适用于数据分析、AI 和联邦学习的机密计算

借助机密计算，您可以协作处理敏感数据、训练 AI 模型以及运行联邦学习工作负载，同时在内存中保持数据加密。本文档介绍了 Google Cloud上机密分析、AI 和联邦学习的行业应用场景和参考架构。

使用场景

以下部分提供了适用于各种行业的机密计算应用场景示例。

医疗保健和生命科学

机密计算可在组织间实现安全的数据共享和分析，同时帮助保护患者隐私权。借助机密计算，医疗保健组织可以参与协作研究、疾病建模、药物研发和个性化治疗方案。

下表介绍了医疗保健行业中的一些机密计算示例用途。

使用场景 说明
疾病预测和早期检测 医院训练联邦学习模型，以从医学成像数据（例如，多个医院或医院区域的核磁共振成像扫描或 CT 扫描）中检测癌性病变，同时维护患者机密性。
实时患者监测 医疗保健提供方会分析来自穿戴式健康设备和移动健康类应用的数据，以便进行实时监测和提醒。例如，穿戴式设备会收集血糖水平、身体活动和饮食习惯方面的数据，以便提供个性化推荐，并针对血糖波动发出预警。
协作式药物研发和临床试验 制药公司和研究型医院汇集临床试验数据、基因组序列和分子结构，以发现疗法并对药物相互作用进行建模。
自主临床文档和医疗转写 AI 助理可捕获医生与患者的对话，以起草临床摘要、更新电子健康记录 (EHR) 并建议结算代码。
多机构医疗 AI 评估和基准化分析 医疗机构和研究联盟可以跨全球不同患者群体验证专有诊断模型，而无需移动或公开原始临床数据。

金融服务

借助机密计算，金融机构可以打造更安全、更具弹性的金融系统。

下表介绍了金融服务中的一些机密计算示例用途。

使用场景 说明
欺诈检测和反洗钱 (AML) 多个金融机构共享敏感交易流和欺诈指标，以训练机器学习模型或部署分析代理。通过使用这些收集的数据，机构可以检测跨境洗钱集团和支付欺诈，而无需向竞争对手透露客户账号或专有交易记录。
信用风险评估和承保 贷款机构通过分析敏感的非传统财务数据（例如实时公用事业付款）来评估商业或零售信贷申请，而不会将这些数据泄露给外部方。在可信执行环境 (TEE) 中运行自动化核保代理，有助于在评估期间隔离申请人的财务记录和银行专有的风险评分算法。
自动化财务分析和监管报告 自主 AI 智能体可搜索内部公司账簿、投资组合和重要非公开信息 (MNPI)，以准备尽职调查备忘录、审计报告和监管文件。

公共部门

借助机密计算，政府可以创建更透明、更高效且更有效的服务，同时保留对其数据的控制权和主权。

下表介绍了公共部门中的一些机密计算示例用途。

使用场景 说明
多机构机密分析 机密计算可在多个政府机构（例如卫生、税务和教育机构）之间或是不同区域或国家的多个政府之间实现多方数据分析。机密计算有助于确保信任边界和数据隐私权受到保护，同时支持数据分析（通过使用数据泄露防护 [DLP]、大规模分析和政策引擎）以及 AI 训练和服务。
跨机构调查分析和情报共享 不同的政府机构（例如税务、执法和海关机构）使用 Confidential Space 执行联合数据分析。各机构可以交叉对比纳税申报、旅行清单和财务记录，以识别欺诈或国家安全威胁，而无需跨管辖区边界共享原始机密数据库。
数字身份和公民凭证验证 公共机构和身份平台可验证官方生物识别护照和国民身份证，而无需存储或公开公民个人数据。公民可以通过加密方式证明特定属性（例如国籍、居住地或年龄资格），而原始护照数据和生物识别签名在内存中保持加密状态，并在生成证明后删除。

