01 隐私计算中的计算技术
- 隐私计算主要应用和技术:隐私保护云计算(云服务商在加密数据上操作)、密态计算(数据库密态计算)、安全多方计算(通过秘密共享、同态加密、混淆电路、不经意传输等技术实现联合计算)
- 隐私计算生态:与传统计算生态对比,计算技术赋能隐私计算
02 计算技术的多层次运用
- 场景需求:共享学习
- 痛点:数据规模大(几千万行、几万列),计算深度达100+,需高计算效率
- 纵向联邦学习下的逻辑回归:采用密态矩阵向量乘法
- 传统矩阵向量乘 vs. 密文矩阵向量乘:密文计算与明文计算差异大
- CHAM:定制化同态加密加速器,用于快速矩阵向量乘
- 多技术栈联合优化:
- 应用层:纵向联邦学习提炼逻辑回归,对应密态矩阵向量乘
- 协议、算法层:阿里双子座实验室算法团队加持,采用Cheetah系数编码+PackLWE算法适配硬件
- 编译层:阿里达摩院与内部团队设计CHAM编译套件
- 硬件层:阿里达摩院计算技术实验室软硬件驱动技术加持,算法适配硬件
- Interactive Accelerator Design:软硬件协同优化范例
03 计算技术的挑战
- 从密态数据库到计算底座:
- 链路分析技术:链路长、隐藏环节多
- 计算技术整合:多技术栈协同成本高、全栈贯通难
- 技术选择:技术路线繁杂(节点分支多)、自由度过高
- 实例:达摩院TFHE的SEAL实现用于复现OnionPIR,并开源于mpc4j1.0.6