马上消费副总经理兼首席信息官 蒋宁
数字经济时代，数据已成为关键的生产要素，它通过跨领域、跨行业的流通释放其要素价值。在金融业，要建立更加开放的金融生态，需要将金融服务与外部生态不断融合。这个过程中，仅仅立足于自身数据是远远不够的，需要最大化发挥跨领域、跨行业数据要素价值，并满足数据应用的安全合规要求。隐私计算的快速发展，为构建更加开放的金融生态提供了新思路。
政策法规与行业需求双轮驱动 隐私计算获关注
政策法规为隐私计算发展提供了机遇。当前，各金融机构正积极应用先进技术提升业务数字化水平，但技术带来的风险也随之提升，数据监管也越来越严格。国家层面，《中华人民共和国网络安全法》于2017年发布，《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》于2021年发布。2021年12月，中国人民银行发布《金融科技发展规划(2022-2025)》，明确提出从强化数据能力建设、推动数据有序共享、深化数据综合应用、做好数据安全保护方面充分释放数据要素潜能。
各项法规政策对信息安全、隐私保护给出了重要的指引，也对新技术在各个场景中的应用提出新的挑战，处理不好数据价值挖掘和数据安全保护之间的平衡关系，将阻碍数字化的进程，也会给企业、甚至社会和国家带来负面影响。因此，使用技术手段解决安全的数据流通问题，与法规政策要求高度契合，获得了良好的发展机遇。
“密态数据流通”需求推动隐私计算迅速发展。当前，我国数字经济发展迅速，数据流通成为其中必不可少的关键环节。传统数据流通方式通常直接进行明文数据的流通，随着数据的不断传播，数据安全风险也不断提高，数据流通环节中任何一个机构出现数据泄露，都会威胁数据安全。因此，在对数据安全要求较高的金融场景下，密态数据流通无疑是更好的选择，能够更好地控制数据的使用和流通范围，并保障数据安全。
以隐私计算为代表的密态数据流通技术的蓬勃发展，使得密态数据流通成为重要的数据流通形式。
当前隐私计算刚刚兴起，未来的数据规模、技术复杂度、应用场景都将远远大于现在。可以预见，隐私计算将成为构建开放金融生态的重要底层技术。
隐私计算发展态势 聚焦技术和产业
已形成三大技术方向。隐私计算是涉及密码学、智能科学、硬件技术的交叉融合技术，当前主流的隐私计算技术有三大方向：一是多方安全计算为代表的基于加密算法的发展方向;二是人工智能与隐私保护融合的联邦学习技术;三是基于可信硬件的可信执行环境技术。三大方向虽有不同，但不同技术在实践中常组合使用，在不同应用场景下强化数据安全和隐私保护。
多方安全计算(Secure Multi-party Computation，MPC)由图灵奖获得者姚期智院士在1982年提出，实现在无可信第三方的情况下，多个参与方共同进行一项计算，而每一方只能获取自己的计算结果，也无法通过计算过程推测出其他任意一方输入的数据。也就是说，多方安全计算可在各方不泄露各自输入数据的前提下，多方协同进行数据分析、处理。在金融场景下，可应用于联合统计、联合查询、联合建模、联合预测等。
联邦学习(Federated Learning，FL)是实现在各方机器学习原始数据不出库的情况下，通过对数据的加密流通与处理来完成多方机器学习模型训练。联邦学习是在人工智能开发过程中，为了保障用户隐私和数据安全而提出，因此广泛应用于智能化金融服务场景中。
可信执行环境(Trusted Execution Environment，TEE)是通过在中央处理器中构建一个安全的区域，保证区域内的程序和数据的机密性和完整性。TEE是安全隔离的执行环境，为受信任应用的运行提供了比普通操作系统更高级别的安全保障。
另外，零知识证明、同态加密、差分隐私、区块链等技术也常与三大技术方向结合，协同完成隐私保护的最终目标。三大技术方向的优劣势比较如下：
