機密運算可讓您協作處理機密資料、訓練 AI 模型，以及執行聯合學習工作負載，同時將記憶體中的資料加密。本文說明 Google Cloud機密數據分析、AI 和聯合學習的產業用途和參考架構。
用途
以下各節提供機密運算在各產業的用途範例。
醫療照護與生命科學
機密運算可讓組織安全地共用及分析資料，同時協助保護病患隱私。機密運算可讓醫療照護機構參與協作研究、疾病建模、藥物研發和個人化治療計畫。
下表說明機密運算在醫療照護領域的一些用途範例。
| 用途 | 說明 |
|---|---|
| 疾病預測和早期偵測 | 醫院訓練聯合學習模型，從醫療影像資料 (例如多間醫院或醫院區域的 MRI 掃描或 CT 掃描) 偵測癌性病變，同時維護病患機密。 |
| 即時監控病患情形 | 醫療照護服務提供者會分析穿戴式健康裝置和行動健康應用程式的資料，以便即時監控及發出警示。舉例來說，穿戴式裝置會收集血糖值、體能活動和飲食習慣等資料，提供個人化推薦，並在血糖波動時及早發出警示。 |
| 協作藥物探索和臨床試驗 | 製藥公司和研究醫院會彙整臨床試驗資料、基因組序列和分子結構，以探索療法及模擬藥物交互作用。 |
| 自主臨床文件和醫療轉錄 | AI 助理會擷取臨床醫師與病患的對話，草擬臨床摘要、更新電子健康記錄 (EHR)，並建議帳單代碼。 |
| 多機構醫療 AI 評估和基準測試 | 醫療照護機構和研究聯盟驗證專屬診斷模型，涵蓋全球各地不同的病患群體，不需移動或公開原始臨床資料。 |
金融服務
機密運算可讓金融機構建立更安全、更有彈性的金融系統。
下表說明機密運算在金融服務中的一些用途範例。
| 用途 | 說明 |
|---|---|
| 詐欺偵測和洗錢防制 (AML) | 多家金融機構共用機密交易流程和詐欺指標，用於訓練機器學習模型或部署分析代理。機構可運用這些收集到的資料，偵測跨國洗錢集團和付款詐欺行為，而不必向競爭對手透露客戶帳號或專屬交易記錄。 |
| 信用風險評估和承保 | 放款機構會分析敏感的非傳統財務資料 (例如即時公用事業付款)，評估商業或零售信用申請，而不會向外部人士揭露這些資料。在受信任的執行環境 (TEE) 中執行自動化核保代理，有助於在評估期間隔離申請人的財務記錄和銀行的專屬風險評分演算法。 |
| 自動分析財務資料及依法呈報 | 自主 AI 代理會搜尋內部企業帳本、投資組合和重大非公開資訊 (MNPI)，準備盡職調查備忘錄、稽核報告和監管申報文件。 |
公部門
機密運算可讓政府建立更透明、更有效率且更有效的服務，同時保有資料的控制權和主權。
下表說明機密運算在公部門的一些用途範例。
| 用途 | 說明 |
|---|---|
| 多機構機密分析 | 機密運算可讓多個政府機關 (例如衛生、稅務和教育) 或不同地區或國家的多個政府進行多方資料分析。機密運算可確保信任邊界和資料隱私權受到保護，同時支援資料分析 (使用資料遺失防護 (DLP)、大規模分析和政策引擎) 以及 AI 訓練和服務。 |
| 跨機關調查分析和情報分享 | 不同的政府機關 (例如稅務、執法和海關機關) 使用 Confidential Space 執行聯合資料分析。機構可以交叉比對報稅資料、旅遊清單和財務記錄，找出詐欺或國家安全威脅，而不必跨越管轄範圍界線共用原始機密資料庫。 |
| 數位身分和公民憑證驗證 | 公共機構和 Identity Platform可驗證官方生物特徵護照和國民身分證，不需儲存或公開公民個人資料。公民可以透過加密方式證明特定屬性 (例如國籍、居住地或年齡資格)，而原始護照資料和生物特徵辨識簽章則會加密保存在記憶體中，並在產生證明後刪除。 |
供應鏈
機密運算可讓管理供應鏈和永續發展計畫的機構協作及分享洞察資料，同時協助維護資料隱私。
