隱私是當下時代精神的一部分。我們的頭條新聞充斥著引人注目的隱私丑聞，沒有跡象表明這一趨勢會很快放緩。另一方面，數據科學的進步和令人
隱私是當下時代精神的一部分。我們的頭條新聞充斥著引人注目的隱私丑聞，沒有跡象表明這一趨勢會很快放緩。另一方面，數據科學的進步和令人難以置信的強大新平臺的創建為用戶提供了越來越大的好處。我們正在努力應對對我們數據不斷增長的需求，與此同時，對隱私的要求也在不斷增長。
但越來越明顯的是，我們必須放棄隱私以獲得數據帶來的好處，這是一種錯誤的模式。一組新的隱私保護技術正在出現，它們將打破這種范式，在本文中，我將簡要介紹聯合學習、同態加密、可信執行環境和零知識證明，并試圖闡明為什么我認為它們很重要。
聯合學習
聯合學習使計算機能夠在將數據保存在設備上的同時進行協作學習。本地計算機不會將數據發送到一臺集中的機器上，而是根據本地的數據訓練一種共享算法，只共享他們所學到的信息。這些學習，或者更確切地說是對共享算法的更改，將被聚合起來，用于改進共享算法，然后將其分發回參與的計算機，以便進行進一步的培訓。至關重要的是，這將人工智能/ML算法的訓練過程與在云中集中數據的需要解耦，并可能暴露個人隱私。
tl; dr：AI /機器學習，但您可以將數據保存在本地計算機上。
完全同態加密
完全同態加密允許我們對加密的數據執行任意計算。它是這樣工作的:
1. Alice加密她的數據并把它發送給Bob。
2. Bob對Alice加密的數據執行一些計算，比如將其放入算法中。
3. Bob將加密的結果傳遞回Alice。在這個過程中，Bob不了解任何關于未加密數據或其計算結果的信息。
4. Alice對結果進行了解密，得到的結果與她的未加密數據通過Bob算法得到的結果相同。
完全同態加密使用戶可以將計算外包給不受信任的方，而不會泄露自己的隱私。想象一下，你可以加密你的基因組，用訓練有素的人工智能把它發送給一個不可信的第三方，然后在沒有其他人看到你的數據的情況下得到一個有價值的結果。那不再是假設性的，不可信的。《健康》雜志(health)在黑客馬拉松(hackathon)上推出了這款游戲的MVP。
tl; dr：對加密數據運行AI / ML算法
可信執行環境
可信執行環境(Trusted execution environment，簡稱TEE)是一種神奇的硬件，可以防止窺探者看到其中的內容。因此，您可以在其中運行應用程序，而其他應用程序，甚至是操作系統，都無法了解TEE或篡改其狀態的內部情況。因此，它們提供了完整性和保密性的保證。
如今，TEE相當實用。缺點是，它們需要專門的硬件才能運行，不過手機制造商已經利用這些硬件將TEE交到消費者手中，然后可以將TEE用于安全的生物特征認證和其他安全應用程序。比如私有機器學習、安全密鑰生成和解決像Yao 's Millionaire Problem這樣的密碼結構。
tl; dr：具有完整性和隱私保證的神奇硬件
零知識證明
零知識證明允許我們驗證一個陳述的真實性，而不需要揭示關于這個真理的任何潛在數據。零知識證明最流行的實現之一是zk- snark。 其結構如下:
· 對于x的值;
· 我知道一些秘密值w;
· 條件D對x和w成立。
舉一個具體的例子:
· 對于x = 3869
· 我知道兩個整數p q;
· 使得p*q = 3869
或更一般的:
· 對于棋盤配置A和B;
· 我知道一系列的國際象棋走法S;
· 這樣，從A開始并應用S，所有的移動都是合法的，最終走到B。
任何第三方觀察員都可以在不披露底層數據的情況下驗證這些聲明的有效性(S / p,q / w)。零知識證明可以帶來廣泛的新可能性。它們已經和區塊鏈一起被利用，允許在不透露發送方、接收方或交易金額的情況下驗證交易。Mediledger項目也將這一目標從資金延伸到了藥品供應鏈。
tl;dr: 證明你知道一些秘密而不透露那是什么
為什么這很重要
這樣想:如果你是一名開發人員，你要給你的用戶提供完全的隱私保障，你會做什么?如果你是一個用戶，你知道你的隱私不會被侵犯，你會參與什么?我們今天不能做什么，因為我們不能保證參與者的隱私?這些技術為我們提供了隱私的“構建塊”，將開啟新的應用程序、業務和合作方式。（考拉）
