随着⽹络安全法以及个⼈信息保护法等法律出台，数据安全和个⼈隐私保护在互联⽹应⽤中成为越来越重要的问题，在以往的机构合作中，数据流转不可避免，由于数据的易复制性，成为了数据外泄的最⼤⻛险。为了实现数据可⽤不可⻅，隐私计算正可以⼤展拳脚。隐私计算技术主要包含两⼤路选，⼀个是以密码学技术为代表，包括多⽅安全计算（MPC），同态加密（HE）以及差分隐私（DP）；另外⼀类是以TEE为代表的可信计算技术，需要依赖特定的硬件。在此背景下，蚂蚁链研发了摩斯安全计算平台以解决机构合作的数据安全和隐私保护的难题。商业化的隐私计算平台需要解决安全计算的性能、安全性、通⽤性和数据可信的挑战。本次演讲将基于蚂蚁链隐私计算平台实践，分享高性能强安全的隐私计算技术和挑战应对办法。

演讲⼤纲

1. 机构合作的常⻅场景和隐私⻛险
2. 隐私计算原理和核⼼算法介绍

• 秘密分享
• 混淆电路
• 隐私集合求交

3. 隐私计算平台技术挑战

• 性能：瓶颈和优化思路
• 安全性：安全分级和增强实现
• 通⽤性：安全计算语⾔设计和实现
• 数据可信：结合区块链防范数据造假

4. 蚂蚁链隐私计算平台实践分享

听众收益

• 了解隐私计算概论、原理和核⼼算法
• 了解隐私计算⼯程挑战以及商业化落地场景

PayPal的风险管理系统构建在由数据作为基础的机器学习智能模型和智能决策之上。本议题主要介绍PayPal内部一体化用以支撑风险管理业务的数据计算平台，内容包括离线、实时、图数据等子计算平台，以及线上线下端到端的机器学习智能决策平台。最后会和大家分享在构建数据计算平台以及处理实际平台问题的最佳实践和反模式总结。

演讲大纲

1. PayPal风险管理系统及其数据计算平台简介
2. 如何构建端到端的数据计算平台，包括：

• 数据子平台：离线、实时、图数据计算平台
• 线上线下机器学习子平台
• 仿真实验计算平台

3. 数据计算平台的最佳实践和（反模式）案例总结

听众收益

• PayPal如何构建一体化的线上线下数据计算平台用以支撑风险管理业务
• 构建数据计算平台的最佳实践和反模式总结