1、2021年中國隱私計算市場研究報年中國隱私計算市場研究報告告藍海壯闊，揚帆起航藍海壯闊，揚帆起航C O N T E N T S隱私計算市場現狀隱私計算技術分析隱私計算應用場景發展趨勢展望隱私計算變革010203040531.1市場環境分析市場環境分析個人隱私、產業機密數據保護日趨完善，為隱私計算發展提供制度支個人隱私、產業機密數據保護日趨完善，為隱私計算發展提供制度支撐撐近年來，一系列政策出臺和布局落地，從法律層面明確了數據安全和個人隱私保護的重要性。隱私計算及其相關技術作為平衡數據利用和安全的 重要方式，多次被政府等國家監管部門在相關政策文件中提及。發布時間文件名文件類型發布機構核心內容20

2、16年11月網絡安全法法律文件第十二屆全國人民代表大會常 務委員會第二十四次會議強調收集的用戶信息嚴格保密，維護網絡數據的完整 性、保密性和可用性，實行網絡安全等級保護制度2016年12月大數據產業發展規劃（2016-2020年）政策文件工業和信息化部支持企業加強多方安全計算等數據流通關鍵技術攻關 和測試驗證2019年9月金融科技發展規劃（2019-2021）政策文件中國人民銀行提出利用多方安全計算技術提升金融服務安全2019年9月工業大數據發展指導意見（征求意見稿）政策文件工業和信息化部在工業領域積極推廣多方安全計算技術2020年2月個人金融信息保護規范政策文件中國人民銀行對個人金融信息保護

3、提出了具體明確的要求2020年4月關于構建更加完善的要素市場化配置體制機制的意見政策文件中共中央，國務院將數據列為一種新型生產要素2021年5月中國一體化大數據中心協同創新體系算力樞紐實施方案政策文件國家發改委、中央網信辦、工 業和信息化部、國家能源局提出“試驗多方安全計算、區塊鏈、隱私計算、數據 沙箱等技術模式，構建數據可信流通環境，提高數據 流通效率2021年6月數據安全法法律文件第十三屆全國人民代表大會常務委員會第二十九次會議強調數據安全與開發利用并重，確立數據分類分級管理制度，多種手段保證數據交易合法合規2021年7月網絡安全產業高質量發展三年行動計劃（2021-2023）（征求意見稿

4、)政策文件工業和信息化部提出推動隱私計算等數據安全技術的研究攻關和部署 應用，促進數據要素安全有序流動2021年8月個人信息保護法法律文件第十三屆全國人民代表大會常 務委員會第三十次會議強調個人信息在數據流通過程中的安全合規數據來源：甲子光年智庫整理；41.1市場環境分析市場環境分析數字經濟版圖持續擴張，隱私計算產業順勢成數字經濟版圖持續擴張，隱私計算產業順勢成長長6.97.57.98.89.810.912.013.47.5%7.6%7.8%8.2%8.6%9.0%9.5%10.0%2018201920202021E2022E2023E2024E2025E數字經濟核心產業增加值規模（萬億元）增

5、長率根據甲子光年智庫測算，2025年中國數字經濟核心產業增加值規模將達13.4萬億。在數字經濟發展背景下，深挖數據價值、保護數據全生命周期 安全成為重中之重，隱私計算產業得以在這一浪潮中乘風而起。圖圖：2018-2025年中國數字經濟市場規模年中國數字經濟市場規模數據來源：甲子光年智庫，2021；備注說明：數字經濟核心產業包括數字產品制造業、數字技術應用業、數字要素驅動業、數字產品服務業；1.1市場環境分析市場環境分析數據要素市場改革推動數據協同模式、商業模式轉數據要素市場改革推動數據協同模式、商業模式轉變變2020年4月，中共中央、國務院發布關于構建更加完善的要素市場化配置體制機制的意見，將

6、數據同土地、勞動力、資本、技術等傳統生產 要素并列，作為一種新型生產要素參與分配。伴隨著數據要素市場改革推進，傳統數據流通機制進一步升級，數據協同模式由一次交易向多次安 全應用演進。此外，數據要素市場改革推動了數據產業的商業模式創新，從而對數據安全也提出了新出的需求。通過數據交易平臺對數據所有權進行交易1.0 模式：數據 包時代2.0 模式：明文 數據API接口時代將加工處理完的單方結果數據以API（應 用程序接口）形式輸出3.0 模式：隱私 計算時代通過協議或算法使得數據計算服務在不泄 漏原始數據的前提下充分挖掘數據價值， 實現數據所有權與使用權的分離直接交易模式授權轉移模式數據市場模式一般

