5.1 行业应用场景

5.1 行业应用场景

本节摘要：PETs 在哪些行业落地？本节讲清楚金融（联合风控/反洗钱）、医疗（联合研究/基因组）、广告（跨平台归因）、政务（普查/统计）四大场景，每个场景的痛点、选用的 PETs、落地案例。读完你能给行业项目选 PETs。

一、金融：联合风控与反洗钱

PETs 行业应用全景

痛点：银行间要联合做风控（识别多头借贷、信用评估）和反洗钱（追踪跨行可疑交易），但客户数据受隐私法规保护（GDPR/PIPL），不能直接交换。

PETs 方案：

• 联合信用评分：多家银行用 MPC 各持客户信用数据，联合算信用评分，不交换客户名单。如波士顿 Women's Workforce Council 用 MPC 统计薪酬差距。
• 反洗钱追踪：银行用 PSI 算跨行共同可疑客户，不暴露各自全客户名单。如 Google Private Join and Compute。
• 多头借贷检测：用 PSI 检测同一客户在多家银行借贷，不暴露各自客户。
• 联邦风控模型：银行用联邦学习联合训练风控模型，数据不出域。

落地：

• 微众银行 FATE 平台，银行联合风控。
• Sharemind 商用 MPC 平台，金融合作。
• 中国人民银行金融科技试点，PETs 反洗钱。

选型：MPC（多方联合算）、PSI（算共同客户）、FL（联合训练）。半诚实够（有合同约束），性能中等可接受。

二、医疗：联合研究与基因组

痛点：医院间要联合研究（罕见病、药物效果、基因组分析），但病历数据高度敏感（HIPAA/GDPR），不能集中也不能交换。

PETs 方案：

• 联合统计分析：医院用 MPC 联合算统计（发病率、治疗效果），不交换病历。如 iDASH 竞赛用 MPC/HE 分析加密基因组。
• 基因组分析：用 HE 在加密基因组数据上做关联分析（GWAS），研究方不接触明文基因。
• 联邦诊断模型：医院用联邦学习联合训练诊断模型（如肿瘤分类），数据不出医院。
• 差分隐私发布：医疗统计发布用 DP，防个体识别。如美国普查 2020 用 DP。

落地：

• iDASH（Innovation in Data Privacy）竞赛，加密基因组分析。
• OWKIN 用联邦学习医院联合药物发现。
• Microsoft Healthcare 用 HE 隐私基因组。
• MELLODDY（制药联盟）联邦学习药物研发。

选型：HE（外包计算/基因组）、MPC（联合统计）、FL（联合诊断）、DP（发布）。性能敏感场景配 TEE。

三、广告：跨平台归因

痛点：广告主要想追踪广告效果（看到广告的用户最终购买多少），但用户数据分散在广告平台（Google/Meta）和广告主（电商），跨平台追踪受隐私法规限制（不能直接交换用户 ID）。

PETs 方案：

• 隐私归因：广告平台和广告主用 PSI 算共同用户（看到广告+购买），不暴露各自全用户。再算归因率。
• 私有 join 和聚合：Google Private Join and Compute，PSI+聚合算归因。
• MPC 归因：用 MPC 算归因模型，不交换用户数据。
• DP 保护：归因结果加 DP，防个体推断。

落地：

• Google Ads Privacy-First 归因，用 MPC/PSI。
• Meta 联邦学习+DP 广告模型。
• IAB Tech Lab Privacy Sandbox，PETs 归因标准。
• Apple SKAdNetwork，隐私归因（DP 思想）。

选型：PSI（算共同用户）、MPC（归因计算）、DP（输出保护）。性能要求高（实时归因），可能配 TEE。

四、政务：普查与统计

痛点：统计局要发布详细统计（人口、经济、健康），但个体数据敏感，传统"去标识"不够（交叉识别）。需可证明隐私保护。

PETs 方案：

• 差分隐私普查：统计发布用 DP，可证明保护。如美国普查 2020 用 DP（虽 ε=19.61 争议）。
• 联邦统计：各部门用联邦学习/MPC 联合统计，数据不出部门。
• 隐私数据发布：用 DP+k-匿名发布微观数据，供研究用。

