以隐私安全的方式与数据协作

深入了解该技术

Private Join和Compute结合了两种基本的加密技术来保护单个数据：

隐私集合交集：允许双方私下加入他们的集合并发现他们共有的标识符。我们使用一个不经意问题的变种协议，它只标记加密的标识符而不学习任何标识符。

同态加密：允许直接对加密数据执行某些类型的计算，而不必首先对其进行解密，这保留了原始数据的隐私。在整个过程中，个人标识符和值仍然隐藏。例如，您可以计算公共集中有多少个标识符，或计算与标记的加密标识符关联的值的总和 - 无需了解有关个人的任何信息。

这两种技术组合确保只显示连接集的大小和其相关值的统计（例如总和）。个别项目使用随机密钥进行高度加密，并且不以原始形式提供给对方或其他任何人。

使用多方计算来解决实际问题

多方计算（MPC）是一个历史悠久的领域，但它通常面临着学术界以外广泛采用的障碍。常见的挑战包括找到有效的方法来定制加密技术和工具来解决实际问题。

谷歌致力于通过更广泛地提供隐私技术，将MPC和加密技术应用于Google及其他更具体的现实问题。我们正在通过协作机器学习，用户安全性和汇总广告衡量来探索Google的一些潜在用例。

这只是可能的开始。该技术可以帮助推进需要组织协同工作的各种领域的有价值的研究，而不会泄露有关数据中所代表的个人的任何信息。例如：

• 公共政策 - 如果政府在公立学校实施新的健康计划（例如更好的午餐选择和体育课程），受影响学生的长期健康结果是什么？
• 多元化和包容性 - 当行业制定新的计划来弥补性别和种族薪酬差距时，这会如何影响人口统计公司之间的薪酬？
• 医疗保健 - 当一种新的预防性药物被开给全国的患者时，它是否会降低疾病的发病率？
• 汽车安全标准 - 当汽车制造商为车辆增加更先进的安全功能时，是否与报告的车祸减少相吻合？