7、數據平臺模式具備授權和問責式 數據平臺模式數據銀行模式圖：數據協同模式演進圖：數據協同模式演進圖圖2:七種數據交易商業模式七種數據交易商業模式數據信托模式數據來源：甲子光年智庫，2021；51.1市場環境分析市場環境分析企業數字化進程面臨數據安全困境，隱私計算需求迫企業數字化進程面臨數據安全困境，隱私計算需求迫切切隨著企業數字化轉型深入滲透，企業累計數據資產增多，平均數量級達到3.2PB，海量數據資產一方面意味著存在大量價值等待挖掘，另一方面意 味著對數據安全防護能力提出了更高的要求，隱私計算的應用能夠幫助實現數據“可用不可見”。企業數字化需求高圖圖1：企業數字化需求度：企業數字化需求度數據資

8、產累積多100TB-500TB18%10TB-100TB36%5TB-10TB4%5TB以下5%12%16%8%500TB-1024TB1PB-10PB10PB以上圖圖2：企業累積數據資源分布情況：企業累積數據資源分布情況平均數據量級平均數據量級 3.2PB39%32%30%27%20%16%缺乏完整的安全體系數據風險應對機制落后缺乏健全的數據安全服務數據治理能力弱系統高度離散缺乏統一管控防護數據可控性受限數據安全面臨多重挑戰高需求 31%數據來源：甲子光年智庫，2021；6有需求 60%無需求 9%圖圖3：企業數據安全困境：企業數據安全困境1.2隱私計算發展歷程隱私計算發展歷程技術發展近半個

9、世紀，商業化進程開啟加速模技術發展近半個世紀，商業化進程開啟加速模式式20世紀80年代姚期智等人提出多 方安全計算2008年第一家專攻多方安全計 算解決方案的技術廠商 Partisia在丹麥成立2011年-2015年微軟開始深入研究多方安全計算王爽教授提出全球首篇醫療在線聯邦 學習底層框架文獻；全球iDash國際安全計算競賽發起；英特爾推出Intel SGX2016年國內開始出現獨立的 隱私計算商業項目谷歌提出聯邦學習2018年微眾銀行開發了全球 首個工業級聯邦學習 開源框架FATE2021年關鍵信息基礎設施安 全保護條例、數據 安全法、個人信息 保護法開始實施隱私計算迎來融資熱潮，行業發展全

10、面加速從20世紀80年代多方安全計算提出至今，隱私計算相關技術發展已經將近半個世紀，商業化也已經十余年。2021年以來，相關政策出臺催化了行 業發展進程，隱私計算行業開啟加速發展模式。圖：隱私計算發展歷程圖：隱私計算發展歷程數據來源：甲子光年智庫整理；71.3隱私計算特征隱私計算特征致力于實現數據致力于實現數據“可用不可見可用不可見”，破解數據保護與應用矛，破解數據保護與應用矛盾盾隱私計算（Privacy Computing）是“隱私保護計算”（Privacy-Preserving Computation ）的簡稱，有時也被稱為“隱私增強技術”（Privacy-Enhancing Comput

11、ation），指的是由兩方或者多方聯合計算的技術或系統，參與方在不泄露各自數據的前提下通過協作對數據進行 聯合學習和聯合分析，且計算結果可被驗證。數據價值挖掘對于個人、企業、政府來說具有顯著意義，而如何兼顧數據應用和安全，平衡效率和風險是數據價值挖掘過程中的核心問題，隱私計 算有助于破解這一難題。個人消費者個人消費者企業企業政府政府隨著個人信息保護法落地， 提升個人數據所有權，實現授 權機制下的數據使用是大勢所 趨。隱私計算能夠降低個人隱 私數據在應用過程中泄密風險。數據作為一種生產要素，越來 越多的業務場景需要多方數據 流通和共享，打破“數據孤 島”。隱私計算能夠兼顧多方協作過程中的安全性與

