3月29日，北京金融科技产业联盟正式发布《多方安全计算金融应用现状及实施指引》、《联邦学习技术金融应用白皮书》等两项隐私计算技术相关的报告。这是继本月早前发布《隐私计算技术金融应用研究报告》后，再次推出隐私计算技术的相关研究成果，是对落实《金融科技发展规划（2022—2025年）》“推动数据有序共享”要求的积极响应。
腾讯云是两份报告的主要参编单位之一，两份报告分别对多方安全计算、联邦学习进行详细分析，介绍了相关的政策及标准情况，梳理了两项技术在金融业应用情况及案例，并从金融应用的平台间互联互通等方面提出建议。
图1：《多方安全计算金融应用现状及实施指引》
图2：《联邦学习技术金融应用白皮书》
腾讯云在报告中输入了腾讯隐私计算多项产品平台的技术探索和实践内容，腾讯隐私计算的整体框架包含一大愿景、两大技术底座、三套主打产品、四大应用场景、五重技术优势。
图3：腾讯隐私计算概览图
一大愿景
腾讯隐私计算基于联邦学习（FL）、多方安全计算（MPC）、可信执行环境（TEE）等隐私数据保护技术，保证原始数据不出本地即可完成数据联合分析计算，各合作机构既能保障数据安全，又能发挥数据最大价值，探索实现数据可用不可见、数据不动价值动，更好地解决业界数据孤岛的难题。
两大技术底座
腾讯Angel PowerFL隐私计算平台
腾讯自研的Angel PowerFL（简称PowerFL）隐私计算平台是通用型联邦学习平台，助力实现多方数据协同应用和联合机器学习，通过结合分布式计算与密码学、多方安全计算、秘密分享、差分隐私等隐私保护技术，PowerFL既可以保障数据安全和用户隐私，又能够挖掘多方数据协同应用带来的价值。PowerFL隐私计算框架兼顾了业界的高可用性和学界的创新性，同时支持联邦建模与联合数据分析，并已在智慧金融、数字政务、数字公益、数字广告、精准推荐等多个领域应用落地。
PowerFL以底层计算框架的方式与腾讯云产品结合，面向企业联合建模的需求场景，推出了腾讯云隐私计算平台型产品。基于PowerFL的隐私计算应用实践，充分证明了联邦学习的实际可应用性，为跨行业数据协同和AI应用落地开辟了新的思路。
腾讯可信计算平台
隐私计算有多种实现方式，例如纯密码算法实现（同态加密、混淆电路等）、硬件可信执行环境（简称 TEE）等，TEE 是其中性能最为突出的一种。TEE 没有密码算法方案常见的效率低、功能不完善（不支持完整的四则运算）、方案通用性低、算法兼容性有限等问题，应用改造幅度相对较小，利用硬件支持的可信内存保护程序和数据，使之免受越权访问或篡改等。
腾讯基于目前较为成熟的TEE实现--英特尔 SGX 搭建可信计算平台，为企业内外业务提供数据保护解决方案。
三套主打产品
腾讯云数链通平台
腾讯云数链通平台是实现数据的可信共享、隐私计算以及数据价值流通的专业平台。腾讯云数链通平台基于区块链分布式架构、共识记账、账本共享以及不可篡改的通道能力，连通链上及链下的数据，在可信硬件执行环境中，实现基于多方数据的协同计算。在保证数据安全、隐私和平等对待的前提下，实现数据使用可管理、计算过程及结果可信，更好的实现业务创新
腾讯云安全隐私计算平台
腾讯云安全隐私计算（Cloud Security Privacy Computing，CSPC）是腾讯云推出的以联邦学习（FL）、安全多方计算（MPC）、可信执行环境（TEE）等隐私数据保护技术为基础的隐私计算平台，产品针对机器学习算法进行定制化的隐私保护改造，保证原始数据不出本地即可完成联合建模，同时支持安全多方PSI（隐私保护集合求交技术）、安全隐私查询、安全统计分析，提供基于硬件的 TEE 可信执行环境。
通过腾讯云安全隐私计算平台，各合作机构既能保障数据安全，又能发挥数据最大价值，很好地解决了业界数据孤岛的难题。
