经济日报专访星云Clustar创始人陈凯:护航金融数据,隐私计算能解决什么?

《数据安全法》日前经相关部门表决通过,将于2021年9月1日起施行。这部法律是数据领域的基础性法律,也是国家安全领域的一部重要法律。从全球视野看,在金融行业数据安全问题频出之时,各个国家均开始注重数据安全问题,我国出台《数据安全法》意义深远。

星云Clustar创始人、香港科技大学教授陈凯认为,目前,全球对数据安全越来越重视,在国内层面,随着中国人民银行等监管部门启动金融数据综合应用试点工作,一系列举措已经表明我国越来越重视数据安全问题。而金融行业是目前数据安全领域中规模最大、需求最强、基础最佳的行业之一,对数据安全和个人信息保护理应加码。

经济日报专访星云Clustar创始人陈凯:护航金融数据,隐私计算能解决什么?

陈凯认为,《数据安全法》落地,首先表明我国对数据安全的态度,《数据安全法》的实施将影响金融、医疗、制造、政务等多个行业,其中,金融业是影响最大的行业之一。新法的落地实施将影响全行业、全领域,并不仅仅局限在某个行业或某个领域。预计新法落地后,各行业、各地方将会依据自身特征出台相应的具体条例和措施。以目前数据行业的市场规模来看,受影响最大的还是金融业。对于金融业而言,数据安全法的落地实施,标志着金融业的数据合规应用工作将迈入常态阶段。

陈凯认为,新法落地后,有关部门可能会加大对金融机构信息安全工作的监督管理,从长期看,数据安全法的落地实施不仅有利于保护公民金融数据隐私安全,还能进一步的增强我国金融体系的安全性,提高我国金融体系的运行效率以及数据使用率。

数据应用合规一直以来都是衡量金融业安全工作的重要方面,有关部门未来大概率会加大对金融机构信息安全的监管。随着《数据安全法》的落地,后续如何从技术层面上推动数据安全落地,还需要政府、科研机构、学界、工业界等各部门发挥合力。

什么是隐私计算?“隐私计算是目前可见的解决数据安全和隐私保护问题、促进数据安全有效融合的关键技术之一。”陈凯谈到,近年来隐私计算也越来越火热,隐私计算的应用能解决数据孤岛问题,提高数据的使用效率,帮助数据相关行业获得新发展。以隐私计算的主流技术联邦学习技术来举例说明,两个机构进行联合建模为需求方提供服务,但数据的原文不会被各方看到,甚至不用出数据库,做到“数据可用而不可见”,从而保护数据隐私,这就是隐私计算所解决的问题。

在陈凯看来,隐私问题不仅仅是一个监管的问题,也是一个技术问题。基于在数据安全领域的不断探索,2018年,陈凯教授创办了星云Clustar,持续在加速AI算力、提高集群计算效率、保护隐私安全等方面进行研究,致力于将联邦学习,同态加密,高性能AI集群技术等最新研究成果应用到金融领域。

隐私计算技术飞速发展,给数据隐私安全问题的解决提供可能,而星云Clustar是专注金融场景的隐私计算全栈技术与基础设施提供商,目前已为不少金融头部机构提供服务,例如,为建设银行构建基于联邦学习的多方安全建模平台,支持联合建模、联合运算等隐私计算场景,同时对数据资产、流程日志、加密中间结果进行安全审计以确保流程可追溯,以“可用不可见”的方式打通全行内外部的数据共享,充分盘活了不同业务板块的数据价值。

今年4月,星云Clustar正式发布星云隐私计算全栈解决方案,致力于解决数据应用场景中安全与效率的核心诉求。该解决方案依托星云隐私计算平台,向上支撑联合建模、联合推理、联合查询、联合统计等各类应用场景,向下兼容联邦学习、多方安全计算、可信执行环境、同态加密等各类隐私保护技术,为企业提供完整的全栈技术解决方案,使其更加专注解决业务问题。同时,通过拼接安全可信的海量数据源,通过业界首个异构计算加速方案提供高性能的隐私计算底层算力,兼顾性能与效率,其产品形态为星云隐私计算一体机和星云隐私计算加速卡。

陈凯表示,由于全球用户对数据隐私的关注,国内数据安全相关规章制度陆续完善,相关保护办法日趋全面化与严格化,“数据孤岛”问题正在得到加速解决。为推进人工智能在多个领域的应用落地,陈凯带领团队参与建设基于数据隐私保护的联邦学习安全计算框架,联邦学习可以帮助企业、机构内部或多个机构协作时,在满足用户隐私保护、数据安全和政府法规的前提下,通过加密机制进行数据安全连接和机器学习建模,无需披露任何存储在本地的原始数据和核心价值数据,达到或逼近跟使用原始数据建模一致的效果。

陈凯表示,星云Clustar作为技术实现和应用探索的行业先行者,深耕金融行业,构建数据安全连接的基础设施一直以来都是重要的企业愿景。星云Clustar将坚持开源的技术路线,同时逐步完善全栈的产品解决方案,希望能够构建一个高性能、安全可靠的数据底座,帮助数据使用方和数据源之间形成一个安全的连接;持续加强底层技术的研发,特别类似于全同态技术,去拓展隐私计算的技术边界。

来源:经济日报客户端

(免责声明:本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿,凡在本网站出现的信息,均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性,但不保证有关资料的准确性及可靠性,读者在使用前请进一步核实,并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏,概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时,应及时向本网站提出书面权利通知或不实情况说明,并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后,将会依法尽快联系相关文章源头核实,沟通删除相关内容或断开相关链接。 )