逐一梳理五类核心技术。

多方安全计算（MPC）：把计算拆到各方，谁都不看到原始输入

多方安全计算的核心思想是：多个参与方各自持有私有输入，通过交互式协议共同计算一个函数，除计算结果外不泄露任何一方输入。常见实现包括秘密分享、混淆电路和不经意传输。以秘密分享为例，参与方把数值 x 拆成若干份额，例如在模 p 下拆成 x₁、x₂、x₃，满足 x₁+x₂+x₃ ≡ x (mod p)，各方只持有自己的份额，加法可在份额上直接进行，乘法需要一轮交互完成。审计时，MPC 的关键对象是协议实现、参与方身份、份额分发与销毁记录、随机数来源以及协议执行日志。需要重点核查：参与方数量与阈值是否与合同一致；随机数是否来自可信熵源；中间份额是否在计算后被安全清除；协议是否可被重放或降级攻击。MPC 的信任边界在于“参与方不共谋”，若多数参与方串通，安全性即被破坏，因此审计必须确认共谋假设在业务场景中是否成立。

联邦学习（FL）：模型动、数据不动，但梯度仍是泄露面

联邦学习让多个数据持有方在本地训练模型，仅上传模型参数或梯度，由聚合方完成全局更新。其典型流程是：服务器下发全局模型，各客户端本地训练若干轮，上传梯度，服务器按样本量加权聚合，再下发新模型。审计对象包括客户端身份认证、梯度上传通道、聚合算法、参与方选择策略和模型版本记录。关键风险是梯度泄露：攻击者可从多轮梯度中反推出训练样本，因此审计要核查是否采用安全聚合、差分隐私或梯度压缩等防护，以及聚合方是否能看到单个客户端的明文梯度。此外，还需关注客户端掉线、投毒攻击和模型后门，审计证据包括参与轮次日志、聚合前后参数对比和异常客户端识别记录。

可信执行环境（TEE）：用硬件隔离换取“可验证的信任”

TEE 依赖 CPU 提供的安全区域（如 Intel SGX 的 Enclave、ARM TrustZone 的安全世界），在隔离内存中执行代码，并通过远程证明向外部证明“我运行的是指定度量值的代码”。审计对象包括远程证明报告、代码度量值（MRENCLAVE/MRSIGNER）、固件与微码版本、密钥封装记录以及侧信道防护措施。审计要核查：证明报告是否由真实硬件签发、度量值是否与已审计版本一致、Enclave 内是否加载了未授权代码、密钥是否只在安全边界内解封。TEE 的信任边界是硬件厂商和微码，因此固件漏洞、Spectre 类侧信道和供应链攻击都是审计必须覆盖的风险点。

差分隐私（DP）：用数学噪声约束个体可识别性

差分隐私通过向查询结果或梯度中加入随机噪声，使相邻数据集（仅相差一条记录）的输出分布足够接近，从而限制单条记录被推断的概率。核心参数是隐私预算 ε 和失败概率 δ，ε 越小隐私保护越强、可用性越低。审计对象包括 ε/δ 的设定与分配、噪声机制（拉普拉斯、高斯）、敏感度计算、查询次数与组合定理的使用记录。关键核查点是：预算是否被超支、是否对同一数据集重复查询导致隐私放大、噪声是否被错误地裁剪或后处理削弱。差分隐私的信任边界在于“噪声机制和参数被正确实现”，审计需要拿到预算台账和每次查询的 ε 消耗记录。

同态加密（HE）：在密文上直接计算

同态加密允许在密文上执行加法和乘法，解密后得到与明文计算一致的结果。按支持的操作深度分为部分同态、层次同态和全同态。审计对象包括密钥生成与分发、参数集（多项式次数、模数链）、噪声增长预算、密文计算日志和解密权限。审计要核查：密钥是否由合规方生成、私钥是否被越权访问、参数是否满足安全强度（如 128 位安全级别）、噪声预算是否在计算前评估。HE 的信任边界在于密钥持有者，一旦私钥泄露，所有密文数据即暴露，因此密钥生命周期管理是审计的重中之重。

五类技术的审计对象对照