保障技术主要分为两类：匿名化技术，例如假名化、泛化、加噪、 受控匿名化；隐私计算技术，例如可信执行环境、多方安全计算、联 邦学习、可信密态计算。
1. 典型匿名化技术
匿名化是指个人信息经过处理后无法识别特定自然人且不能复 原的过程。匿名化技术通过对数据进行模糊化处理，改变数据颗粒度， 进而降低数据的可识别风险。常用技术包括假名化、泛化、加噪等。
（1）假名化 假名化是使用假名替换真值的技术，通常用来处理直接标识符。 假名化技术一般通过随机假名分配、散列函数、加密算法来实现，使 用过程中需要对假名分配表、散列函数、密钥等辅助信息采取合理的 安全保护措施。 在广告行业中，假名化技术能够很好地隐藏用户 ID、身份证号、 邮箱等直接标识用户身份的信息。但是假名化技术一般是基于密钥、 映射表构建假名和真名之间的连接，数据流通的部分参与者知晓这些 因素，因此它们能够从假名中恢复身份信息。假名化技术主要是保护 身份类信息，无法保护需要参与计算的属性类信息，对于外部攻击者、 部分数据流通参与者，是无法从假名化信息中获得身份信息的。因此， 假名化技术更多的是保护用户的个人隐私，对企业的数据利益保护效 果较小。
（2）泛化（Generalization） 泛化是将属性值抽象为较一般化、不易区分值的过程。泛化技术的目标是减少独特记录的个数，使得泛化后的属性值在多个用户中都 会出现，从而降低从属性反推用户信息的可能性。 除了对单一属性进行泛化外，目前泛化技术研究还考虑了两种扩 展情况：①从多维度属性反推用户信息；②针对流式数据，如何保障 用户信息。前者的典型处理技术包括 k-匿名算法等；后者主要是基于 扰动、树状结构、伪造值和聚类等构建方案。 在广告行业中，泛化能够减少对外传播的信息的量，进而减少个 人隐私暴露以及企业信息泄露的程度。但是泛化也会损失数据精度， 导致部分计算任务无法完成。实际使用中，泛化程度的选择常常令人 左右为难。
（3）加噪 在原始数据上添加扰动噪声，能够降低攻击者识别出数据主体的 可能性。常用的加噪技术为差分隐私，该技术为隐私保护提供了严格 可量化的数学定义。差分隐私算法一般通过在特定分布中生成不可预 测的随机数的方法实现，同时能够保证加噪结果在真实值附近，保留 了数据的统计特征。 按照差分隐私实施的位置，又可以分为本地差分隐私（Local Differential Privacy，简称 LDP）和集中式差分隐私（Central Differential Privacy，简称 CDP）。LDP 一般作用在数据开始计算以及对外传播之 前，比如机器模型训练之前；CDP 一般作用在数据完成计算之后、对 外传播之前，比如数据库返回聚合信息。 加噪与泛化的作用类似，能一定程度上保护用户信息和企业数据利益，但同时也面临“加噪程度如何选择的难题”。
2.可信执行环境及可信计算技术
可信执行环境（Trusted Execution Environment，简称 TEE）提供 一个基于硬件的隔离运行环境，其隔离性不受任何外部软硬件和运营 人员的影响。所以多个参与方可以把数据都放到一个 TEE 中，而不 担心 TEE 的物理持有者可以窥探其中的内容。TEE 还提供远程验证 能力，通过该技术，远程客户端可以确认 TEE 内执行的代码逻辑， 进而可以判断该代码是否会恶意输出数据。与典型的匿名化技术相对， TEE不需要损失数据精度，可以全面保护各种类型的数据；与MPC/FL 相比，TEE 在计算过程中不需要密码学计算和网络交互，性能可接近 明文。 可信计算（Trusted Computing，简称 TC）指的是计算机系统的行 为如预期的计算技术。广义上也包括 TEE，一般情况下特指基于可信 平台模块(Trusted Platform Module, 简称 TPM)、可信平台控制模块 (Trusted Platform Control Module，简称 TPCM)的计算系统度量和验 证技术。在恰当的软硬件配合下，比如去除软件的特权账号、防止物 理攻击内存等，上述技术可以实现抵御物理持有者的攻击。
在广告行业中，TEE 和 TPM 技术可以用来保护各个场景下的用 户数据，对场景和性能的约束很小。它主要缺点是依赖特殊硬件，会 引起一些额外的成本，从现实情况来看，部分广告场景数据量大、数 据价值密度低，额外的成本市场接受度低。TEE 和 TPM 技术一般需 要部署在数据方自己的管理域外，一旦有系统漏洞，数据可能会面临失窃风险。
3.多方安全计算与联邦学习
多方安全计算（Secure Multi-Party Computation，简称 MPC）通 过密码学技术让多方共同计算一个目标且不需要将自己的数据泄露 给其他方。MPC 一般会针对每个基础运算设计不同的协议，再通过 基础运算的组合实现复杂运算。每个基础运算的协议一般都会伴随着 密码学运算和网络交互，所以 MPC 协议一般需要大量的密码学运算 和网络交互。 为了探索技术理论，一些弱化的 MPC 算法会在“参与方不会篡 改本地逻辑”的假设下进行研究，但这种假设一般与现实不符，通常 仅能提供一定的安全性，但无法充分满足现实要求。 联邦学习（Federated Learning，简称 FL）指多个参与方在不交换 原始数据的情况下，仅通过交换模型参数和中间结果，完成机器学习 训练和预测。与 MPC 相比，FL 存在中间变量泄露、被恶意参与方窃 取有价值信息的风险。目前一些 FL 在探索使用同态加密、差分隐私、 TEE 等技术缓解上述风险。 在广告场景中，MPC 和 FL 可用于数据价值大但规模较小的场 景，因为 MPC 和 FL 不需要特殊硬件，部署相对灵活。但与此同时， MPC 和 FL 同样也有着“安全性”和“性能”处于跷跷板关系的困境， 实际使用中需根据情况甄别。