12、效率性。數據開放已成為提升政務服務 的關鍵。隱私計算能夠在保障 數據安全的同時，增強全社會 的數據協作，推動數據要素賦 能產業升級。數據來源：甲子光年智庫，2021；81.4隱私計算行業發展痛點隱私計算行業發展痛點行業生態發展處于早期，政策、技術、商業模式仍需成長適行業生態發展處于早期，政策、技術、商業模式仍需成長適配配 由于正處于發展早期，隱私計算產業在走向壯大的過程中面臨許多挑戰。比如政策和法規落地的遲滯；技術和產品成熟度欠缺；未 來商業模式走向不明晰等。數據源數量和質量法律法規落地算力安全性計算精度數據源是隱私計算的基礎，獲取足夠多的數據 源才能展開更多應用。目前，隱私計算網絡上 數據源

13、節點占比較低。并且，數據源中存在數 據質量不高的問題，比如數據缺失、數據錯誤 等，均將影響計算結果。隱私計算所采用的一些密碼學加密算法，對于平 臺的算力和通信開銷很大，尤其是在面臨跨行業、 大規模、多模態的計算任務時，往往是以犧牲性 能換安全，需要算力平臺從通用型向專精型演進。隱私計算對于數據調用的全鏈路安全要求提升， 比如數據安全、密碼安全、模型安全、協議安全 等。隨著對應用場景深入，隱私計算對計算精度的要 求持續提升，比如同態加密技術中，如何解決復 雜函數的浮點運算等。2021年以來實施數據安全法和個人信息 保護法，但數據分級、技術標準落地應用仍需 時日。商業模式目前商業模式有待進一步分野

14、，銷售模式、服務 模式、分潤模式等商業模式仍然缺少標桿性案例。數據來源：甲子光年智庫，2021；9C O N T E N T S隱私計算市場現狀隱私計算技術分析隱私計算應用場景發展趨勢展望隱私計算變革03040502012.1隱私計算產業鏈分析隱私計算產業鏈分析隱私計算行業玩家豐富，各領域企業跑馬圈隱私計算行業玩家豐富，各領域企業跑馬圈地地 隱私計算產業鏈包括數據提供方、隱私計算廠商、數據使用方、第三方應用提供商、監督方五大角色。其中，數據提供方、 隱私計算廠商、數據使用方是主要角色，分別占據產業鏈上中下游。第三方應用將為這三大角色提供技術支持也能參與分 潤，監管方則對產業鏈各環節進行監管，有

15、時也作為數據源存在。數據使用方隱私計算廠商數據提供方第三方應用提供商醫療機構金融機構政府初創專精型廠商人工智能/金 融科技廠商互聯網 廠商區塊鏈 廠商網絡安全/ 大數據廠商人工智能廠商大數據服務商醫療 數據各級醫院、醫保機 構、醫藥公司等金融 數據各級金融機構、銀 聯、互聯網公司等政務 數據各地大數據局、稅 務、司法、工商等云廠商監管方經信委網信辦銀保監會衛監委數據來源：甲子光年智庫，2021；112.2隱私計算市場競爭格局隱私計算市場競爭格局大型廠商占據先發優勢，頂尖科研背景初創型企業潛力無大型廠商占據先發優勢，頂尖科研背景初創型企業潛力無限限螞蟻集團微眾銀行技技 術術 領領 先先 性性市場

16、競爭力市場競爭力 目前，隱私計算市場正面臨一片藍海，從隱私計算總體競爭格局來看，第一象限企業包含各類型隱私計算廠商。螞蟻集團、 微眾銀行等大型廠商具備技術和市場積累，在競爭中具有一定先發優勢，而像锘崴科技、瑞萊智慧等廠商，憑借頂尖科研 團隊，能夠在市場競爭不充分時占領一席之地。圖：隱私計算廠商市場競爭格局潛力象限圖：隱私計算廠商市場競爭格局潛力象限數據來源：甲子光年智庫，2021；瑞萊智慧富數科技洞見科技PlatON趣鏈致星科技同態信息百度锘崴科技華控清交 翼方健數藍象智聯神譜科技沖量在線慢霧科技矩陣元同盾控股122.2隱私計算市場競爭格局隱私計算市場競爭格局金融科技大廠專利數量積累豐富，初創

