隐私计算是一种在保证数据隐私安全的前提下实现数据价值流通的技术范式，其核心目标是在数据“可用不可见”的前提下完成计算任务。以下是隐私计算保护数据安全的主要机制和技术路径：
1. 多方安全计算（MPC）
MPC通过密码学协议使多个参与方在不泄露各自私有数据的情况下联合计算目标函数。核心技术包括秘密共享（如Shamir方案）、混淆电路（Garbled Circuits）和同态加密的混合应用。例如，在横向联邦学习中，各参与方通过MPC协议交换梯度更新，而原始数据始终保留在本地。
2. 联邦学习（FL）
通过分布式机器学习框架，模型训练仅在本地数据上进行，仅上传加密的模型参数（如梯度或权重）至中央服务器。谷歌的联邦平均算法（FedAvg）是典型代表，结合差分隐私（DP）可进一步降低参数泄漏风险。最新研究如FedML框架支持跨设备、跨组织的安全协同训练。
3. 同态加密（HE）
允许在密文上直接进行代数运算，包括部分同态（PHE）、类同态（SHE）和全同态（FHE）。微软SEAL库和IBM HELib实现了基于RLWE（环学习错误）的FHE方案，但计算开销较大。实际应用中常采用混合架构（如HE+MPC）平衡效率与安全性。
4. 差分隐私（DP）
通过在数据或计算结果中注入可控噪声（如拉普拉斯噪声或高斯噪声），确保个体数据无法被逆向推断。苹果的iOS系统使用本地化差分隐私收集用户行为统计，ε值（隐私预算）的设定直接影响隐私保护强度。
5. 可信执行环境（TEE）
基于硬件隔离的安全区域（如Intel SGX、ARM TrustZone）提供“飞地”保护，内存加密和远程认证机制可防御侧信道攻击。蚂蚁链的FAIR平台结合TEE与区块链，实现数据计算过程的可验证性。
6. 零知识证明（ZKP）
用于验证计算正确性而不泄露输入信息。zk-SNARKs（如Zcash采用）和zk-STARKs技术在区块链领域广泛应用，隐私计算中可用于审计方的结果验证。
扩展知识：
数据脱敏与k-匿名化：传统隐私保护手段，但面临重标识攻击风险，需结合隐私计算使用。
隐私风险评估：需通过形式化验证（如ProVerif工具）量化残留风险，ISO/IEC 27552标准提供评估框架。
跨域管控：数据主权链（如Ocean Protocol）利用智能合约实现数据使用权的动态授权与追溯。
隐私计算的挑战包括计算效率瓶颈（尤其FHE）、标准化缺失（国内已有IEEE 2830等标准草案），以及法律合规性（如GDPR“数据最小化”原则与技术的适配）。未来发展方向包括量子抗性密码算法的集成和边缘计算场景的轻量化部署。