可信密态计算 (Trusted-Environment-based CryptographicComputing，简称 TECC)是指将数据以密态形式在高速互联的可信节 点集群中进行计算、存储和流转的一种可信隐私计算技术。可信密态 计算既能够抵御常见的安全隐患又能够快速处理大规模数据。具体表 现在，它能够缓解供应链攻击、系统漏洞等常见的硬件安全隐患，以 及抵御合谋攻击、恶意敌手攻击等常见的密码协议攻击。同时，它不 受公网传输瓶颈和复杂的密码计算拖累，没有显著的性能瓶颈。
数据提供者在本地将数据拆分成多个密态分片数据，并将每 个密态分片数据传递给不同分区的可信计算节点。这里单个密态分 片数据不会泄露原始数据的任何信息。每个分区的可信计算节点只接触一份密态分片数据，不接触 任何明文数据。多个分区的可信计算节点通过密码协议（MPC、安 全联邦学习等）完成目标计算，单一分区被攻破不会产生数据泄露 风险。 可信计算节点使用可信计算技术（TEE/TPM/全栈可信 等），保证运营者无法进行窥探。 密码协议的同一个角色由一个可信计算分区集群承担，计算 资源可以进行动态水平伸缩。 数据采用密态胶囊形式进行存储，包括密态分片数据以及与 其绑定的访问规则，运营者无法滥用密态数据。 在广告行业中，TECC 可以用于构建面向广大机构的数据流通的 平台，一方面让中小企业能够享受到高安全的数据流通服务，另一方 面通过多场景的共享，平摊 TECC 的建设成本。
绝对匿名化是指任何情况下都无法识别特定自然人且不能复原， 但科学无法证明未知，因此绝对匿名化难以被有效证明。在具体实践 中，相对匿名化会是更加切实可行的方案。相对匿名化是指个人信息 经过处理，在不结合额外信息、在经典算力和合理时间范围内，无法 识别特定自然人且不能复原的技术。受控匿名化是指将相对匿名化的 数据限制在受控环境中使用，以确保在受控环境中，达到无法识别特 定自然人且不能复原的匿名化效果。通过严格管控受控环境与外界的 交互，进而满足了相对匿名化的限制条件，受控匿名化技术中，各参与方首先在本地对数据进行去标识和模 糊化处理，并且数据的后续处理和使用也受到严格的管控，通过受控 环境来限制其与外部的交互。图 3 所示为典型的受控匿名化流程。
在参与方本地，需要分别对标识符（Identifier，简称 ID）和属性 进行处理。首先，参与方在本地对 ID 进行去标识。为保证 ID 能够支 持融合碰撞计算，一般通过 HMAC 或确定性加密算法实现去标识。 其次，参与方对属性信息进行模糊化处理，可采用泛化、加噪等方式， 通过对属性的模糊处理能够进一步降低数据的可识别性。最后，所有 参与方完成数据处理后，将数据传输到受控环境中进行融合计算，相 对匿名化的数据在离开参与方后仅出现在受控环境中，在研发中的数 据展示和结果输出中，需要对数据进行泛化、加噪等模糊化处理，以 避免通过结果推断原始数据。 受控环境通过可信计算等安全保障技术，可实现受控环境与外部通道交互的严格管控，降低了数据泄露的风险。此外，受控匿名化极 大程度地保留了 ID 和属性的数据价值，且计算量小性能高，能够适 用于较多数据碰撞、融合计算等场景中。 在广告产业中，受控匿名化可以保障数据流通过程中用户的隐私， 尤其是同时需要流通身份、属性信息的场景，且由于受控匿名化方案 性能损耗小，能够适用大规模或实时运算场景。例如在广告程序化交 易流程中，供应方将其用户的 User ID、IP 地址和广告位信息发送给 广告主，广告主结合其已有的用户信息，给出更为精准的报价，提升 资金利用效率。 对受控环境的审核是合规的重要环节。由于广告行业数据传输链 路非常多，全部自建受控环境审核压力较大，因此，部分自建、部分 适用公共服务，也是平衡上述问题的一种选择。
在数据流通场景中，跨域管控是指数据离开持有者（也叫数据方、 数据持有方）的运维域后，数据方仍然能够有效地控制数据的流转过 程，避免其被窃取或者非预期地使用。 图 4 是跨域管控技术通用逻辑的抽象示意图。一部分工作需要数 据方亲自进行（在数据方域内进行），包括：1）验证数据方域外的环 境，以确认该环境是否安全；2）对数据做预处理，以满足后续处理 的格式要求，或者减少对外传递的信息量；3）对数据进行加密，并 且保证只有前述验证过的环境才能解密；4）当有其他方请求数据时， 要对数据进行授权。
在数据方域外，要有相应的机制，提供数据跨域管控的底层基础， 如图中的“可控机制”；在此基础上，设计支持数据生命周期管理的 相应技术功能，如图中的“可控功能”，这里需要指出的是，跨域可 控技术里面的数据生命周期比一般的数据生命周期要更细致，因为任 何一个细小的生命周期设计不当，都有可能导致数据泄露，除此以外， 数据生命周期的相互转换，也需要进行周密的设计，否则也有可能被 攻击者利用。部分域外的功能可以由域外运维者自主控制，叫做非可 控功能，包括各种资源的管理、任务的管理、任务与资源的映射、软 件环境的维护等。这一灵活度可以很好地提升资源利用率和保障系统 稳定性。
