隐私计算技术如何处理敏感数据共享的？

隐私计算技术是一种在保护数据隐私的同时进行数据分析的方法。它通过加密、同态加密、安全多方计算、差分隐私等技术，使得数据在使用过程中保持加密状态，从而在不暴露原始数据的情况下实现数据的共享和分析。
以差分隐私为例，用户共享的数据是添加了噪声扰动的，接受者有一定概率无法推测出原始数据的准确信息

隐私计算技术通过一系列方法在数据共享过程中保护敏感信息，实现“可用不可见”。主要技术包括多方计算（MPC）、可信执行环境（TEE）、联邦学习（FL）和差分隐私（DP）等。这些技术确保在不暴露原始数据的情况下完成计算任务：

多方计算（MPC）：允许多方在不泄露各自输入数据的前提下共同计算一个函数的结果。数据在本地加密后，通过安全协议与其他方进行联合计算。

可信执行环境（TEE）：在受保护的硬件环境中处理敏感数据，保证代码和数据在此环境内的隔离性和机密性，外部环境无法访问内部数据。

联邦学习（FL）：模型训练过程中，数据保持在本地，仅模型参数在参与者间共享，从而实现数据不出域的机器学习。

差分隐私（DP）：通过向数据中加入随机噪声，确保数据分析结果不会因单个数据点的增减而产生显著变化，保护个体隐私。

隐私计算是什么意思？

蚂蚁隐私计算服务平台

敏感数据保护技术解决方案

ACK-TEE机密计算介绍

蚂蚁隐私计算服务平台，集成密码学、机器学习技术和加密硬件等多种安全方案，打破数据孤岛，不暴露各参与方敏感数据，实现数据可用不可见，满足安全、合规的需求。

参考文档https://help.aliyun.com/document_detail/356667.html?spm=a2c4g.11186623.0.i3