本报记者 陆宇航

“只要夸了朋友的衣服好看，不一会儿手机购物软件就会给我推荐同款了。”和小赵一样，当前不少消费者或许都有过这样的体验。我们在获益于大数据、算法等“黑科技”带来的便利的同时，也有着对于自己隐私被暴露的担忧。

在我们所置身的大数据时代，数据作为越来越重要的生产要素之一，通过与高性能算力、高效率算法的有机结合，业已成为一种新的先进生产力。在数据融合需求日益迫切的同时，保障数据要素持有者的权益，成为实现数据要素有效开发利用的关键。

在传统隐私保护技术无法保护数据在计算过程中的隐私安全的背景下，坐拥用户海量数据的银行业，积极探索布局隐私计算技术，解决互不信任参与方之间协同计算的问题，让数据在安全合规的前提下共享流动，进一步挖掘数据中潜藏的价值。

技术探索走在前列

在大数据时代，数据的价值不仅来源于单一的信息内容，更来源于海量不同品类数据的整合、梳理和分析。但在这一需求日益增长的趋势下，数据加解密、身份认证、访问控制等传统隐私保护技术，却无法规避数据计算环节的安全隐患，特别是在巨大利益驱动下，数据在计算环节的信息泄露及滥用事件仍有发生。

隐私计算将数据所有权和使用权分离的特点，成为解决这一困境的关键所在。工行金融科技研究院日前发布的《隐私计算推动金融业数据生态建设》白皮书（以下简称“白皮书”）认为，隐私计算技术可把“数据可见的信息部分”和“无需看见就可计算的使用价值”分开，实现“数据可用不可见”， 甚至可把数据使用价值精确限制到具体的用途和使用次数，实现数据“使用可控可计量”。在防止数据信息泄露和杜绝滥用的前提下，隐私计算能够创造数据要素供需“唯一性”，让数据特定使用权通过市场供需进行定价，并大规模交易流通。

值得一提的是，我国金融业在隐私计算领域的相关探索领先国际水平。白皮书显示，国外隐私计算金融应用目前尚处于试点阶段。长期以来，北美、欧洲金融监管严格，金融机构对新技术引进尤为审慎。同时，相关行业标准及监管规则尚不明晰，导致隐私计算技术在金融领域落地相对滞后。

与之相比，在顶层设计推动下，我国互联网企业、科技公司及金融机构近年来相继研发多款成型隐私计算产品，相关产品呈现平台化发展趋势，技术组合应用日益明显。“其中，银行业探索最为突出，涵盖信贷风控、产品营销、 移动支付人脸识别、 反洗钱 、反欺诈等丰富场景。6月，中国人民银行组织开展金融业数据综合应用试点，必将撬动金融业更广范围、更深层次的数据融合应用，为行业数据生态建设打造良好基础。”白皮书认为。

银行积极开展布局

当前，各家银行纷纷对隐私计算领域进行探索和布局，打造全行层面的隐私计算平台。工行整合各项技术优势，打造多方安全计算、联邦学习、可信计算等企业级技术平台，构建隐私求交、联合建模、可信身份鉴别等多种服务能力。以多方安全计算平台为例，该平台通过一系列密码学协议支撑，实现多方原始数据密文协同计算，全面保障原始数据隐私安全。

光大银行上线企业级多方安全计算平台，依托我国原创性多方安全计算技术，定位企业级数据流通基础设施平台，针对银行系统环境重新设计、深度适配，形成通用性、可扩展性、高性能及高可用平台，全面构建以安全加密为基础、高效计算为核心、稳定可控为保障的隐私计算能力。

据了解，光大银行的这一平台具备隐匿查询、联合统计、联合建模等功能，并采用计算合约机制，实现了数据使用的“可控可计量”，有效解决了集团内数据获取、数据保护及数据共享利益分配等难题。平台与行内大数据应用开发平台有序对接，适用于客户营销、风险防控、合规运营等多种业务场景，面向光大集团提供数据共享、数据开放、数据探索等核心服务，助力银行、信托、证券等业务协同发展，推动集团E-SBU战略向纵深推进。

不断建设和优化之中的隐私计算平台，是如何在银行日常经营的场景中实现落地的？

农行以总分联动试点验证场景，以分行车贷贷前反欺诈场景为试点，共建风控分模型，验证联邦学习在风控方面的能力。同时，以场景带动平台建设，以信用卡风控场景为试点，打通数据审批、数据预处理、数据授权、联合建模、模型发布、实时预测、对接业务系统全渠道，来满足风控需求。此外，还以营销场景为试点，对接运营商，通过匿踪查询、联合统计、联合预测等隐私技术，共建营销模型，实现“掌银促活”营销。

把握未来发展红利

“隐私计算效率和性能的提升，是未来规模化、产业化推广普及的重要前提。隐私计算目前已经在金融、医疗等多个领域推广运用。随着当前大数据产业的快速发展，支持更大数据量、更快响应速度的数据合作和联合计算就显得尤为重要。算法的优化设计、硬件的效能提升，将成为未来隐私发展的重要方向。”农行有关负责人表示。

在这样的背景下，金融机构对数据挖掘的需求将更为凸显。“目前，诸多金融机构已在内部数据价值挖掘方面取得丰硕成果，但受自身数据维度单一、实时性不足等影响，迫切需要开展跨机构、跨行业的数据融合应用。因此，抢抓数据要素依法有序流动的战略机遇，构建符合金融行业创新发展的数据生态，是金融业数字化转型发展、有效防范化解金融风险的关键手段。

白皮书认为，银行业要以个性化数据生态为突破口，实现差异化定位发展。简单将线下业务迁移到线上所带来的红利正逐渐消失，竞争悄然从互联网时代的“流量之争”转变为以数据要素作为差异化发展的“数据之争”。金融创新也必将从前端销售、产品创新延伸到风险防控、内部运营、商业模式等全渠道、全客户、全场景的业务领域，差异化激发数据要素价值，从而全面提高服务覆盖率、创新服务模式、降低服务成本。

为此，在技术层面，银行业还需要更多探索。“隐私计算技术在不断发展过程中，希望一个技术、一个平台、一劳永逸解决所有问题是不现实的。多方安全计算通用性更好，而联邦学习处理非结构化的数据更有效。银行的重点是业务，应坚持从实际业务场景出发，多方安全计算和联邦学习并重，更灵活地适应各种业务场景。”中科院软件所软件与理论专业博士刘伟表示。

同时，刘伟认为，银行还需要考虑外部数据源接入的效率和维护成本。“银行拥有强大的科技和运维团队，外部数据源不一定具备同等能力，如何实现快速接入，如何降低开发运维成本，是需要重点考虑的问题。银行自身隐私计算平台可考虑集中建设，数量众多的外部数据源应采用互联互通、方便维护的硬件一体化产品，降低开发、部署、接入和运维难度。”