下表說明機密運算在供應鏈中的一些用途範例。
| 用途 | 說明 |
|---|---|
| 自主多方物流和運送自動化調度管理 | 組織部署自主 AI 代理，在運輸中斷期間與外部貨運公司協商運送費率、協調貨櫃交接，以及重新規劃貨物路線。在 Confidential VM 執行個體中執行這些物流代理，有助於保護有效的運送清單、貨運公司定價協議和貨運公司 API 憑證，避免在記憶體中向其他雲端租戶公開。 |
| 即時供應鏈異常偵測和路徑最佳化 | AI 代理會處理即時遙測資料 (例如 GPS 運輸記錄、倉庫閘門感應器和天氣警報)，最佳化運送路線。在 Confidential Space 內處理這類機密營運遙測資料，製造商和經銷商就能執行自動重新規劃路線演算法，不必向外部人士揭露專屬工廠產能或瓶頸漏洞。 |
| 自動化海關法規遵循和貿易文件 | AI 代理會處理高價值的商業發票、提單和報關單，自動完成邊境法規遵循作業。將這些文件剖析代理程式隔離在 TEE 內，有助於保護機密商業機密，同時從海關資料庫擷取及驗證這些機密。 |
數位廣告
數位廣告不再使用第三方 Cookie，而是越來越常採用強化隱私權的替代方案，透過 TEE 協助廣告公司在安全環境中處理資料。舉例來說，Google Ads 會使用機密運算技術，在放送廣告活動時保護第一方資料。
TEEs 可用於下列數位廣告用途：
- 比對演算法：找出資料集內的對應關係或關聯。
- 歸因：將影響或事件與可能原因連結。
- 匯總：根據原始資料計算摘要或統計資料。
參考架構
您可以在 Google Cloud 上實作機密運算，以因應下列用途：
- 機密數據分析
- 機密 AI
- 機密聯合學習
以下各節將進一步說明這些用途的架構，包括金融和醫療保健業者的範例。
醫療機構的機密數據分析架構
機密數據分析架構說明多個醫療照護機構 (例如醫療照護服務供應商、生物製藥公司和研究機構) 如何合作加速藥物研究。這個架構採用機密運算技術，建立數位資料無塵室，用於執行機密協作分析。
這種架構有下列優點：
- 更深入的洞察資訊：協作分析可讓醫療保健機構取得更廣泛的洞察資訊，並縮短上市時間，進而提升藥物研發成效。
- 資料隱私權：敏感的病患和臨床試驗資料在傳輸、靜態和記憶體中都會保持加密狀態，不會以明文形式向其他參與者或雲端服務供應商公開。
- 法規遵循：這個架構可協助醫療機構嚴格控管資料，遵守資料保護法規。
- 信任與協作：這個架構可讓競爭機構安全協作，共同努力研發藥物。
下圖呈現了這個架構。
這個架構的主要元件包括：
- Confidential Space 工作負載 (TEE)：安全、隔離的環境，可保護 TEE 內的資料和程式碼，防止未經授權的存取，即使是基礎作業系統或雲端服務供應商也無法存取。
- 協作夥伴：每個參與的醫療機構都有本機環境，做為機構私人資料和 TEE 之間的中介。
- 供應商專屬加密資料：各醫療機構會儲存自己的私人加密病患資料，包括電子健康記錄。每個提供者只有在驗證 TEE 工作負載的認證聲明後，才會將資料 (和解密金鑰存取權) 發布至 TEE。資料只會在處理期間於經過認證的 TEE 內解密，並在記憶體中保持加密狀態。
- 數據分析用戶端：參與的醫療機構可以對資料執行機密查詢，取得洞察資訊。
金融機構的機密 AI 架構
這個架構模式示範金融機構如何協同訓練詐欺偵測模型，同時使用詐欺標籤，確保機密交易資料的機密性。這個架構採用機密運算技術，可實現安全的多方機器學習。
這種架構有下列優點：
- 強化詐欺偵測：協作訓練使用更大型、更多元的資料集，可建立更準確有效的詐欺偵測模型。
