投稿|《数据安全法》来了，隐私计算何处寻觅星辰大海？( 三 )
UCloud的安全屋作为上海普惠金融平台开放数据流通的重要解决方案，为普惠金融提供了较好的数据安全管控的基础，而其中的关键就是“数据沙箱技术” 。
所谓的“数据沙箱”，指的是一个虚拟环境，特点就是不能运行任何本地的的可执行程序，不能从本地计算机文件系统中读取任何信息，也不能往本地计算机文件系统中写入任何信息 。
那在这种特殊限制环境下，如何又让数据充分的为下游所用呢？
这就是“数据沙箱”的魅力，结合云平台和数据交换技术，提供访问控制、数据脱敏、安全审计、数据分级管理，在保证系统数据安全性的同时，实现数据价值挖掘 。
举一个例子，在UCloud的数据沙箱里，资源申请方通过数据沙箱对数据进行计算，得出所需计算结果，但却不触碰数据本身，严格确保数据的所有权和使用权分离 。
这一解决方案因为符合典型的政府提供公共服务的特性，后来被运用在多个地方政府的大数据服务项目中 。还有一个可想象的场景是，针对有跨境流通需求的数据，也可以使用安全屋解决方案，在不流通数据本身的情况下，有限定地输出计算结果，为数据安全流通监管提供技术支持 。
第二个场景，是医疗场景 。大家知道，医疗数据具有很高的价值，比如可以用于医保控费、保险精算、AI诊断算法的训练等，是现代医疗、医保体系都非常需要的数据源 。
但和第一类可汇聚、相对简单的公共数据来说，医疗数据的第一个特点是不可汇聚（可以简单理解为，数据分布在不同医院），在这种情况下，数据沙箱就无法解决问题了 。
无法解决的原因很简单，第一是医疗数据的隐私性极高；第二是，医疗数据的用途（保险精算、疾病研究）中对算法的复杂度要求不高，但由于是涉及生命的数据，所以对精度要求极高，这一点用数据沙箱无法完美承载 。
在这种进阶需求的情况下，安全多方计算被引入 。
安全多方计算起源于1982年著名计算机科学家姚期智提出的的“百万富翁问题”，简单说，就是在假设第三方不可信的前提下，如何安全地计算一个约定函数的问题，这其中的基础之一是密码学 。
考虑到篇幅，我们不再介绍更多的细节，简言之，安全多方计算上具有高度的数据安全，虽然在性能上会有一部分损失，但融合安全屋技术基础，可很好地满足跨医联体协同的问题，所以正好和这个场景下的需求，很好的对应起来 。
第三个场景，是数据源主要是多媒体影像的时候，这些数据的量很大，而且，一般都要引入AI算法，例如通过摄像头采集数据后，再进行动态影像的抽取和识别，这种情况下计算的复杂度会很高，不适合对算力性能有消耗的多方安全计算 。
联邦学习，又名联合学习、联盟学习，它的本质是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模 。
简单来说，两个机构各有一部分数据，比如腾讯有社交数据、阿里有电商数据，但是它们不能也不愿意把双方数据进行合并，联邦学习就可以通过加密机制下的参数交换方式，建立一个虚拟的共有模型，通过算法的分发，在数据不移动，不泄露，也不影响数据合规的前提下实现共同分析 。
同理，这种方式也适合不同的高校科研机构，例如对医疗影像资料等具备很高科研价值的多媒体数据开放流通 。
简而言之，UCloud安全屋从最初的数据沙箱技术演进为如今的三大技术平台，服务客户的领域也在不断扩大，从政府、金融，到医疗、教育等 。在这背后是各行各业对数据开放流通的态度在转变，越来越多行业愿意通过成熟的解决方案拥抱开放，通过加速数据流通创造价值 。
推荐阅读
- 工具|VR音乐制作工具《Virtuoso》将于3月登陆Quest和SteamVR
- 投稿|一度超越微信登AppStore榜首，但“元宇宙”社交也难逃“月抛”魔咒
- 投稿|陕旅饭店集团破产重整，昔日“混改模范”为何沦为反面教材？
- 投稿|疫情之下，本土自主设备如何突围？中国制造的投机主义和长期主义
- 投稿|即视角｜出海正当时：欧美、东南亚、中东、拉美市场观察
- 投稿|“东南亚小腾讯”跌入谷底：受阻的业务飞轮撑不起千亿市值
- 投稿|员工行为几乎全裸？深信服“监控门”背后
- 投稿|信任危机？一场针对民族企业的商业“阳谋”
- 投稿|体量庞大，微软还能突飞猛进吗？
- 投稿|估值近百亿，从下沉市场走出来的书亦烧仙草，凭什么成黑马？