腾讯云联邦学习平台
腾讯云联邦学习平台由腾讯安全团队通过密码学和机器学习相结合的算法创新，在数据合规安全应用的前提下推出的打破跨部门、跨领域、跨行业数据壁垒的安全计算平台，同时兼容不同私有化部署的云计算环境。
腾讯云联邦学习平台已经应用在金融风控底座引擎、营销策略底座引擎、政务数据共享底座、数据交易平台底座、营商环境优化数字底座、智慧城市数字底座等业务场景中，比传统联合建模和数据分析方式，联邦学习平台保证数据合规应用，汇聚多元数据价值，助力数据衍生业务优化突破。
四大应用场景
金融场景
隐私计算可以广泛应用在联合风控、普惠金融、反欺诈等场景中。在联合风控场景中，金融机构可以联合外部公司，对原始客户数据进行建模分析， 在保障数据安全的同时打破数据孤岛问题，将多系统、多场景的客户数据综合交叉分析，减少信息缺失和低质量问题，并将多源数据联合建模，形成更完善稳健的泛化能力模型，对企业和个人的风险进行精准评估，从而减少坏账。
推荐场景
随着国家隐私保护相关法律政策的出台，越来越多的用户数据以“数据孤岛”的形式分散在不同的机构中，对以提升商业价值为目标的推荐引擎提出了更高的要求。如何在保护数据安全的前提下，为用户提供更精准的推荐服务，成为推荐系统所面对的重要问题。在推荐场景，联邦学习提供了解决保护用户隐私和实现数据价值两者兼得的思路，在保证数据不出域的情况下，实现多方协作的模型训练和在线服务。
广告场景
在数字广告场景中，腾讯广告平台和广告主双方都仅有一部分链路数据，双方都有需求去优化全链路效果。然而，平台转化数据属于广告主核心资产，不能完全同步给媒体广告平台，流量媒体的部分用户数据受限于公司政策和用户隐私法律政策影响，也不能下发给广告主用于用户广告推荐。在这种背景下，联邦学习应运而生，联邦学习旨在保护合作双方各自数据安全的前提下，双方联合训练、建模、优化模型效果，提升广告主投放效果和用户体验，进一步提升合作项目的广告收入。
政务场景
在政务场景下，隐私计算有助于保障个人信息安全从而降低信息泄露风险，也可以保护企业在业务进行过程中的关键信息和企业商业秘密等。同时，由于隐私计算实现数据的可用不可见，能够打通产业链进行上游供应商和下游客户的需求联合分析， 实现全产业链的数据融合，推动企业价值最大化。
五重技术优势
01强安全
提供多种隐私保护机制，包括同态加密、秘密分享、差分隐私、可信执行环境（TEE）等；采用去中心化的架构设计，不依赖任何中心计算节点；提供多样化的、可按需选择的隐私保护机制，更加安全、适合实际应用场景。
02高性能
拥有海量数据处理能力，支持百亿级别的海量数据计算，通过异步高并发计算、通信消息压缩、硬件加速等多种技术创新来提高计算和通信效率；基于Pulsar消息队列的底层通信组件更加增强了系统的稳定性和容错能力；基于Spark的跨机构异步并行计算和基于Pulsar的联邦通信框架都是业界首创。
03功能全
支持联邦学习、多方安全计算、可信计算等全栈隐私计算功能。
04高稳定
拥有多重容错机制设计，支持checkpoint和断点续训，最大化保障平台稳定性。
05易用
采用云原生设计，支持容器化部署，支持基于YARN和K8s的灵活资源扩缩容等特性，采用计算层和服务层分离，在高并发计算和灵活资源扩缩容方面优势凸显。
为了更全面地助力金融行业加速数字化转型，腾讯云推出了包含“新基建、新连接、新服务”的“未来金融2.0”全新蓝图，隐私计算正是“新服务”中数据应用的重要技术平台，也是跨主体数据安全共享的最佳技术方向。未来，腾讯云将继续秉持“用户为本，科技向善”的理念，致力于隐私计算技术在金融行业的推广应用，在更多的金融业务场景中推动数据有序共享。
扫码下载报告
《多方安全计算金融应用现状及实施指引》
⬇️⬇️⬇️
《联邦学习技术金融应用白皮书》
⬇️⬇️⬇️
