隐私计算三类技术对比（联邦学习 ，多方安全计算，可信计算）

联邦学习，多方安全计算，可信计算作为隐私计算三类技术是有各自的特点和差别，核心思想不同，应用侧重方向、数据流动方式、硬件要求等方面有差异，各有自行的演进路径。

1、联邦计算

1）核心思想

面向模型,"数据不动、模型动",原始数据在本地模型训练,只交互模型的中间计算结果。

2）应用方向

侧重于多方数据的分布式机器学习模型训练和推理。

3）数据流动

不交换原始数据

4）密码技术

密分享、同态加密、差分隐私等

5）硬件要求

通用硬件

2、多方安全计算

1）核心思想

面向数据,信任密码学,构建一系列基础运算操作后,实现多方原始数据转换为密文后流动和协同计算。

2）应用方向

侧重于多方数据的通用安全数据联合计算分析

3）数据流动

原始数据加密后交换

4）密码技术

秘密分享、同态加密、混淆电路、不经意传输、同态承诺、零知识证明、PSI、PIR、差分隐私等

5）硬件要求

通用硬件

3、可信计算

1）核心思想

面向数据,信任硬件,通过特殊的硬件提供安全的执行环境,原始数据加密后在"可信环境"中执行。

2）应用方向

侧重于多方数据的通用安全数据联合计算分析

3）数据流动

原始数据加密后交换

4）密码技术

非对称加密算法

5）硬件要求

指定型号硬件