2021年11月，《个人信息保护法》（下称《个保法》）正式施行，给银行等金融机构数据交流带来了新挑战。
所谓隐私计算，主要由差分隐私、同态加密、多方安全计算、零知识证明、可信执行环境、联邦学习等技术组成，即在相关个人数据不流出银行等金融机构端的情况下，由双方提供大量脱敏化、结构化数据，凭借各自的大数据分析能力进一步完善用户画像，从而助力彼此提升信贷风控与精准营销效率。
多方安全计算缘何“受青睐”？
一是联合风控，即银行、持牌消费金融机构通过融合多个机构数据，解决单个金融机构数据量有限，但又不能无序交换个人隐私数据等问题。此外，越来越多银行与持牌消费金融机构还在积极探索整合其他行业数据，在各方原始数据不出库的前提下建立风控模型，形成多维度的数据分析，持续提升风控质量。目前，隐私计算在信息核验环节，可以实现多方黑名单数据共享，银行等金融机构可以对骗贷、诈骗等行为的黑名单用户进行匿踪查询，提升信息查询的安全可信程度。
二是联合营销。目前，银行、持牌消费金融机构正积极借助政务、通信运营商、互联 平台等外部数据，在不输出原始数据的基础上，且满足《个保法》相关个人数据保护的要求下，实现更精准的用户客群分类，制定更精准的营销策略。目前比较流行的做法，是银行结合电商、政务等平台提供的消费、出行等数据，更精准地识别目标客户，拓展理财或信贷业务。
他指出，相比单独建模，目前公司通过隐私计算技术构建的风控模型预测指标提升了5%-10%，可以更准确识别风险。
究其原因，多方安全计算技术通用性与安全性相对较高，且技术路线相对成熟，尽管这项技术对计算与 络资源的要求也相当高，但多数银行认为目前他们的IT能力与业务需求，足以应对多方安全计算的 络资源要求。
相比而言，不少银行对联邦学习与可信执行环境等技术仍持观望态度。这背后，是这两项全新的隐私计算技术在通用性、硬件支持等方面未能达到银行要求。
以联邦学习为例，尽管联邦学习（Federated Learning，FL）可以实现在各方机器学习原始数据不出库的情况下，通过对数据的加密流通与处理来完成多方机器学习模型训练，且AI人工智能学习模型训练与预测效果颇佳，但由于它的通用性相对较差，目前不少银行仍然不愿过多引入这项技术。
可信执行环境（Trusted Execution Environment，TEE）则通过在中央处理器中构建一个安全的区域，保证区域内的程序和数据的机密性和完整性。尽管这项技术通用性颇高且计算性能不错，但由于它需要高度信任的硬件厂商，且目前某些芯片硬件供应“遇阻”，众多银行也不敢轻易尝试。
基于上述考量，他介绍说公司决定构建基于开源软件框架打造的多方安全计算平台，先确保技术相对自主可控，再根据金融行业标准进行研发，有助于金融平台的互联互通，进而形成标准化的功能应用。
隐私计算普及的四大新挑战
首先，隐私计算技术的安全性有待于进一步提升。由于隐私计算涉及的算法多样，但其安全基础通常都会设定一些假设，以此为基础进行安全算法设计。比如假设多方计算的各参与方都严格遵守协议流程、假设各参与方之间不产生共谋、假设硬件提供商完全可信等。但在实际情况下，这些假设未必都成立。与此同时，隐私计算技术在产品化过程中，不可避免会产生系统安全风险，由于隐私计算产品的安全要求较高，系统安全薄弱环节将最易被攻击。
其次，隐私计算技术应用仍需更大的计算和通信负载。目前，大规模应用隐私计算普遍面临计算和 络负载的限制。例如通过隐私计算联合建模的耗时是传统机器学习的数十倍甚至数百倍，且隐私计算意味着多方同步计算，某一方计算或通信资源的瓶颈将直接限制整个计算平台的性能。
第三，各方安全共识仍难以形成。隐私计算实际是让多个参与方在安全共识下开展多方计算。但是，参与者很难直观验证各方的安全性，当前也缺少隐私计算安全分级标准，实际应用场景下的各方安全共识通常难以达成。
第四，不同产品之间很难互联互通。每一个隐私计算应用方都面临着与不同机构多方计算的问题，但各方部署的隐私计算平台可能基于特定的算法和设计实现，平台间很难完成信息的交互，导致重复建设和成本浪费。因此互联互通正成为隐私计算技术普及所面临的最大挑战。
据介绍，目前众多银行与持牌消费金融机构都在加大隐私计算技术软硬件研发投入，力争尽早解决上述挑战。其中包括通过软硬件优化加速提升隐私计算可用性，促进隐私计算与区块链、同态加密、差分隐私等多种技术互相融合，推动隐私计算行业生态的融合发展等。
“可以预见的是，隐私计算将成为金融行业数字化转型的关键一环，助力构建更加开放的金融生态，促进中国金融行业高质量发展。”上述首席信息官指出。
据毕马威KPMG《隐私计算行业研究 告》预测，随着越来越多银行、持牌消费金融机构等金融机构积极引入隐私计算技术，三年后这项技术服务营收或将达到100亿-200亿元人民币。
（统筹：马春园）
更多内容请下载21财经APP
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！