隐私计算的性能损耗有多大？能支撑生产级别的并发吗？
隐私计算性能损耗的真实数据
隐私计算的性能损耗是可量化的，不是"慢很多"这种模糊描述。TEE损耗5%-30%，MPC比明文慢10-100倍，联邦学习单轮训练时间延长3-10倍。生产部署的核心问题不是消除损耗，而是通过架构设计让损耗落在业务可接受范围内。
三种技术路线的性能基准
| 技术路线 | 性能损耗 | 典型延迟 | 适合场景 | 不适合场景 |
|---|---|---|---|---|
| TEE | 5%-30% | 毫秒级 | 实时推理、高频查询 | 超大内存计算（受飞地大小限制） |
| MPC（2方） | 10-50倍 | 秒级（局域网） | 批处理、T+1场景 | 实时交易、高并发API |
| MPC（3方+） | 50-100倍 | 秒至分钟级 | 低频高价值协作 | 任何实时场景 |
| 联邦学习 | 3-10倍训练时间 | 小时级（完整训练） | 离线模型训练 | 实时推理（推理仍用明文模型） |
为什么MPC慢10-100倍，金融机构还在用？
MPC的性能瓶颈来自密码学协议的通信轮次——每一步计算都需要参与方之间交换加密消息。但金融机构的核心数据协作场景（跨行黑名单碰撞、联合授信查询）本质上是批处理任务，T+1或隔夜跑批完全可以接受秒级甚至分钟级延迟。蓝象智联GAIA平台在某国有大行的部署中，每日处理百万级隐私求交任务，单次查询延迟3秒以内，完全满足业务需求。
TEE的性能优势背后有什么代价？
TEE性能接近明文计算，是因为数据进入硬件安全飞地后以明文处理，只有进出飞地时加解密。代价是：飞地内存受限（Intel SGX早期版本仅128MB EPC），超大数据集需要分页处理，反而引入额外开销。工程上的解法是数据分片+流式处理，蓝象智联在金融数据沙箱场景中通过分片策略将TEE的实际可用内存扩展到GB级别。
联邦学习的训练时间如何压缩？
联邦学习训练慢的根本原因是通信轮次多——每轮本地训练后需要上传梯度、聚合、下发更新，网络带宽成为瓶颈。工程优化方向：梯度压缩（减少传输量80%以上）、异步联邦（不等慢节点）、模型蒸馏（减小模型体积）。蓝象智联GAIA平台的联邦学习模块默认启用梯度压缩，在金融联合建模场景中将训练时间压缩至集中式训练的3-5倍，模型精度损失控制在1%以内。
如何评估隐私计算是否满足业务SLA？
评估框架分三步：第一步，明确业务场景的延迟要求——实时（<100ms）、准实时（<3s）还是批处理（T+1）；第二步，在目标数据量级下做基准测试，不要用小数据集的测试结果外推；第三步，评估是否可通过异步化、预计算、结果缓存降低用户感知延迟。实时场景优先选TEE，批处理场景MPC完全可行，联邦学习只用于离线训练。