隐私是时代精神的一部分。我们的头条新闻充斥着备受瞩目的隐私丑闻，并且没有迹象表明这种趋势很快就会放缓。另一方面，数据科学的进步和功能强大的新平台的创建为用户带来了越来越多的收益。我们正在努力满足对数据不断增长的需求，与此同时，对隐私的要求也在增长。但是越来越明显的是，我们必须放弃隐私才能获得数据的好处。这是错误的模型。一套新的隐私保护技术正在出现。他们将打破这种范式。在本文中，我将简要介绍联合学习，同态加密，受信任的执行环境和零知识证明，并尝试阐明为什么我认为它们很重要。联合学习联合学习使计算机能够在将数据存储在设备上的同时执行协作学习。本地计算机不将数据发送到集中式计算机，而是根据本地数据训练共享算法，并且仅共享他们已学习的信息。这些学习或更确切地说是对共享算法的更改将被汇总，用于改进共享算法，然后分发回参与的计算机以进行进一步的培训。至关重要的是，这使人工智能/机器学习算法的训练过程与将数据集中在云中的需求脱钩，并可能暴露个人隐私。 tl; dr：AI /机器学习，但是您可以将数据保存在本地计算机上。完全同态加密完全同态加密使我们可以对加密数据执行任意计算。它的工作方式如下：1.爱丽丝加密她的数据并将其发送给鲍勃。 2. Bob对由Alice加密的数据执行一些计算，例如将其放入算法中。 3. Bob将加密结果传递回Alice。在此过程中，Bob不了解有关未加密数据或其计算结果的任何信息。 4.爱丽丝解密该结果，该结果与鲍勃算法针对其未加密数据获得的结果相同。完全同态加密允许用户将计算外包给不受信任的各方，而不会泄露他们的隐私。想象一下，您可以加密您的基因组，使用受过训练的人工智能将其发送给不受信任的第三方，并获得有价值的结果，而其他人都不会看到您的数据。那不再是假设的，不可信任的。 “健康”杂志（健康）在骇客马拉松比赛中推出了该游戏的MVP。 tl; dr：对加密数据运行AI / ML算法。可信执行环境（TEE）是一种神奇的硬件，可以阻止窥探者查看内容。因此，您可以在其中运行应用程序，而其他应用程序，甚至是操作系统，都无法理解TEE的内部条件或篡改其状态。因此，它们提供了完整性和机密性的保证。如今，TEE非常实用。缺点是它们需要专用的硬件来操作，但是手机制造商已使用这些硬件将TEE交给消费者，然后可以将其用于安全的生物特征认证和其他安全应用程序。例子包括私人机器学习，安全密钥生成以及解决诸如姚明的“百万富翁问题”之类的密码结构。 tl;博士：具有完整性和隐私保证的神奇的硬件零知识证明。零知识证明使我们能够验证语句的真实性，而无需透露任何有关真相的基础数据。零知识证明的最流行实现之一是zk-snark。其结构如下：·对于x的值； ·我知道一些秘密价值; ·条件D满足x和w。举一个具体的例子：·对于x = 3869·我知道两个整数pq； ·使p * q = 3869或更通用：·对于板配置A和B； ·我知道一系列象棋动作S；·这样，从A开始并应用S，所有动作都是合法的，最后转到B。任何第三方观察员都可以验证这些声明的有效性（S / p， q / w），而不会公开基础数据。零知识证明可以带来各种各样的新可能性。它们已与区块链一起使用，以允许在不透露发送者，接收者或交易金额的情况下验证交易。 Mediledger项目还将这一目标从资金扩展到了药品供应链。 tl; dr：证明您知道一些秘密而没有透露它们的含义。为什么这很重要。这样考虑：如果您是开发人员，则想为用户提供完整的隐私保护，您将怎么做？如果您是用户，并且知道不会侵犯您的隐私，那么您将参加什么活动？由于不能保证参与者的隐私，我们今天不能做什么？这些技术提供