# Privacy Computing

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

- Skill: `liaosw97/privacy-computing` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add liaosw97/privacy-computing`
- Raw SKILL.md: https://api.skillmd.com/api/skills/liaosw97/privacy-computing/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: liaosw97 (https://skillmd.com/u/liaosw97)
- Updated: 2026-09-22
- Page: https://skillmd.com/skills/liaosw97/privacy-computing

---


## 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