SecretFlow#

SecretFlow 是一个隐私保护数据分析和机器学习的统一框架。

SecretFlow 提供

  • 设备抽象，将多方安全计算（MPC）、同态加密（HE）、可信执行环境（TEE）等隐私计算技术抽象为密文设备，将明文计算抽象为明文设备。

  • 基于抽象设备的计算图，使数据分析和机器学习工作流程能够表示为计算图。

  • 基于计算图的机器学习/数据分析能力，支持数据水平/垂直/混合分割等场景。

_images/secretflow_arch.svg

为什么是 SecretFlow#

目前，隐私计算技术日益普及。 然而，无论是技术还是市场，都还没有真正成熟。为了应对隐私计算技术和应用的发展不确定性，我们提出了一个通用的隐私计算框架 - SecretFlow。SecretFlow将坚持以下原则，使框架具有最大的包容性和可扩展性，以应对未来隐私计算技术和应用的发展。

  • 完备性：支持多种隐私计算技术，可灵活组装，满足不同场景需求。

  • 透明性：构建统一的技术框架，尽量让底层技术迭代对上层透明应用，具有高内聚和低耦合。

  • 开放性：不同专业方向的人可以轻松参与框架的建设，共同加速隐私计算技术的发展。

  • 连接性：不同底层技术支持的场景中的数据可以相互连接。

MPC、FL、TEE、DP：众多隐私技术路线应该选择哪个？#

隐私计算路线繁多，没有任何单一技术能够解决所有挑战。实际业务应用选型时，还需根据具体的安全假设、硬件条件和性能要求等因素综合考量，选择最适合业务场景的解决方案。更具体的综合比较请参考 隐私计算技术路线介绍与对比 。