先想一个问题：两家医院想合作统计某种疾病的患者情况，但谁都不能把完整病历交给对方，怎么办？
如果把数据全部汇总，计算很简单，但隐私风险很大；如果完全不共享，合作又无法进行。隐私计算研究的就是：数据不直接公开，任务仍然可以完成。
这句话也常被说成“数据可用不可见”。下面我们一步一步理解它。
一、隐私计算究竟在保护什么 #
普通加密主要保护数据的存储和传输。比如你把文件加密后放到云盘，别人打不开；但云盘要处理文件时，往往需要先解密。
隐私计算还希望保护“计算过程”。服务器可以参与计算，却不应该看到完整原始数据。
举例：银行和医院想计算共同客户的数量。理想结果是双方只知道“共有 100 人”，而不是看到对方的完整客户名单。
二、多方安全计算：大家一起算，谁也不交底 #
多方安全计算（MPC）允许多个参与者共同计算一个函数，只公开事先约定的结果。
还是刚才的例子：医院 A、医院 B 和医院 C 想统计三方共同患者数。协议运行后得到数字 100，但任何一家医院都不应该知道另外两家的完整名单。
MPC 常用秘密共享。一份秘密会被拆成多份，单独拿到一份没有意义，只有足够多的参与者合作才能恢复或完成计算。
MPC 的研究方向包括：如何减少通信、如何支持更多参与方、有人恶意发送错误数据时如何发现，以及有人掉线时协议能否继续。
三、秘密共享：不要把钥匙交给一个人 #
秘密共享（SS）就像把保险柜钥匙拆成五片，规定至少三片才能打开。一个人拿到一片，无法打开保险柜。
在系统中，可以把解密密钥拆给五家机构，规定三家同意后才能解密敏感结果。这样既能防止一个管理员滥用权限，也能避免某个人离职导致密钥彻底丢失。
研究时常见的问题是：门限能否动态调整？某个机构退出后如何补发份额？如何防止参与者提交假的份额？
四、PSI：只找共同数据 #
隐私集合交集（PSI）专门解决“双方有哪些相同元素”这个问题。
例子：电商平台有用户集合 A，银行有用户集合 B。双方运行 PSI 后，得到 $A\cap B$，也就是共同用户；A 中独有的用户和 B 中独有的用户不会直接暴露。
PSI 是隐私数据处理里最常用的基础任务，可以用于联合风控、跨平台推荐、患者匹配和数据跨域连接。
研究重点包括大规模 PSI、多方 PSI、带标签 PSI、可更新 PSI，以及如何降低通信量。
五、PSU：合并数据但隐藏来源 #
隐私集合并集（PSU）与 PSI 相反，目标是得到多个集合的并集，同时尽量不暴露每个元素来自哪一方。
例子：多家机构想共同建立一份去重后的黑名单。PSU 可以让大家得到完整的去重集合，而不直接标明某个用户最初由哪家机构提交。
PSU 通常需要传输更多结果，因此如何减少输出大小、保护元素来源，是重要研究问题。
六、PMT：只回答“在不在” #
私密成员测试（PMT）用于判断一个元素是否属于某个集合，但不公开整个集合。
例子：平台想判断某个账号是否在风险名单中。查询方只得到“是”或“否”，看不到风险名单中的其他账号。
PMT 适合黑名单检查、资格验证和隐私检索。研究时要关注查询方能否通过大量提问反推出整个集合。
七、OT：只能拿走自己选的那一份 #
不经意传输（OT）可以这样理解：老师准备十道答案，学生只选择其中一道，老师不知道学生选了哪一道，学生也拿不到其余答案。
在密码协议中，OT 是许多 MPC 和 PSI 方案的基础组件。它让双方交换必要信息，却减少不必要的泄露。
研究方向包括批量 OT、低通信 OT、抗恶意攻击 OT，以及适合移动设备和大规模网络的实现。
八、OPRF 和 OPPRF：共同计算指纹，但不互相交出秘密 #
OPRF 是“隐私保护的伪随机函数”。一方拥有密钥，另一方提供输入，双方共同得到一个结果，但输入方看不到密钥，密钥方也看不到完整输入。
例子：双方都把用户手机号转换成伪随机指纹，再比较指纹是否相同；任何一方都不需要直接看到对方的手机号。
OPPRF 是可编程版本，可以对特定输入设置特定输出，适合更复杂的匹配规则，例如“只有满足某个条件的记录才返回标签”。
研究重点包括更快的构造、更短的通信，以及如何支持批量输入和动态更新。
