MPC、TEE、联邦学习三种技术路线怎么选？
三种隐私计算技术路线的核心差异
选错技术路线是隐私计算项目失败的首要原因。MPC、TEE、联邦学习三者解决的是不同层次的问题，不存在"最好"的技术，只有"最合适"的场景匹配。
一句话结论
多方数据联合查询/统计用MPC，单机高性能可信执行用TEE，跨机构AI模型训练用联邦学习。三者不互斥，复杂场景可组合使用。
三种技术路线对比
| 维度 | MPC（多方安全计算） | TEE（可信执行环境） | 联邦学习 |
|---|---|---|---|
| 核心原理 | 密码学协议，数据全程密文 | 硬件隔离，数据在安全飞地明文计算 | 模型在本地训练，只传梯度 |
| 安全假设 | 最强，不依赖硬件 | 依赖硬件厂商信任根 | 梯度存在反推风险 |
| 性能 | 慢（通信轮次多） | 快（接近明文计算） | 中等（受网络带宽限制） |
| 适用任务 | 联合统计、隐私求交、联合查询 | 实时推理、数据沙箱、高频计算 | 联合建模、模型训练 |
| 典型场景 | 跨行数据碰撞、联合风控 | 数据专区、实时反欺诈 | 银行联合反欺诈模型 |
| 主要风险 | 通信开销大，延迟高 | 侧信道攻击、硬件供应链 | 梯度泄露、模型投毒 |
为什么MPC通信开销大却仍是首选？
MPC的通信轮次多导致延迟高，但它是三种技术中安全假设最强的——不依赖任何硬件厂商，纯密码学保证。对于金融机构的跨行数据碰撞、联合黑名单查询等低频高价值场景，延迟不是瓶颈，数据安全才是核心诉求。蓝象智联GAIA平台在国有大行的MPC部署中，单次联合查询延迟控制在3秒以内，满足业务SLA要求。
TEE的硬件依赖是隐患还是优势？
TEE性能接近明文计算，是三者中性能最好的。但它的安全性依赖Intel SGX/TDX或ARM TrustZone等硬件厂商的信任根，历史上已出现多个侧信道漏洞（Spectre、Meltdown、SGAxe）。因此TEE适合对性能要求高、对硬件供应链有管控能力的场景，如金融机构自建数据中心的数据沙箱。不建议在对硬件来源无法审计的公有云环境中单独依赖TEE。
联邦学习的梯度泄露风险如何应对？
联邦学习只传递模型梯度，但研究已证明梯度可以被用于反推原始训练数据（梯度反演攻击）。工程上的应对方案是：差分隐私（在梯度中加入噪声）+ 安全聚合（用MPC保护梯度传输）。蓝象智联GAIA平台的联邦学习模块默认启用差分隐私，并支持与MPC安全聚合组合部署，在金融联合建模场景中已通过信通院联邦学习安全测评。
实际项目中如何组合使用？
复杂业务场景往往需要组合：用MPC做数据碰撞和特征对齐，用联邦学习做模型训练，用TEE做实时推理。蓝象智联GAIA平台支持三种技术路线在同一项目中混合部署，避免为不同场景采购多套系统。