表1 各项技术优劣势比较
产业正蓬勃发展，未来发展空间巨大。从产业发展历程来看，国外企业研究应用隐私计算较早。微软在2011年开始深入研究多方安全计算、谷歌首次提出了联邦学习的概念、Intel打造的SGX已成为很多可信执行环境实现方案的底座。跟国外相比，我国隐私计算产业发展较晚，2016年左右开始出现隐私计算商用项目，但我国产业化发展的速度较快，从2018年开始进入快速发展期，产学研各方投入研究和发布的产品大增，许多大数据、人工智能、区块链、金融科技企业纷纷入局。但总体来看，当前隐私计算市场环境还未成熟，产业生态还有很大的发展空间。
从技术选型上来说，由于多方安全计算的技术复杂、开发难度大，因此布局这类技术路线的多为技术型企业，建设以多方安全计算为底座的数据流通基础设施。对于联邦学习，由于当前人工智能产业蓬勃发展，并伴随相关数据安全需求递增，且联邦学习有较多成熟的开源社区，开发难度相对较低，因此众多企业投入研发基于联邦学习的隐私计算产品。对于可信执行环境，由于对硬件的依赖及国外芯片的限制，国内相关产品相对较少，但已有一些企业在国产化硬件上进行了研发投入。
从商业模式上看，隐私计算技术供应商的收入主要可以分为两类。一是提供技术相关的产品或解决方案，通过软件产品或解决方案销售获得收入，同时可提供部署、运维服务。在面向不同行业或用户需求时，也可提供定制化开发服务。二是建设运营隐私计算平台，通过平台上的数据流通服务获得利润，此时技术提供方与平台运营方将共享收益，而拥有大量数据资源的技术厂商将具备更强的竞争优势。
我国隐私计算产业仍处于商业化的前期，但根据毕马威KPMG《隐私计算行业研究报告》预测，未来市场规模将快速发展，三年后技术服务营收将达到100-200亿人民币，甚至将撬动千亿级的数据平台运营收入空间。
隐私计算两大典型金融应用场景
金融机构在业务运营中积累了大量高质量、高价值数据，但这类数据仅与金融业务本身相关，而一些金融服务如授信、营销，通常需要更全面的客户画像。因此，金融机构有着与同业机构以及其他行业机构进行联合计算的需求。隐私计算技术的应用既挖掘了数据的潜在价值，又为数据风险控制提供了强有力的支撑。在金融领域，最典型的隐私计算应用场景有两个：
一是联合风控。通过融合多个机构数据，解决单个金融机构数据量有限的问题，提升风控模型精准度。也可综合其他行业数据，在各方原始数据不出库的前提下建立风控模型，形成多维度的数据分析，提升风控质量。在信息核验时，实现多方黑名单数据的共享，对骗贷、诈骗等行为的黑名单用户进行匿踪查询，提升信息查询的安全可信程度。
二是联合营销。金融机构利用政务、通信运营商、互联网平台等外部数据，在不输出原始数据的基础上，实现更精准的用户客群分类，制定更精准的营销策略。例如，银行结合电商、政务等其他合作方提供的消费、出行等数据，更精准识别目标客户，拓展理财或信贷业务。
针对金融场景隐私计算需求，各金融机构及金融科技企业已研发应用了较多隐私计算平台产品。FATE平台是微众银行研发的开源联邦学习平台，该平台对机器学习、深度学习、迁移学习提供了安全计算支持。平台已帮助众多机构完成数据安全使用和联合建模。平安集团研发了蜂巢联邦智能隐私计算平台，平台包含数据生态、联邦计算、联邦建模、推理应用等功能，已应用于跨机构数据合作、金融风控、交叉营销等场景，并已达成了跨异构平台互联互通建模案例。百度研发了点石联邦学习平台，提供从数据分析、模型训练、评估到预测的全流程服务，产品采用优化的可信计算引擎，相比传统的计算效率更高。当前，市场主流的平台产品都已具备较完备的隐私计算功能，且都在某些方面具备独特优势。
