核心数据保护技术

第3章 核心数据保护技术

章节导读

本章是 PETs 的核心技术章节，介绍四大基石：同态加密（HE）允许在密文上直接计算、安全多方计算（MPC）让多方在不泄露各自输入的情况下联合计算、零知识证明（ZKP）在不暴露秘密的前提下证明陈述为真、差分隐私（DP）通过注入受控噪声保护个体数据。四类技术分别对应"加密计算、联合计算、可验证计算、统计保护"四种隐私保护范式，是理解全部 PETs 应用的关键。

本章要点

同态加密HE

同态加密允许对密文执行加法/乘法运算，结果解密后等于对明文执行相应运算的结果。按支持运算程度分为部分同态（加法或乘法）、全同态（FHE，任意电路）。FHE 的实用化是密码学的重要突破，但计算与存储开销仍较大，实际部署常与 TEE、MPC 组合以降低开销。

多方安全计算MPC

MPC 让 n 方在各自输入保密的前提下联合计算函数 f(x₁,...,xₙ)，任何一方只能得到结果与自身输入相关信息。核心技术包括秘密分享、混淆电路、不经意传输。MPC 的安全模型（半诚实/恶意）、轮次与通信复杂度是方案设计的关键权衡。典型应用：联合统计、隐私求交、联合建模。

零知识证明ZKP

零知识证明允许证明者向验证者证明某陈述为真而不泄露任何额外信息。核心性质：完备性（真陈述总能证明）、可靠性（假陈述无法伪造证明）、零知识性（验证者学不到秘密）。主流实现：zk-SNARK（简洁、需可信设置）、zk-STARK（无需可信设置、证明较大）。典型应用：隐私交易、身份认证、链上验证。

差分隐私DP

差分隐私通过向查询结果注入校准噪声，保证单个个体的加入/退出对输出影响有限（ε-差分隐私）。核心要素：敏感度（单个个体对结果的最大影响）、噪声机制（拉普拉斯/高斯）、隐私预算 ε 的分配。DP 提供可证明的统计隐私保证，是数据分析与机器学习中的主流隐私保护范式。

学习路径

建议按"HE → MPC → ZKP → DP"顺序学习，先理解各技术的核心思想与安全模型，再掌握典型算法流程，最后对比四类技术的适用场景与开销，为组合方案（第4章）与工程实践（第5章）做准备。