九、OKVS：一张经过保护的查找表 #
OKVS 可以先理解为一种隐私键值表。输入一个键，可以查到对应的值，但表的构造和存储方式经过特殊设计，适合放进隐私协议。
例子：把用户编号作为键，把风险标签作为值。协议可以在不公开整张表的情况下完成查询。
OKVS 经常和 PSI、OPRF 一起使用。研究者会关注它的空间大小、构造速度和查询错误率。
十、ORAM：连“查了哪一行”也隐藏起来 #
即使数据内容已经加密，服务器观察访问位置和访问顺序，也可能猜出用户在查什么。ORAM（不经意 RAM）就是为了隐藏这种访问模式。
例子：你查询加密数据库中的第 10 条记录。如果服务器每次都看到你访问第 10 条，可能推断这条记录很重要。ORAM 会重新排列和填充访问，让服务器难以判断真实目标。
ORAM 的代价是额外读写和通信，因此研究方向主要是降低访问开销、支持并发查询和适配云数据库。
十一、模糊匹配：不完全相同，也能判断相似 #
普通 PSI 只能判断两个字符串是否完全相等。但现实数据经常有错别字、格式差异和缺失字符。
例子：“张三”“张 三”和“张珊”可能指向同一个人。模糊匹配希望在不公开姓名的情况下判断两条记录是否足够相似。
难点是相似度计算可能泄露更多信息，而且编辑距离、集合相似度等计算都比精确匹配更昂贵。如何同时保证准确率、效率和隐私，是这一方向的核心问题。
十二、多方和阈值：从两个人合作到多个机构共同决策 #
两方协议只涉及甲乙，多方协议还要处理机构数量增加、网络不稳定、参与方串通等问题。
阈值机制则规定“至少多少方同意才可以继续”。例如五家医院中至少三家同意，才能解密联合统计结果或执行一次数据删除。
这类研究通常会结合秘密共享、门限签名和身份认证，重点是防止单点控制，同时保证合法参与者能够完成任务。
十三、TEE：用硬件提供一个安全房间 #
可信执行环境（TEE）可以看成处理器里的安全房间。程序和数据在房间内运行，操作系统和云管理员不能直接查看。
例子：保险公司把风险模型放进 TEE，医院把数据送入安全区域，模型在里面计算，外部只能拿到规定的统计结果。
TEE 通常比纯密码协议快，但需要信任硬件和厂商，还要防侧信道攻击、回滚攻击和伪造远程证明。因此研究者会关注如何验证环境真实可信，以及硬件失守后如何降低损失。
十四、这些组件最终要解决什么业务问题 #
把上面的知识串起来，就会得到几个具体应用：
- 加密数据查询：服务器不解密，也能完成条件查询；
- 隐私数据获取：用户只拿到被授权的字段；
- 分布式数据清洗：多方找出标签冲突和重复记录，却不交换完整数据；
- 数据跨域连接：不同机构识别共同记录，用于联合分析；
- 密态数据处理：在保护状态下完成统计、比较和模型计算。
例如，两家医院可以先用 PSI 找到共同患者，再用 PMT 检查某类风险标签，使用 MPC 计算统计结果，最后用秘密共享控制谁能解密结果。这就是一个完整的隐私数据处理流程。
十五、新手怎样开始学习 #
建议按这条路线来：
- 先掌握哈希、对称加密、公钥加密和数字签名；
- 再学习秘密共享和安全模型；
- 接着理解 OT、OPRF 和 PSI 的基本流程；
- 跑通一个开源 PSI 或 MPC 项目；
- 根据兴趣深入 OKVS、ORAM、模糊匹配、多方协议或 TEE；
- 最后选择一个具体问题做实验，例如动态 PSI、隐私数据清洗或通信优化。
要记住：不要把“会背很多缩写”当成学会隐私计算。真正重要的是看到一个业务问题时，能回答三件事：哪些数据需要隐藏？允许泄露什么结果？怎样证明协议确实安全且能运行？
总结 #
隐私计算的目标，是让数据在不直接公开的情况下产生价值。MPC 负责共同计算，秘密共享负责分散控制权，PSI/PSU/PMT 负责集合处理，OT/OPRF/OPPRF/OKVS 提供密码学积木，ORAM 隐藏访问模式，模糊匹配处理不完全相同的数据，多方和阈值机制管理协作权限，TEE 则用硬件换取更高执行效率。
这些技术最后都指向同一个研究问题：如何让数据跨机构流动和计算，同时把隐私泄露控制在可接受范围内。