17、專精型企業是技術提供主力金融科技大廠專利數量積累豐富，初創專精型企業是技術提供主力軍軍 甲子光年智庫通過統計隱私計算核心技術專利數量TOP15申請人，從專利數量來看，螞蟻集團、微眾銀行、平安科技等金 融科技大廠占據優勢；從廠商數量來看，初創專精型廠商占據半壁江山。6722581159219螞蟻集團微眾銀行華為 騰訊科技華控清交58平安科技57翼方健數45百度38致星科技38同態信息37趣鏈科技28洞見科技锘崴科技16矩陣元15瑞萊智慧12圖圖1：隱私計算核心技術專利數：隱私計算核心技術專利數TOP15企業企業圖圖2：隱私計算核心技術專利申請人：隱私計算核心技術專利申請人TOP15各類型企業占比

18、各類型企業占比區塊鏈廠商, 13%初創專精型廠商,40%互聯網廠商, 20%人工智能/金融科技廠商, 27%數據來源：智慧芽、甲子光年智庫，2021年；132.3隱私計算市場規模隱私計算市場規模2025年整體市場規模超年整體市場規模超200億元億元，2021-2025年年CAGR超超100% 隨著中國大數據產業發展以及隱私計算技術不斷實現商業化，隱私計算市場規模將持續增長。目前數據使用方支出主要為 產品及服務費，根據甲子光年智庫測算，到2025年該領域市場將超過200億，2021年至2025年年均復合增長率達 133.4%。圖圖：2020年年-2025年中國隱私計算市場規模（單位：億元）年中國

19、隱私計算市場規模（單位：億元）4.07.425.967.4133.5220.3400.0%250.0%160.0%98.0%65.0%54.0%20202021E2022E2023E2024E2025E市場規模（億元）增長率數據來源：甲子光年智庫，2021；142.3隱私計算市場規模隱私計算市場規模初創專精型廠商和人工智能初創專精型廠商和人工智能/金融科技廠商是主力軍，金融行業占比最金融科技廠商是主力軍，金融行業占比最高高 根據甲子智庫統計，2021年各領域隱私計算廠商中，初創專精型廠商市場規模總量最高，其次是人工智能/金融科技廠商； 從聚焦行業來看，金融行業占比最高。初創專精型廠商,31%人

20、工智能/金融科技 廠商, 22%區塊鏈廠商, 21%網絡安全/大 數據廠商, 10%互聯網廠商,14%其他, 10%金融, 39%醫療, 22%政務, 28%數據來源：甲子光年智庫，2021；15圖圖1：2021年各領域隱私計算廠商市場規模占比年各領域隱私計算廠商市場規模占比圖圖2：2021年隱私計算各行業市場規模占比年隱私計算各行業市場規模占比2.3隱私計算市場重點行業規模：金融、政務、醫隱私計算市場重點行業規模：金融、政務、醫療療 甲子光年智庫通過對金融、政務、醫療領域隱私計算市場規模進行測算，2021年至2025年，年均復合增長率均在130- 150%左右，呈現高速增長態勢。圖圖1：20

21、20-2024年隱私計算金融領域年隱私計算金融領域 市場規模（單位：億元）市場規模（單位：億元）圖圖2：2020-2024年隱私計算政務領域年隱私計算政務領域 市場規模（單位：億元）市場規模（單位：億元）圖圖3:2020-2024年隱私計算醫療領域年隱私計算醫療領域 市場規模（單位：億元）市場規模（單位：億元）0.31.75.917.338.561.62020 2021E 2022E 2023E 2024E 2025E0.62.16.518.137.659.52020 2021E 2022E 2023E 2024E 2025E0.6數據來源：甲子光年智庫，2021；162.911.13170.

22、5116.22020 2021E 2022E 2023E 2024E 2025E2.4隱私計算產業圖譜隱私計算產業圖譜 目前，隱私計算已經成為各領域企業跑馬圈地的賽場，互聯網廠商、人工智能/金融科技廠商以及網絡安全/大數據廠商基 于其原有資源生態和技術路線，切入到隱私計算領域。初創專精型廠商則專注于提供隱私計算技術和服務；區塊鏈廠商基 于原有技術積累，開始在隱私計算領域尋求第二條增長曲線。互聯網廠商人工智能/金融科技廠商網絡安全/大數據廠商初創專精型廠商區塊鏈廠商17C O N T E N T S隱私計算市場現狀隱私計算技術分析隱私計算應用場景發展趨勢展望隱私計算變革02050103043.1

