Privacy Computing

Use when working with privacy computing — MPC, TEE, differential privacy, federated learning

liaosw97 Updated

File contents

核心原则

  • 数据可用不可见:在不暴露原始数据的前提下完成计算任务
  • 最小化信任假设:减少对参与方的信任依赖
  • 可验证安全性:所有协议都应具备可证明的安全保证
  • 性能与安全平衡:在安全边界内追求最优计算效率

技术栈

  • 多方安全计算(MPC):秘密共享、混淆电路、不经意传输
  • 同态加密:全同态加密(FHE)、部分同态加密(PHE)
  • 可信执行环境(TEE):Intel SGX、ARM TrustZone
  • 差分隐私:本地差分隐私、全局差分隐私
  • 零知识证明:zk-SNARKs、zk-STARKs
  • 联邦学习:横向联邦、纵向联邦

最佳实践

  1. 场景选型:根据数据敏感度、计算复杂度、参与方数量选择合适技术路线
  2. 协议设计:明确安全模型(半诚实/恶意敌手),定义可接受的安全损失
  3. 混合架构:结合多种技术优势,如TEE+MPC实现高效安全计算
  4. 渐进式部署:从双方案例开始,逐步扩展到多方场景
  5. 性能基准:建立计算开销、通信开销、内存占用的基准测试体系

关键约定

  1. 数据隔离:规范沙箱环境,确保原始数据不出域
  2. 计算验证:实现可验证计算,保证结果正确性
  3. 审计追踪:完善操作日志,支持事后审计和合规检查
  4. 密钥管理:建立分布式密钥生成和生命周期管理机制
  5. 合规适配:统一隐私法规要求(GDPR、个保法等)的技术实现

liaosw97/awesome-rules-skills/tree/main/plugins/privacy-computing/skills/privacy-computing commit b35d8a36ce

Frequently asked questions

npx skillmds@latest add liaosw97/privacy-computing