1. 隐语架构一览

1.1 隐语架构

隐语架构通常指的是一种面向隐私保护计算的软件框架或解决方案，它采用了密码学、可信执行环境（TEE）、多方安全计算（MPC）等多种隐私保护技术来实现在数据加密状态下进行计算，以保护数据隐私和安全。
在阿里云等企业研发的“隐语”隐私计算框架中，其核心特点是：

1. 安全性：通过先进的密码学算法和技术确保原始数据在计算过程中不被泄露，即便数据传输给第三方，也无法还原出原始数据，保障数据主体的隐私权益。
2. 高效性：采用优化的算法和架构设计，提高加密数据运算的效率，使得在保护隐私的同时能够进行大数据规模的实时计算。
3. 灵活性：支持主流的隐私保护技术集成，包括但不限于多方安全计算（MPC）、可信执行环境（TEE）、同态加密（HE）、差分隐私（DP）等，可以根据业务场景灵活组合和使用。
4. 开放性：提供友好的API接口和开发者工具，方便开发者快速搭建基于隐私计算的应用，同时也支持组件化的扩展和定制。
5. 合规性：遵循国内外法律法规关于数据安全和隐私保护的要求，助力企业在合法合规的前提下进行数据价值挖掘。

• 模块化设计：将复杂的隐私计算功能封装成易于使用的模块，便于开发人员在构建应用程序时选取和搭配使用。
• 分层架构：通常包括应用层、服务层和基础设施层，每一层都提供特定的服务，以支持各种隐私计算任务。
• 安全协议层：内嵌了一系列实现数据加密和安全交换的协议，以确保数据在共享和计算过程中的安全性。
• 平台兼容性：支持多种硬件和云计算平台，能够在不同的计算环境下部署和运行隐私保护计算任务。

2. 隐语架构拆解

2.1 算法层

2.1.1 PSI/PIR

PSI（Private Set Intersection）：PSI是一种隐私计算协议，用于在两个或多个参与方之间比较数据集的交集，而无需泄露具体的数据内容。每个参与方可以保持自己的数据集私密，并通过PSI协议计算交集，以确定它们之间共享的元素，而不会揭示其他不必要的信息。PSI常用于隐私保护的数据分析、身份验证和数据共享场景。

RIP（Secure Remote Inference Protocol）：RIP是一种安全远程推断协议，用于在隐私计算环境中进行机器学习推断。它允许数据拥有者将模型和输入数据分开，并在保护数据隐私的同时，将输入数据发送给服务提供者进行推断。RIP协议使用密码学技术和隐私保护算法，确保在推断过程中不会泄露敏感信息，同时提供准确的结果

2.1.2 Data Analysis

Data Analysis - SCQL（Secure Collaborative Query Language）
一种多方安全数据分析系统，可以让互不信任的参与方在保护自己数据隐私的前提下，完成多方数据分析任务。

2.1.3 Federated Learning

联邦学习（Federated Learning）是一种分布式机器学习方法，旨在让多个参与方共同学习一个模型，同时保护数据的隐私性。与传统的集中式机器学习不同，联邦学习的核心思想是将模型的训练过程移至参与方的本地设备上，而不是将数据集集中到单个中央服务器上。

2.2 计算层

2.2.1 混合编译调度RayFed

专注于跨机构的分布式计算调度框架

2.2.2 SPU

Secure Process Unit。Secure Process Unit (SPU) 是一种安全处理单元，通常用于保护计算设备或系统中的敏感数据和操作。SPU 旨在提供硬件级别的安全性和保护，以防止未经授权的访问和攻击。
SPU 可以是一个独立的芯片或集成在处理器或其他硬件组件中。它的主要功能之一是执行安全计算，例如加密、解密、数字签名和密钥管理等。SPU 通常具有专用的安全指令集和硬件加速器，以提供高效的安全功能。
SPU 还可以提供安全隔离和容器化功能，以确保不同的软件或应用程序之间的互相隔离，防止恶意代码或攻击者从一个环境中访问另一个环境中的数据。
SPU 在安全芯片、智能卡、安全模块、安全处理器等领域得到广泛应用。它们对于保护敏感数据、执行安全验证和加密操作，以及提供安全的计算环境至关重要。

2.2.3 HEU同态加密

同态加密是一种特殊的加密技术，允许对加密数据进行计算，而无需先解密数据。这使得在加密状态下进行计算成为可能，从而保护了数据隐私。
在隐私计算领域，HEU 可能用于保护用户数据的隐私，同时允许在加密数据上进行计算，例如在云计算环境中进行数据分析或机器学习任务，而无需暴露原始数据。HEU 可以执行加法、乘法和其他操作，而不需要将数据解密，这对于保护数据隐私至关重要。

2.2.4 TEEU

“Trusted Execution Environment Unit”，即可信执行环境单元。可信执行环境是一种安全的硬件和软件组合，旨在提供受保护的执行环境，以确保敏感数据和关键代码受到保护，不受恶意软件或其他不信任的实体的干扰。
在隐私计算中，TEEU 可能用于执行关键的计算任务或保护敏感的数据处理操作。例如，在边缘计算场景中，可以使用TEEU来执行隐私保护的数据处理，以确保用户数据在处理过程中不被泄露或篡改。TEEU通常提供安全的内存隔离、加密和认证功能，以确保在执行过程中数据的机密性和完整性。

2.2.5 YACL

加密库是用于实现各种加密算法和协议的软件包。在隐私计算中，YACL 或其他类似的加密库通常用于实现各种隐私保护技术，如同态加密、安全多方计算、零知识证明等。
这些加密库提供了开发者所需的功能和工具，以便他们能够构建隐私保护的应用程序和系统。这些库通常包括各种加密算法的实现，以及其他辅助功能，如随机数生成器、密钥管理和认证协议。
YACL 或其他加密库的使用可以大大简化开发人员的工作，并提高他们构建隐私保护应用程序的效率。这些库通常是开源的，因此可以由开发人员和研究人员进行审查和改进，以确保其安全性和性能。

2.3 资源层Kuscia

Kuscia（Kubernetes-based Secure Collaborative InfrA）是一款基于 K3s 的轻量级隐私计算任务编排框架，旨在屏蔽异构基础设施和协议，并提供统一的隐私计算底座。通过 Kuscia：

• 轻量化部署：您可以用最低 1C2G 的资源完成 100W 级数据隐私求交(PSI)。
• 跨域网络安全通信：您可以实现多隐私计算任务并发执行时的端口复用（仅需一个公网端口）与安全通信。
• 统一的 API 接口：您可以使用 HTTP/GRPC API 接口集成隐私计算能力。
• 互联互通：你可以与行业内多种隐私计算系统进行互联互通。
  

2.4 互联互通

2.5 跨域管控