黄翠婷 张帆 孙小超 卞阳

(1.上海富数科技有限公司，上海 200126； 2.中国移动通信集团，北京 100033)

0 引言

随着大数据与人工智能技术的发展与广泛落地应用，数据安全和隐私保护的需求日渐强烈，国内外相关法令法规相继制定，对数据安全与隐私保护相关问题进行严格的规范与引导，例如欧盟的《通用数据保护条例》(General Data Protection Regulation，GDPR)、美国的《加州消费者隐私法案》(California Consumer Privacy Act，CCPA)，以及中国的《中华人民共和国网络安全法》《数据安全法》《个人信息保护法》等。这些法规的制定在不同程度上对大数据、人工智能在各种场景中的数据处理模式提出新的挑战：不能平衡好数据服务与数据安全、隐私保护之间的关系，将严重阻碍大数据和人工智能的进一步发展。为了解决这些挑战，各种安全计算技术在近两年被广泛采用来解决跨机构间的数据合作问题，包括多方安全计算(Secure Multi-party Computation，MPC)、联邦学习(Federated Learning，FL)、可信执行环境(Trusted Execution Environment，TEE)等不同的技术路线。其中，隐私集合求交技术(Private Set Intersection，PSI)被认为是跨机构数据合作的前置步骤，实现跨源数据间的安全融合，也得到了广泛的关注和落地应用。本文从隐私集合求交的技术角度来介绍研究现状和实现机制，并结合典型的金融应用场景对隐私计算技术的具体落地应用进行了研究，最后分析了隐私集合求交技术目前面临的挑战和未来可能的发展方向。

1 隐私集合求交技术

1.1 朴素的隐私集合求交技术

朴素的隐私集合求交的思路是将双方集合中的元素按照约定好的函数规则映射到另一个空间中去，在该空间内接收方可以对映射之后的结果进行匹配。……