银联商务隐私计算平台，基于多方安全计算、密码学、区块链等技术，在保障原始数据不出域的前提下进行多方数据融合，实现数据可用不可见，解决企业数据协同计算过程中的数据安全和隐私保护问题，最大化多方数据主体在数据安全的基础上的数据价值。隐私计算平台包含了联邦学习、安全多方统计、安全多方查询等功能。多方数据主体使用联邦学习进行多方数据联合建模，通过安全多方统计、安全多方查询技术手段使得多方数据在不出域情况下流通，完成业务方面的相关任务。整个平台架构如下：

方案背景

在金融领域，很多查询、统计和建模都依赖于用户多维度的特征数据，而一家金融机构所拥有的用户特征往往比较单一。企业间传统的数据共享是直接交换用户原始数据，但随着国内外对数据监管与隐私保护的加强，这种传统方式已经不再合法合规。当前金融企业对数据隐私保护非常严格，针对外部数据合作项目，金融企业内部层层审批、审批周期特别长，获批数据量极小、时效差，有效样本极其缺乏，模型效果难以精准。长期以来，数据一直以孤岛形式存在。如何在保护企业和用户数据安全的前提下，扩大数据流通，打破数据孤岛，实现数据要素的共享共治成为现如今的热点研究方向。隐私计算技术通过底层算法的设计，保证了原始数据不出私域的前提下，实现多方联合共用数据要素，基于这样的行业背景和技术，银联商务拟搭建隐私计算平台。

方案目标

银联商务打造企业级隐私计算平台，支持多机构联合建模，支持多机构安全多方计算，在确保安全合规和隐私保护的前提下，实现多方数据安全协作。通过银联商务覆盖零售、餐饮、文旅、地产在内的15大行业、45类细分场景的海量数据，打造多方共同参与的数据生态，与合作伙伴合作共赢，实现客户的高质量发展。力争在营销、广告、智慧城市等场景推广应用，推动与政府、金融、保险等行业基于隐私计算的数据协作。

方案特点

1.隐私计算平台功能相对更加全面，涵盖：数据融合、联邦学习、安全多方计算、隐私信息检索（匿踪查询）、安全聚合、安全统计等模块。

2.易用性相对更好，平台整体采用可视化方案，联合建模通过拖拉拽组件化画布方式，隐私信息检索（匿踪查询）、安全聚合和安全统计采用配置化，使用上更简单。

3.加速方案相对更全面，支持传统大数据计算框架Spark方案，支持函数计算动态扩展算力的方案，支持硬件GPU加速方案。

4.底层架构更完善，采用区块链联盟链方案组建UNION可信网络中心，协助整个生态互联互通，方便成员之间相互发现及相互合作。

方案业务流程图

联邦学习数据交互流程：

隐私信息检索（匿踪查询）流程：

安全统计流程：

实现功能展示

1.联邦学习

2.匿踪查询

3.多方统计

方案案例及效果

保险公司联合营销案例：保险公司从线下发展到线上获客，对精准获取潜客需求极大，获客精准度直接影响触达的成本。通过融合保险公司自有的数据以及银联商务的海量数据，构建客群偏好模型，助力保险公司精准客群分析，并指引制定相应的营销方案。

效果：联合训练的模型效果比独立建模效果有明显提升，已被保险公司所采用，帮助保险公司的客户经理更准确地定位客群，实现精准营销。

方案未来展望

隐私计算是当前数据保护领域各界关注的热点。近年来有关隐私计算的学术会议和论文呈现爆发式增长，各企业单位都争相投入隐私计算研发和产品化工作，有多家公司都推出了自己的隐私计算平台产品，并开始进行隐私计算在金融、医疗等领域的商用落地。政府部门和监管机构也非常重视隐私计算技术的发展，一方面希望能够通过隐私计算技术推进安全的数据协同应用、推动数据经济发展，另一方面也积极制定规范和指导意见，促进隐私计算技术及产业健康发展，推动合法、合规的数据协同应用。

未来，银联商务将着重完善隐私计算的功能，以便能覆盖更多的使用场景，例如在联邦学习中加入LSTM算法，在联合统计部分加入TF-IDF算法；完善计费中心，在政策指导下，给出标准可靠的计费规则。同时，银联商务将积极参与隐私计算业界标准的制定，促进隐私计算平台互联互通。