- 資料隱私權：機密交易資料在傳輸、靜態和記憶體中都會保持加密狀態，不會以純文字形式向其他參與者或雲端服務供應商公開。
- 法規遵循：這個架構可協助金融機構嚴格控管資料，遵守資料保護法規。
- 信任與協作：這個架構可讓競爭機構之間安全協作，共同打擊金融詐欺。
下圖呈現了這個架構。
這個架構的主要元件包括：
- Confidential Space 工作負載 (TEE)：安全、隔離的環境，可保護 TEE 內的資料和程式碼，防止未經授權的存取，即使是基礎作業系統或雲端服務供應商也無法存取。
- 協作夥伴：每個參與的金融機構都有本機環境，做為機構私人資料和 TEE 之間的中介。
- 銀行專屬加密資料：每家銀行都持有自己的私人加密交易資料，包括詐欺標籤。每家銀行都會先驗證 TEE 工作負載的認證聲明，然後才將資料 (和解密金鑰存取權) 釋出給 TEE。資料只會在經過認證的 TEE 內解密，並在記憶體中保持加密狀態。
- 專屬模型存放區：預先訓練的詐欺偵測模型，可做為協作訓練的起點。
- 全球詐欺訓練模型和權重 (以從 TEE 指向各銀行的綠色箭頭表示)：改良後的詐欺偵測模型和學習到的權重，會安全地傳回合作銀行。接著，他們可以在本機部署這個強化模型，用於偵測自家交易中的詐欺行為。
金融機構適用的機密聯合學習架構
聯合學習是先進的解決方案，適合重視嚴格資料隱私權和資料主權的客戶。機密聯合學習架構提供安全、可擴充且有效率的方式，可將資料用於 AI 應用程式。這種架構會將模型帶到資料儲存位置，而非將資料集中在單一位置，進而降低資料外洩的相關風險。
這個架構模式說明多家金融機構如何協同訓練詐欺偵測模型，同時使用詐欺標籤，確保機密交易資料的機密性。這項技術採用聯合學習和機密運算技術，可安全地進行多方機器學習，不需移動訓練資料。
這種架構有下列優點：
- 強化資料隱私權和安全性：聯合學習可將機密資料保留在各個站點，確保資料隱私權和資料區域性。此外，金融機構可以使用同態加密和差異化隱私篩選器等隱私權保護技術，進一步保護任何傳輸的資料 (例如模型權重)。
- 提高準確度和多樣性：金融機構可使用不同客戶的多種資料來源進行訓練，開發出強大且可通用的全域模型，更準確地呈現異質資料集。
- 擴充性和網路效率：機構可在邊緣執行訓練，在全球擴充聯合學習。此外，機構只需移轉模型權重，而非整個資料集，因此能有效運用網路資源。
下圖呈現了這個架構。
這個架構的主要元件包括：
- TEE 叢集中的聯合伺服器：安全、隔離的環境，聯合學習伺服器會先將初始模型傳送至聯合學習用戶端，協調多個用戶端的協作。用戶端會在本機資料集上執行訓練，然後將模型更新傳回聯合學習伺服器，以便匯總形成全域模型。
- 聯合學習模型存放區：預先訓練的詐欺偵測模型，可做為聯合學習的起點。
- 本機應用程式推論引擎：執行工作、使用本機資料集執行本機運算和學習，並將結果提交回聯合學習伺服器，以便安全匯總。
- 本機私人資料：各家銀行都持有自己的私人加密交易資料，其中包含詐欺標籤。這些原始資料不會離開銀行的本機環境，有助於保護資料隱私。
- 安全匯總通訊協定 (以從各銀行指向 TEE 叢集的藍色虛線箭頭表示)：聯合學習伺服器不需要存取任何個別銀行的更新資料，即可訓練模型。伺服器只需要更新向量的元素加權平均值，這些向量來自隨機選取的銀行或網站子集。伺服器會使用安全匯總通訊協定計算這些加權平均值，因此只會從所選子集中得知匯總的模型更新，而不會知道特定銀行提供了哪些更新。這種做法有助於保護聯合學習程序中每位參與者的隱私。
- 全球詐欺訓練模型和匯總權重 (以從 TEE 叢集指向各銀行的綠色箭頭表示)：改良後的詐欺偵測模型和學習到的權重，會安全地傳回參與銀行。接著，銀行可以在本機部署這個強化模型，偵測自家交易中的詐欺行為。