23、隱私計算核心技術隱私計算核心技術 隱私計算不是某一具體技術，其由密碼學、人工智能、安全硬件等許多領域交叉融合而成。從技術原理上看，隱私計算主 要分為密碼學和安全硬件兩大領域。密碼學技術目前以多方安全計算為代表，同態加密還在研發早期；安全硬件領域主要 指可信執行環境；此外，還有由人工智能和密碼學衍生出的聯邦學習等技術。聯邦學習（FL）2012年，王爽教授開創性地提出了全球首篇醫療在線聯邦學習底層框架的 文獻；2016年，Google提出聯邦學習在移動互聯網上應用的概念，聯邦學習技術開始廣為人知；2018年，微眾銀行應用“聯邦學習”技術，發布開源項目FATE。可信執行環境（TEE）同態加密（HE）

24、多方安全計算（MPC）1978年，隨著非對稱式加密算法RSA出現，同態加密的概念被首次提出2009年，Gentry提出首個實用全同態加密算法，標志著全同態加密時代開啟2017年，國際同態加密標準委員會成立。1982年，姚期智提出百萬富翁問題，引入安全兩方計算；1987年，GMW將安全兩方計算拓展到多方安全計算；2008年，多方安全計算技術首次被應用到拍賣比價過程中；2019年，由阿里巴巴牽頭的MPC聯盟成立，并推進相關IEEE國際標準。在保障大數據交換時的信息安全、保 護終端數據和個人數據隱私、保證合 法合規的前提下，在多參與方或多計 算結點之間開展高效率的機器學習。在保障隱私的前提下，多個參

25、與方各 自輸入信息，并得到一個運算結果。 多方安全計算的實現包含多個關鍵的 底層密碼學協議或框架，主要包括不 經意傳輸、混淆電路、秘密分享等。基于硬件防護能力的隔離執行環境中 計算，實現數據安全和隱私保護功能。對密文進行特定的代數運算后得到仍 然是加密的結果，將其解密所得到的 結果與明文計算的運算結果一樣。2009年，OMTP提出TEE標準；2015年，Intel發布首款商業化支持TEE方案的CPU Intel SGX；2018年，Mesa TEE借鑒方案；2020年阿里巴巴發布Occlum TEE系統。人工 智能19密碼學安全硬件3.2技術成熟度分析技術成熟度分析多方安全技術計算發展最為成熟

26、，其他技術均處高速成長多方安全技術計算發展最為成熟，其他技術均處高速成長期期技術技術可信執行環境可信執行環境多方安全計算多方安全計算同態加密同態加密聯邦學習聯邦學習性能高低中低高通用性中高中低高效性中中高低準確性高高高中高保密性中高高高中整體描述通用性強，性能 佳，但需要信任 芯片廠商（Intel、ARM）等通用性強，安全 性高，研究時間 長，性能不斷提 升，目前應用廣泛計算開銷大， 通信開銷小， 安全性高， 開發難度大，目前實用性較低綜合運用密碼 學各類方法， 應用已進入相 對成熟階段技術成熟 度處于技術發展快 速成長期已達到技術成熟 的預期峰值處 于 技 術 創 新 早 期 ， 快 速發展

27、階段處于技術發展 快速成長期28201956%40%38%26%13多方安全計算可信執行環境聯邦學習同態加密企業數量占比數據來源：甲子光年智庫，2021；20圖：隱私計算服務商技術分布及占行業整體數量比圖：隱私計算服務商技術分布及占行業整體數量比重重 甲子光年智庫根據對50家隱私技術服務商核心技術分析，56%的廠商應用了多方安全計算技術，其次是可信執行環境、 聯邦學習、同態加密。從技術成熟度來看多方安全計算已經達到成熟的預期峰值，可信執行環境和聯邦學習均處于高速發 展階段，同態加密處于早期快速發展階段。圖：隱私計算核心技術發展情況圖：隱私計算核心技術發展情況3.3技術架構分析技術架構分析為底層

28、計算到數據運營全流程安全保駕護為底層計算到數據運營全流程安全保駕護航航 技術架構可分為平臺層、計算層、安全層、應用層和運營層，平臺層由云廠商組成，大多數隱私計算服務商覆蓋計算層、 安全層，應用層廠商則需要與金融、醫療場景深度融合，運營層則側重于數據流通過程中的運營服務。圖：隱私計算平臺技術架構體系圖：隱私計算平臺技術架構體系計算層安全層 數據模型安全 用戶安全 計算安全 結果安全平臺層應用層 數據查詢 聯合模型 模型評估 安全決策 深度學習 目標匹配 統計分析 統計決策 公有云 私有云 混合云 聯盟學習 區塊鏈 隱私計算運營層 數據查詢 數據分析 模型結果分析 數據授權 數據管理 數據追溯 數

