PETs概述与基础

第1章 PETs概述与基础

章节导读

本章回答三个基础问题：隐私增强技术（PETs）是什么、如何分类、在什么威胁模型下评估。首先厘清 PETs 的定义与核心理念"数据可用不可见"，回顾从 1970 年代密码学萌芽到 GDPR 后爆发的发展脉络；接着按技术路线（密码学类、统计类、硬件类、系统类）建立分类框架；最后介绍威胁模型与隐私度量——没有清晰的威胁模型，就谈不上有效的隐私保护。本章是全书的概念地基，后续各章的技术细节都建立在此框架之上。

本章要点

核心概念与发展历程

PETs 的核心是让数据在流通与计算中保持"可用不可见"。与传统加密存储、匿名化、访问控制相比，PETs 的差异在于保护数据"被使用时"的隐私。发展脉络上，同态加密、安全多方计算等概念早在 1970-1980 年代即已提出，但高昂的计算开销使它们停留在学术阶段；GDPR 等法规的出台与算力增长共同推动了 2015 年后 PETs 的工程化落地。

关键特性与分类框架

PETs 的关键特性包括：机密性（不泄露原始数据）、功能性（支持特定计算）、可审计性（行为可验证）与性能开销。按技术路线可分为密码学类（同态加密、安全多方计算、零知识证明）、统计类（差分隐私）、硬件类（可信执行环境）与系统类（匿名通信、联邦学习）。不同技术路线的安全假设、开销与适用场景差异显著。

威胁模型与隐私度量

威胁模型明确"保护什么、防范谁、假设攻击者能力如何"。常见威胁：半诚实（诚实但好奇）与恶意敌手、静态与自适应腐败、计算受限与无限。隐私度量包括：差分隐私的 ε 参数、匿名集的规模、信息泄露的比特数等。量化度量让隐私保护从"感觉安全"走向"可证明安全"。

学习路径

先掌握 PETs 的定义与核心理念，再理解分类框架与各技术路线的定位，最后学会用威胁模型与隐私度量评估方案。本章概念密度高，建议结合具体技术（如差分隐私、多方计算）的章节回看本框架。