随着马上消费覆盖全国的线上消费金融业务的快速发展，利用隐私计算技术构建符合普惠金融的智能风控体系，已成为发展的必经之路。当前消费金融公司风控业务的痛点主要有两方面：一是随着业务的不断丰富，面临数据维度缺乏、数据量不足的问题。客户留存的数据逐渐不能满足风控需求;二是当借助外部数据优化风控模型时，由于数据安全保护要求，机构之间的数据融合壁垒较高，数据交互难度很大。
针对两方面痛点，马上消费研发多方安全计算平台，融合多方数据开展联合分析，实现风控模型性能的优化提升。马上消费在具体实践中探索联合工商、税务、社保、互联网平台等多维度数据，优化提升风控模型效果。平台在多方不共享数据的前提下确认共有的交集用户，对共有样本的原始数据进行特征加工，在满足隐私保护的前提下融合多方特征，构建逻辑回归算法和XGBoost算法，最终优化评分卡模型。应用模式见图1。相比单独建模，构建的风控模型预测指标提升了5%~10%，可更准确识别风险，提升普惠金融服务能力。
图1 马上消费隐私计算应用模式马上消费多方安全计算平台基于开源软件框架打造，技术相对自主、可控，且根据金融行业标准进行研发，有利于平台互联互通，形成标准化的功能应用。平台采用分布式架构，实现技术能力与应用服务的解耦，支持自定义算法，能够更好地满足多元业务场景的需求。平台将逐步应用于马上消费与众多合作方开展安全合规的数据合作，为当前亿级注册用户提供安全可靠的信贷服务。
面临的四大关键挑战
目前隐私计算虽已成功解决一些金融场景下的数据合规问题，但其在安全、性能、互联互通等方面仍存在巨大挑战，可能限制进一步的推广和应用。
安全有待于进一步提升。隐私计算涉及的算法多样，但其安全基础通常都会设定一些假设，以此为基础进行安全算法的设计。比如，假设多方计算的各参与方都严格遵守协议流程、假设各参与方之间不产生共谋、假设硬件提供商完全可信等。但实际情况下，这些假设并不一定成立。同时，隐私计算技术在产品化过程中，不可避免会产生系统安全风险，由于隐私计算产品的安全要求较高，系统安全薄弱环节将成为最易被攻击部分。
隐私计算需要更大的计算和通信负载。大规模应用隐私计算面临着计算和网络负载的限制。例如，通过隐私计算联合建模的耗时是传统机器学习的数十倍甚至数百倍。并且，隐私计算意味着多方同步计算，某一方计算或通信资源的瓶颈将直接限制整个计算平台的性能。
各方安全共识难以形成。隐私计算实际是让多个参与方在安全共识下开展多方计算。但是，参与者很难直观验证各方的安全性，当前也缺少隐私计算安全分级标准，使得实际应用场景下各方安全共识通常难以达成。
不同产品间很难互联互通。每一个隐私计算应用方都面临着与不同机构多方计算的问题，但各方部署的隐私计算平台可能基于特定的算法和设计实现，平台间很难完成信息的交互，导致重复建设和成本的浪费。因此互联互通也成为隐私计算正面对的巨大挑战。
隐私计算在未来大有可为
隐私计算在近几年取得了长足的进步，但要实现更大规模的应用落地，需要在多方面进一步提升。
通过软硬件优化加速提升隐私计算可用性。隐私计算底层的密码学技术虽带来了安全性，但计算效率被大大降低。因此，为满足未来的规模化落地，隐私计算平台需进行大量优化，针对数据处理各个环节，将性能提升到最优，并研究高性能硬件，以满足隐私计算的实时性要求。
隐私计算与多种技术互相融合。隐私计算与区块链、同态加密、差分隐私等技术将逐步融合，发挥技术的最大价值，并拓展应用场景边界。例如，区块链与隐私计算的结合，可实现全闭环的安全和隐私服务。
隐私计算行业生态的融合发展。当前虽已有成功的隐私计算案例，但多数仍处于摸索实验阶段，还未形成规模化效应。产学研用各界需加强隐私计算相关研究、开发、应用的布局。越来越多的开源项目也将加速隐私计算技术迭代，降低开发门槛和成本。隐私计算未来将形成多元、开放的产业生态。
隐私计算在金融领域正迎来蓬勃发展的新机遇。可以预见，隐私计算将成为金融行业数字化转型的关键一环，助力构建更加开放的金融生态，促进我国金融行业高质量发展。
(来源：新视线)