29、據托管 數據流通典型代表數據來源：甲子光年智庫，2021；213.4產品形態分析：平臺類產品為市場主產品形態分析：平臺類產品為市場主力力特點一種是數據流通基礎設施平臺，提供底層技 術平臺，一般不直接接觸數據和提供具體應 用開發服務；另一類則與業務結合緊密主要應用于業務場景，比如智慧風控、疾病 防控、新藥研發等受限于對國外芯片的強依賴，國內該產品較 少，但仍有部分廠商已開始開展在國產化硬 件方面的合作探索基于多方安全計算的 隱私計算平臺基于聯邦學習的 隱私計算平臺可信執行環境類產品代表廠商產品類型平 臺 類 產 品硬 件 安 全 產 品 目前市場上隱私計算產品以平臺類產品為主，主要包括基于多方安

30、全計算的隱私計算平臺、基于聯邦學習的隱私計算平臺 以及可信執行環境類產品。其中，基于聯邦學習的隱私計算平臺在金融領域應用廣泛。數據來源：甲子光年智庫，2021；22C O N T E N T S隱私計算市場現狀隱私計算應用場景發展趨勢展望隱私計算變革0205010403隱私計算技術分析4.1商業模式分析商業模式分析銷售和服務模式為主，多種模式混合搭銷售和服務模式為主，多種模式混合搭配配 目前，隱私計算服務商主要有三種商業模式，通常三種模式混合搭配。由于行業發展處于早期，對于大多數公司來說，軟 硬件以及服務是主要的營收來源。隨著數據源節點不斷豐富、行業生態日趨完善，隱私計算服務商與數據使用方或提

31、供方 合作，能夠獲得長期持續性收入。圖：隱私計算主要商業模式圖：隱私計算主要商業模式軟硬件 銷售模式一次性收取產品、系統搭 建費服務模式按年度收取系統 維護費用分潤模式與數據使用方聯合運營方， 與數據提供方合作，實現 利潤共享模式一模式二模式三數據來源：甲子光年智庫，2021；244.1商業模式：軟硬件銷售模式商業模式：軟硬件銷售模式/服務模服務模式式硬件產品軟件產品主要特點 產品類型：隱私計算一體機、隱私計算平臺、 FPGA加 速卡 維護和服務：算法和模型更新，按年度收取服務費 收費方式：根據客戶需求按照系統所消耗的計算存儲資 源、數據源節點數量收費，每單數十萬到數百萬不等。典型企業及其產品

32、數據調用銷 售隱私保護及其學習平臺RealSecure锘崴信隱私計算平臺星云Cluster隱私計算軟硬件一體機PrivPy多方安全計算平臺維護和服務數據使用方業務應用隱私計算技術服務商數據提供方數據來源：甲子光年智庫，2021；25圖：隱私計算軟硬件銷售圖：隱私計算軟硬件銷售/服務模式服務模式4.1商業模式：分潤模式商業模式：分潤模式 收費方式：1早期數據使用方無需承擔大額平臺系統搭建費用，技 術服務方從數據使用方業務應用的收益中分潤；2根據數據使用方的數據調用量，從數據源收益中分潤；3目前該模式還在探索當中，還未被廣泛使用。主要特點隱私計算技術 服務商數據 使用 方數據 提供 方數據源分潤數

33、據來源：甲子光年智庫，2021；26收益分潤業務 應用圖：隱私計算分潤模式圖：隱私計算分潤模式4.2應用行業分類應用行業分類政務、金融、醫療為主要應用行政務、金融、醫療為主要應用行業業39292282278%56%44%16%4%4%金融政務醫療營銷電信互聯網企業數量占比數據來源：甲子光年智庫，2021；27 從50家隱私計算服務商服務客戶領域來看，占比較高的有金融、政務、醫療、營銷等，其中金融占比較高，達39家，其 次是政務、醫療。圖：隱私計算各行業應用企業數量及占整體企業數量比重圖：隱私計算各行業應用企業數量及占整體企業數量比重4.2應用行業分類應用行業分類各領域有代表性場景出現，大量場景