供应链

借助机密计算，管理供应链和可持续发展计划的组织可以开展协作并共享数据洞见，同时有助于维护数据隐私权。

下表介绍了供应链中的一些机密计算示例用途。

使用场景 说明
自主多方物流和配送编排 组织可以部署自主 AI 智能体，在运输中断期间与外部承运商协商运费、协调集装箱交接并重新规划货物路线。在机密虚拟机实例中运行这些物流智能体，有助于防止活跃的货运清单、承运商定价协议和承运商 API 凭证在内存中暴露给其他云租户。
实时供应链异常值检测和路线优化 AI 智能体处理实时遥测数据（例如 GPS 运输日志、仓库大门传感器和天气警报），以优化运输路线。 在 Confidential Space 内处理这些敏感的运营遥测数据，可让制造商和分销商运行自动重新规划路线算法，而不会向外部方泄露专有工厂产能或瓶颈漏洞。
自动化海关合规和贸易单证 AI 智能体可处理高价值商业发票、提单和报关单，从而自动执行边境合规性检查。将这些文档解析智能体隔离在 TEE 中，有助于在提取敏感商业秘密并根据海关数据库进行验证时保护这些秘密。

数字广告

数字广告越来越多地使用 TEE 来帮助广告公司在安全的环境中处理数据，而不是使用第三方 Cookie。例如，Google Ads 在投放广告系列时使用机密计算来帮助保护第一方数据。

您可以在以下数字广告应用场景中使用 TEE：

  • 匹配算法：在数据集中查找对应项或关系。
  • 归因：将影响或事件与可能的原因相关联。
  • 聚合：根据原始数据计算摘要或统计信息。

参考架构

您可以在 Google Cloud 上实现机密计算，以应对以下应用场景：

  • 机密分析
  • 机密 AI
  • 机密联邦学习

以下部分详细介绍了适用于这些应用场景的架构，包括金融和医疗保健企业示例。

适用于医疗保健机构的机密分析架构

机密分析架构展示了多个医疗保健机构（例如医疗保健提供方、生物制药公司和研究机构）如何协同工作来加快药物研究。此架构使用机密计算技术来创建数字净室，以用于运行机密协作分析。

此架构具有以下优势：

  • 增强型分析洞见：借助协作分析，医疗保健组织可以获得更广泛的分析洞见，并缩短增强型药物研发的上市期。
  • 数据隐私权：敏感的患者和临床试验数据在传输、静态和内存中始终处于加密状态，不会以明文形式向其他参与者或云服务提供商公开。
  • 监管合规：此架构可帮助医疗保健机构严格控制其数据，从而遵守数据保护法规。
  • 信任和协作：此架构可实现竞争机构之间的安全协作，从而促进药物研发方面的集体努力。

下图展示了此架构。

适用于医疗保健机构的机密分析架构图。

此架构中的关键组件包括：

  • Confidential Space 工作负载 (TEE)：一个安全、隔离的环境，其中的数据和代码受到保护，免遭未经授权的访问，即使是来自底层操作系统或云服务提供商的访问也不例外。
  • 协作合作伙伴：参与的每个医疗机构都有一个本地环境，该环境充当机构的私有数据与 TEE 之间的中介。
  • 特定于提供方的加密数据：每个医疗保健机构都会存储自己的私有加密患者数据，其中包括电子健康记录。只有在验证了 TEE 工作负载的证明声明后，每个提供方才会将其数据（以及对解密密钥的访问权限）发布到 TEE。数据仅在处理期间在经过认证的 TEE 内解密，并在内存中保持加密状态。
  • 分析客户端：参与的医疗机构可以针对自己的数据运行机密查询，以获得分析洞见。

适用于金融机构的机密 AI 架构

此架构模式展示了金融机构如何对欺诈检测模型进行协作训练，同时使用欺诈标签来保护其敏感交易数据的机密性。此架构使用机密计算技术来实现安全的多方机器学习。

此架构具有以下优势：

  • 增强型欺诈检测：协作训练使用更大、更多样化的数据集，从而生成更准确、更有效的欺诈检测模型。
  • 数据隐私权：敏感交易数据在传输、静态和内存中始终处于加密状态，不会以明文形式向其他参与者或云服务商公开。
  • 监管合规：此架构可帮助金融机构严格控制其数据，从而遵守数据保护法规。
  • 信任和协作：此架构可实现竞争机构之间的安全协作，促进打击金融欺诈的集体努力。

