腾讯安全联合多方启动“隐私计算开源协同计划”

技术社区和科技企业正在加快隐私计算的联合技术攻关。在近日召开的WAIC（世界人工智能大会）数据要素流通前沿技术探索论坛上，腾讯安全、Open Islands开源社区、FATE开源社区、百度云、京东科技等五方，共同宣布启动“隐私计算开源协同计划”，致力于加快各大平台之间的兼容和开源项目的协作，旨在打破数据孤岛、平台孤岛，促进隐私计算平台联动互通。

隐私计算作为数据要素可信流通的关键基础技术，在技术落地过程中，逐渐面临平台孤岛、异构互联互通，以及可预见的开源项目孤岛难题。在这一背景下，隐私计算已逐渐成为实现数据可信流通，促进数据价值释放的重要技术手段之一。

为了加快推动各大主流平台在保证各自技术底座的兼容性基础上加强各方协同性，助力隐私计算产业生态的形成，此次五方联合发布开放“隐私计算开源协同计划”，将分为形成标准期和多方协作期两个阶段：第一阶段，五方机构将基于现有隐私计算技术平台，探索技术合作方案，保证各自技术底座的兼容性；第二阶段将从项目运营、技术研发、法律合规三大层面执行隐私计算开源协同计划。

作为国内率先推进隐私计算研究的企业之一，腾讯安全基于自研Angel PowerFL隐私计算框架，以联邦学习、安全多方计算、可信执行环境等隐私数据保护技术为基础，针对机器学习、数据分析等算法进行定制化的隐私保护改造，打造了数据应用全链路的隐私计算平台，能够保证原始数据不出本地即可快速完成隐私计算任务，真正实现“数据可用不可见，数据不动价值动”。

在与各行各业企业的落地实践合作中，腾讯安全隐私计算平台具备独特的技术优势。

在建模效率上，腾讯安全针对合作方缺少样本数据和建模人力的常见情况，通过结合安全集合求交PSI技术、脱敏技术和深度学习技术自研小样本学习算法，解决了建模的冷启动问题。另外平台有着灵活的主控方角色配置，支持远程辅助训练，搭配平台的自动化寻参技术，可以大大提升建模的效率，同时保护两边数据的安全。

在安全性方面，针对纵向联邦学习暴露双方交集ID的情况，腾讯安全在隐私集合求交和模型训练算法中增加了隐匿功能，极大程度平衡了性能和安全性，可以解决银行等强安全客户的诉求。

在场景适配上，平台针对最常见的风控和营销场景做了大量的适配和优化，比如平台的安全集合求交PSI算法支持带画像标签的安全求交、支持一键生成包括段内逾期率、累计KS值、lift等金融场景元素的模标准型报告，显著节省了建模人员的研发时间。

除此之外，腾讯安全隐私计算平台还致力于提供高性能高可靠的服务能力，自研的隐匿查询算法可以支持十级至百万级等不同安全级别混淆度的灵活配置，百级混淆度下单次查询耗时仅3ms，同时支持多租户和复合键查询；在架构设计上，无状态的安全协议设计对外部的API接口友好，无需任何侵入可以快捷对接，同时覆盖全流程的链路监控保证了跨机构的隐匿查询服务的可观测性，在某知名车企的销售线索清洗等多个场景上成功上线应用。

目前，腾讯安全隐私计算平台在政务、银行、汽车等行业都有成熟的落地实践。未来，腾讯安全将持续围绕智能化、轻量化、场景化推进隐私计算能力迭代升级，助力各行各业合规激发数据价值。