34、仍待挖掘落各領域有代表性場景出現，大量場景仍待挖掘落地地政務數據能力開放、一網通管、聯合安 防、政企互聯、智慧醫療、智慧城 市、應急管理和應急響應等金融醫療聯合征信、精準營銷、聯合風控、客戶畫像等新藥研發、臨床輔助診斷、疫情 防控、基因分析、醫保風控、科 研、醫療AI等 目前隱私計算各領域場景應用比較單一，比如金融領域多集中于風控和營銷，醫療集中于疫情防控、醫保風控等。未來在 這些賽道還有大量場景可以挖掘。數據來源：甲子光年智庫，2021；284.3典型廠商分析：锘崴科技典型廠商分析：锘崴科技杭州锘崴信息科技有限公司(锘崴科技)團隊由聯邦學習開拓學者王爽教授、前硅谷知名科學家和工程師組成。锘崴

35、科技致力于為我國開發一整套自 主、安全、可控的隱私計算基礎設施平臺，實現數據“可用不可見”和”數據不動價值動“的新型計算范式，賦能醫療、保險等多個行業，促進 多方的數據協作和計算。技術能力 聯邦學習 可信執行環境 多方安全計算 同態加密標桿客戶醫 療金 融政 務 2011年開始研究隱私計算，2013 年開創性地提出了全球首篇醫療在 線安全聯邦學習底層架構 隱私計算領域發表超300余篇學術論文，總引用量超2萬余次行業應用農村精準扶貧醫保核保或者醫保控費政務數據開放共享生物基因聯合分析醫學影像分析及輔助診斷醫療數據匿蹤查詢臨床數據多中心研究多中心跨機構金融聯合征信及風控交易策略隱私保護及知識庫聯合

36、營銷、供應鏈金融數據來源：锘崴科技；294.3典型廠商分析：锘崴科技典型廠商分析：锘崴科技锘崴科技以锘崴信隱私計算平臺為核心，包括醫療保險（NovaVita），金融(NovaFintech)、政務（NovaGov）等系列產品。產品具備部署 靈活、強大技術平臺、開發便利等特征。代表產品锘崴信隱私計算平臺產品特色部署靈活強大技術 平臺開發便利安全保證容器化、云原生部署 + 端部署服務安全/健康監控各組件/各層級的高可用、松耦合各種虛擬機或物理機的部署多種CPU及國產化架構通用平臺 - 支持自主開發應用軟硬件結合，聯邦學習、MPC、同態加密等技術集成方案面向政務、金融、醫療、安防等行業垂直應用場景解

37、決方案支持橫向擴展和數據并行，TB級數據處理能力支持細粒度并行計算支持多種高級開發語言常用數學計算函數庫機器學習、深度學習算法庫特定行業（醫療、金融等）算法庫開發-授權-發布全流程方案具有完備計算及結果可以驗證證明 兼容國際開源和國產密碼體系支持惡意安全假設模型 支持區塊鏈存證審計功能，且可替換數據應用授權管理流程 核心協議設計簡潔，支持可信第三方開放系統通信安全：SSL、CA認證等數據來源：锘崴科技；304.3典型廠商分析：瑞萊智慧典型廠商分析：瑞萊智慧 聯邦學習 多方安全計算 匿蹤查詢 團隊孵化自清華大學人工智能研究 院，由張鈸院士、朱軍教授共同擔 綱首席科學家。自主研發的聯邦AI編譯器直

38、觀可驗證的安全性智慧風控智能營銷聯合科研應用場景瑞萊智慧RealAI是第三代人工智能技術基礎設施和解決方案提供商，提供一站式賦能平臺。其隱私保護計算平臺RealSecure是一款基于安全多方 計算、聯邦學習、匿蹤查詢等核心技術打造的數據安全共享基礎設施，能夠幫助金融機構完成聯合風控、聯合營銷、聯合科研等跨機構數據合作 任務。技術能力代表產品隱私保護計算平臺RealSecure數據來源：瑞萊智慧；314.3典型案例分析典型案例分析锘崴科技：基于隱私保護的超大規模醫學科研網锘崴科技：基于隱私保護的超大規模醫學科研網絡絡锘崴科技基于隱私保護的超大規模醫學科研網絡pSCANNER在全球屬于首創，該項目