下图展示了此架构。

适用于金融机构的机密 AI 架构图。

此架构的关键组件包括：

  • Confidential Space 工作负载 (TEE)：一个安全、隔离的环境，其中的数据和代码受到保护，免遭未经授权的访问，即使是来自底层操作系统或云服务提供商的访问也不例外。
  • 协作方合作伙伴：参与的每个金融机构都有一个本地环境，该环境充当机构的私有数据与 TEE 之间的中介。
  • 特定于银行的加密数据：每个银行都持有自己的私有加密交易数据，其中包括欺诈标签。只有在验证 TEE 工作负载的证明声明后，每个银行才会将其数据（以及解密密钥的访问权限）发布到 TEE。数据仅在处理期间在经过认证的 TEE 中解密，并在内存中保持加密状态。
  • 专有模型库：一种预训练的欺诈检测模型，可用作协作训练的起点。
  • 全局欺诈训练后模型和权重（由从 TEE 到各银行的出站绿色箭头表示）：改进后的欺诈检测模型及其学习权重会安全地交换回参与银行。这些银行随后可以在本地部署此增强型模型，以便对自己的交易进行欺诈检测。

适用于金融机构的机密联邦学习架构

对于重视严格数据隐私权和数据主权的客户，联邦学习提供了一种高级解决方案。机密联邦学习架构为 AI 应用提供了一种安全、可扩缩且高效的数据使用方式。此架构将模型部署到数据存储位置，而不是将数据集中在单个位置，从而降低与数据泄露相关的风险。

此架构模式展示了多个金融机构如何对欺诈检测模型进行协作训练，同时使用欺诈标签来保护其敏感交易数据的机密性。它使用联邦学习和机密计算技术，无需移动训练数据即可实现安全的多方机器学习。

此架构具有以下优势：

  • 增强了数据隐私权和安全性：联邦学习可将敏感数据保留在每个站点，从而实现数据隐私权和数据本地化。此外，金融机构还可以使用可保护隐私的技术（例如同态加密和差分隐私过滤条件）来进一步保护任何传输的数据（例如模型权重）。
  • 提高了准确率和多样性：通过使用不同客户端的各种数据源进行训练，金融机构可以开发出稳健且通用的全局模型，从而更好地表示异构数据集。
  • 可扩缩性和网络效率：借助在边缘执行训练的能力，机构可以在全球范围内扩缩联邦学习。此外，各机构只需传输模型权重，而无需传输整个数据集，这样可高效地使用网络资源。

下图展示了此架构。

机密联邦学习架构图。

此架构的关键组件包括：

  • TEE 集群中的联邦服务器：一个安全的隔离环境，联邦学习服务器在其中通过先向联邦学习客户端发送初始模型来编排多个客户端的协作。客户端在其本地数据集上执行训练，然后将模型更新发送回联邦学习服务器以进行聚合，从而形成全局模型。
  • 联邦学习模型库：一种预训练的欺诈检测模型，可用作联邦学习的起点。
  • 本地应用推理引擎：一种应用，它会执行各种任务，使用本地数据集执行本地计算和学习，并将结果提交回联邦学习服务器以进行安全聚合。
  • 本地私有数据：每个银行都持有自己的私有加密交易数据，其中包括欺诈标签。这些原始数据绝不会离开银行的本地环境，这有助于保护数据隐私权。
  • 安全聚合协议（由从每家银行到 TEE 集群的入站虚线蓝色箭头表示）：联邦学习服务器无需访问任何单个银行的更新即可训练模型。服务器只需要更新向量的元素级加权平均值，这些值取自银行或网站的随机子集。通过使用安全聚合协议计算这些加权平均值，服务器只能了解所选子集的汇总模型更新，而无法确定具体银行贡献了给定更新。此方法有助于保护联邦学习过程中每个参与者的隐私。
  • 全局欺诈训练后模型和聚合权重（以从 TEE 集群到各银行的出站绿色箭头表示）：改进后的欺诈检测模型及其学习权重会安全地发送回参与银行。这些银行随后可以在本地部署此增强型模型，以便对自己的交易进行欺诈检测。

后续步骤