落地：

• 美国普查局 2020 普查用 DP（TopDown 算法）。
• 加拿大统计局、澳大利亚统计局探索 DP。
• 中国国家统计局探索 PETs。

选型：DP（发布保护）、MPC/FL（联邦统计）。中心 DP（统计局可信）。

五、其他行业

1. 电信：运营商用 PETs 联合分析（如防欺诈、网络优化），不暴露用户通信记录。

2. 零售：零售商用 PSI/MPC 和供应商联合分析库存/销售，不暴露各自销售数据。

3. 物流：物流公司用 MPC 联合优化路线（如共同配送），不暴露各自客户/路线。

4. 能源：能源公司用 FL 联合训练负荷预测模型，不暴露各自用户用电数据。

5. AI/ML：大模型训练用 DP（防记忆攻击）、联邦学习（数据分散）、MPC（多方训练）。

六、行业选型的共性

各行业选 PETs 的共性：

1. 数据分布决定：单方外包用 HE/TEE，多方联合用 MPC/FL。
2. 信任决定：信任对方用半诚实/简单方案，不信任用恶意/复杂方案。
3. 性能决定：实时用 TEE/DP，低频高价值用 HE/MPC。
4. 合规决定：法规要求"可证明隐私"用 DP（有数学保证）。
5. 组合多用：多数实际部署是组合（FL+DP+安全聚合、MPC+ZKP）。

⚠️ 常见误读：以为"PETs 只用于高科技行业"。金融/医疗/广告/政务都在落地，电信/零售/物流/能源/AI 也在用。PETs 是跨行业基础设施。

💡 关键直觉：PETs 行业应用——金融（MPC 联合风控/PSI 反洗钱/FL 风控模型）、医疗（HE 基因组/MPC 统计/FL 诊断/DP 发布）、广告（PSI 归因/MPC 归因/DP 保护）、政务（DP 普查/联邦统计）。落地案例有 FATE/iDASH/OWKIN/Google Ads/美国普查。选型共性：数据分布决定（单方 HE/多方 MPC/FL）、信任决定（半诚实/恶意）、性能决定（实时 TEE/DP，低频 HE/MPC）、合规决定（DP 可证）、组合多用。

一节小结

• 金融：联合风控（MPC）、反洗钱（PSI 算共同可疑）、多头借贷（PSI）、联邦风控模型（FL）。落地 FATE/Sharemind/人行试点。选 MPC/PSI/FL，半诚实。
• 医疗：联合统计（MPC）、基因组分析（HE）、联邦诊断（FL）、DP 发布。落地 iDASH/OWKIN/Microsoft/MELLODDY。选 HE/MPC/FL/DP，配 TEE。
• 广告：跨平台归因（PSI 算共同用户+聚合）、MPC 归因、DP 保护。落地 Google Ads/Meta/IAB/Apple SKAdNetwork。选 PSI/MPC/DP，配 TEE。
• 政务：DP 普查（美国 2020）、联邦统计、隐私数据发布。选 DP（中心，统计局可信）/MPC/FL。
• 其他：电信（防欺诈）、零售（联合分析）、物流（路线优化）、能源（负荷预测）、AI/ML（DP/FL/MPC 训练）。
• 选型共性：数据分布（单方 HE/TEE，多方 MPC/FL）、信任（半诚实/恶意）、性能（实时 TEE/DP，低频 HE/MPC）、合规（DP 可证）、组合多用（FL+DP+安全聚合、MPC+ZKP）。
• 跨行业：PETs 是跨行业基础设施，不只高科技。

场景选型逻辑

行业场景选型遵循"威胁模型驱动"逻辑：先明确数据敏感性（个人身份信息、商业秘密、受监管数据）、合作方信任程度（半诚实或恶意）、性能与精度要求，再选择技术组合。例如：实时性要求高的场景优先 TEE 或 PSI；精度敏感的分析场景用 MPC 或 HE；需要可证明统计隐私的场景用差分隐私。选型还须考虑合规审计要求，确保技术方案可纳入数据安全治理体系。

总结而言，行业应用是 PETs 价值的试金石：只有贴近真实业务的威胁模型、数据特征与合规约束，技术方案才能发挥实效。建议读者结合所在行业的实际案例，练习从需求到技术栈的完整选型流程。