39、始于2014年，通過創建一個大型、具有高度代表性的醫療 網絡來輔助臨床結果研究，提高國家進行比較有效性研究（Comparative Effectiveness Research）的能力。來自17個衛生系統超過三千萬人OMOP 氠俚埛卥卥做岻緶卸pSCANNER 利用聯邦學習等隱私計算技術，通過 “數據可用不可見”的方式，連接了17家現有醫 療衛生系統的數據源，覆蓋了超過 3700 萬患者。方式一：不同的 數據源的數據脫 敏后，匯總進行 分析傳統數據 共享方法pSCANNER通過使用可擴展的聯邦式網絡基礎設 施以及新穎的隱私計算能夠對從多中 心臨床數據庫收集的數據進行近乎實 時的比較有效性研究和

40、前瞻性分析。OMOP公共數據模型公共數據模型方式二： 數據 存在不同數據源 的沙箱進行獨立 分析，對于分析 結果通過薈萃分 析的方式整合影響數據質量影響時效性影響數據的覆 蓋范圍基于每個數據 源的獨立結果 的薈萃分析的 精度有限，影 響實驗結果。數據來源：锘崴科技；324.4典型案例分析典型案例分析瑞萊智慧：聯邦反欺詐建模和黑名單共享案瑞萊智慧：聯邦反欺詐建模和黑名單共享案例例0.710.720.740.230.320.36銀行A銀行B聯邦建模圖：應用圖：應用RealSecure前后前后 銀行反欺詐效果差異銀行反欺詐效果差異aucks使用隱私保護計算平臺，銀行A和銀行B 可以分別準備相關反欺詐

41、樣本數據，包括 標簽和特征，上傳至隱私保護計算節點， 通過橫向聯邦的方式，基于雙方銀行準備 的反欺詐樣本數據進行特征對齊及建模。 在雙方數據可用不可見的情況下，構建一 個雙方可用的效果更優的反欺詐模型。基于匿蹤查詢技術，銀行之間可發起隱私 黑名單查詢服務。匿蹤查詢技術是在發起 方不暴露查詢ID的前提下，能夠獲得該ID 在其他機構的信息。查詢方可獲得黑名單 信息的密文結果，并解密獲得和名單標簽 信息。在黑名單共享匿蹤在黑名單共享匿蹤 查詢場景中查詢場景中，銀行 擁有數萬量級黑名 單的情況下，匿蹤 黑名單服務單次查 詢的平均耗時為 720ms，通信數據 量為420M，滿足 了業務場景時效性 的要求

42、。圖：圖：銀行間基于匿蹤查詢技術查詢黑名單示意圖RealSecure橫向聯邦交易反欺詐示意圖應用客戶風控一直被視為銀行的核心能力，數據是關鍵要素，但是銀行自身能擁有與收集到的數據只是“小數據”，尤其在合規要求下，各家機構面臨 “不愿、不敢、不能”共享數據的困境，導致無法支撐效果優異的風控模型。瑞萊智慧通過隱私計算保護平臺RealSecure，讓參與方銀行完成數 據安全合規的互聯對接。在此基礎上，基于橫向聯邦和匿蹤查詢等功能分別實現了反欺詐模型共建和黑名單共享，幫助銀行機構提升風控能力。核心技術應用效果數據來源：瑞萊智慧；33C O N T E N T S隱私計算市場現狀隱私計算技術分析隱私計算

43、應用場景發展趨勢展望隱私計算變革02040105045.1技術發展趨勢技術發展趨勢區塊鏈技術、聯邦學習深度應用，開源框架開創新商業模區塊鏈技術、聯邦學習深度應用，開源框架開創新商業模式式 隱私計算行業在中國發展正處于發展早期，底層技術很大程度影響產品的性能和功能，一方面多方安全計算等密碼學技術將不斷迭 代發展；另一方面，區塊鏈、聯邦學習與密碼學相關技術的融合成為未來發展趨勢。此外，未來開源框架將如何推動產業發展、構 建新的商業模式同樣值得期待。區塊鏈技術區塊鏈技術聯邦學習聯邦學習隱私計算和區塊鏈能夠形成互補 的技術體系。隱私計算解決的是 計算過程可信問題，但不能確保 數據本身可信。引用區塊鏈技術 能夠解決這一問題。數據使用方 能夠將得到的加密信息在區塊鏈 中進行驗證，既能確保數據真實 性又能確保安全性。聯邦學習最大的特點是能夠在數 據不出本地的前提下，構建共有 模型，其或將成為下一代人工智 能協同算法和協作網絡的基礎。 目前，其與隱私計算重合度越來 越高，尤其在金融領域應用廣泛。開源框架開源框架數據來源：甲子光年智庫，2021；35