新兴与组合PETs技术

第4章 新兴与组合PETs技术

章节导读

真实系统的隐私需求往往无法由单一技术满足，本章介绍新兴的 PETs 技术及其组合：联邦学习（FL）让数据不出域地协作训练模型、秘密共享与安全聚合支撑多方数据融合、PETs 组合方案（如 HE+TEE、MPC+DP 混合）在安全性与性能间取得平衡。理解"单一技术的边界"与"组合设计的艺术"，是从学术概念走向工程落地的重要一步。

本章要点

联邦学习FL

联邦学习允许多方在不共享原始数据的前提下协作训练机器学习模型：各方本地训练、只上传模型更新（梯度），由中心或去中心化机制聚合。联邦学习本身不提供密码学保证（梯度可能泄露信息），通常需要与差分隐私、安全聚合组合。联邦学习的挑战：统计异质性、通信开销、系统异构与恶意参与方。

秘密共享与安全聚合

秘密分享将秘密拆分为多个份额，少于阈值数量的份额无法恢复秘密（Shamir 秘密分享）。安全聚合在联邦学习中聚合各方梯度而不泄露单个梯度，通过掩码与秘密分享实现。这类技术在联邦学习、密钥管理与分布式系统容错中广泛应用。

PETs组合与混合方案

现实方案常组合多种 PETs：HE+TEE（用 TEE 保护密钥与中间计算，HE 承担可验证的密文运算）、MPC+DP（MPC 做联合计算，DP 提供输出隐私）、FL+DP+安全聚合（联邦学习的完整隐私栈）。组合设计需权衡安全性、性能与可用性，并明确各层技术的安全假设。业界案例：隐私求交+联邦学习、可信执行环境+多方计算。

学习路径

先掌握联邦学习的基本框架与隐私风险，再理解秘密共享与安全聚合的机制，最后学习组合方案的设计原则与权衡。建议以"医疗数据联合建模"或"广告归因联合计算"为案例，分析其隐私需求并设计技术栈。

与前后章节的联系

本章建立在第 3 章四大核心技术之上：联邦学习与安全聚合组合了差分隐私与秘密共享，混合方案则灵活组合 HE、MPC、TEE 等原语。理解单一技术的边界后才能合理设计组合方案。第 5 章的应用案例正是本章技术的工程落地，建议对照阅读。