公共资源交易数据资产化前景研究

公共资源交易数据资产化迎来战略机遇期公共资源交易应紧随国家数据要素化战略公共资源交易数据是配置自然资源、公共资产、公共服务等活动的数据资源,是公共数据的重要组成部分。中国共产党第十九届中央委员会第四次全体会议首次将数据列入生产要素,公共资源交易数据迎来了要素化配置的新发展阶段,也为探索公共资源交易数据资产化提供了基础。

浅析隐私保护计算技术对数据交易流通模式的影响

为促进数字经济发展,近年来国内外在政策和市场层面均大力推进数据交易流通的探索和实践。但由于数据权属难以界定、数据使用范围难以有效控制等核心问题,以往的数据交易模式并未带来大规模数据流通和数据要素市场的繁荣发展。通过对数据交易流通现状以及传统数据交易存在的问题进行深入剖析,遵循《要素市场化配置综合改革试点总体方案》中强调的数据要素流通中数据安全可控的要求,从技术层面给出基于隐私保护计算技术的解决方案,并对打造数据交易流通的新范式提出建议。

隐私计算在新型电力系统中的应用分析与展望

新型电力系统是一个以新能源为主体的典型信息-物理-社会融合系统,利用跨主体的数据进行联合智能计算和智能调控,对于保障电力系统的安全稳定运行具有重要意义。随着国家数据资产化和数据安全相关法案的出台,在包含多主体的市场中保护数据隐私、避免数据直接共享逐渐得到广泛关注。较多的研究者开始探讨使用隐私计算方法在保护原始数据的同时实现数据挖掘和分析。但隐私计算技术种类丰富、安全假设多样,需要根据具体应用场景和需求特性(如安全要求、性能要求、准确度要求等)有针对性地设计隐私计算方案。文中对隐私计算的基本概念进行了阐述,并对该技术目前在新型电力系统中的多个应用场景进行了分析和总结。最后,讨论了当前应用中存在的问题和不足,给出了未来在新型电力系统中实现隐私计算应用的相关建议。相关思考有望为电网领域隐私计算的研究和应用提供参考,并最终促进能源领域数据的安全、高效流通。

公共数据金融业要素化的新机遇与对策建议

2022年底,《中共中央国务院关于构建数据基础制度更好发挥数据要素作用的意见》(以下通称“数据二十条”)正式发布,鼓励加强公共数据开放共享,推动建立公共数据的确权、授权机制,以“原始数据不出域、数据可用不可见”的方式探索公共数据商业化与非商业化运营模式。

数据使用可控是数据流通安全的核心保障

参与“数据二十条”起草的过程,我的感受有三点:第一,理性务实地淡化所有权,强调使用权,聚焦数据使用权流通,创造性提出建立数据资源持有权、数据加工使用权、数据产品经营权“三权分置”的数据产权制度框架,构建中国特色数据产权制度体系。第二,关注流通。交易是流通的一种特殊形式,它的特征就是以货币为对价,划拨、共享、开放、赠与、继承,这都是数据在流通,交易只是一种特殊形式。

安全多方计算及其在机器学习中的应用

随着人工智能、大数据等技术的发展,数据采集、数据分析等应用日渐普及,隐私泄露问题越来越严重.数据保护技术的缺乏限制了企业之间数据的互通,导致形成“数据孤岛”.安全多方计算(secure multiparty computation,MPC)技术能够在不泄露明文的情况下实现多方参与的数据协同计算,实现安全的数据流通,达到数据“可用不可见”.隐私保护机器学习是当前MPC技术最典型也是最受关注的应用与研究领域,MPC技术的应用可以保证在不泄露用户数据隐私和服务商模型参数隐私的情况下进行训练和推理.针对MPC及其在隐私保护机器学习领域的应用进行全面的分析与总结,首先介绍了MPC的安全模型和安全目标;梳理MPC基础技术的发展脉络,包括混淆电路、不经意传输、秘密分享和同态加密;并对MPC基础技术的优缺点进行分析,提出不同技术方案的适用场景;进一步对基于MPC技术实现的隐私保护机器学习方案进行了介绍与分析;最后进行总结和展望.

联邦学习在金融行业的应用分析

近年来,明文数据流通引起的数据泄露及滥用问题日益突出,需要跨域数据融合的机器学习面临新挑战。联邦学习因能在数据本地化的情况下实现联合建模,成为实现数据安全融合的潜在方案。在概述联邦学习理论,分析其金融应用现状的基础上,指出现有联邦学习平台存在安全性不明晰、通用性不足、异构性突出等问题。最后提出健全监管体系、建立通用型技术架构、出台联邦学习行业标准等建议,为推动联邦学习实现金融业数据安全融合提供参考。

多方安全计算框架下的智能合约方法研究

数据是国家新兴基础性战略资源,构建一个新兴的数据要素市场引发各界的高度关注,但随之而来的数据隐私泄露问题、数据滥用等问题也被引起重视.隐私计算解决了“数据可用不可见”的问题,但仍然缺乏数据使用过程的有效监管技术和手段,所以数据滥用的风险仍然存在.构建健康有序的数据要素市场需要建立在坚固的信任基础和智能化的监管措施之上.以去中心化的、多方互为监督的技术思路为指引,结合隐私计算中的多方安全计算技术,研究设计了一种新型的智能合约——计算合约.计算合约的内容由多方互相确认,可自动化执行,算法公开可验证,实现了数据流通使用的安全可控.利用所设计的智能合约,将其应用到北京大数据交易所中,为某银行融合多方数据测算贷款额度提供了支撑,演示了计算合约全生命周期的执行过程,相关流程可追溯、可监管.研究成果具有较好的示范性和可推广性,可为数字经济的发展提供有力支撑.

多方计算在个人征信领域中的应用

利用替代数据刻画企业或个人信用状况,是近年来世界范围内兴起的新趋势。但传统的大数据征信基于明文数据计算,容易产生数据泄露和滥用的问题。多方计算技术能够实现数据"可用不可见、可控可计量",为大数据征信的数据安全利用提供了技术保障,对于征信业的市场化发展意义重大。针对我国个人征信领域存在的痛点问题,提出应用多方计算技术破解我国个人征信数据融合难题的方法,并据此设计个人征信数据融合平台,探索多种业务场景。多方计算技术对于数据的安全融合、大数据征信的健康发展提供了新的思路,为推进我国个人征信产品供给侧结构性改革提供了技术支撑。

多方计算特定应用场景的匿名化认定与建议

数据正在逐渐成为关键生产要素,各产业对数据的需求也随之不断增长.2021年9月1日开始实施的《中华人民共和国数据安全法》,对国内信息和数据安全领域的普适性法律框架作了进一步完善.作为数据中最为特殊的一部分,个人信息在《中华人民共和国个人信息保护法》受到更加严格的保护.《个人信息保护法》中有关匿名化与去标识化的概念与欧盟相关规定类似,但亦有其不同之处.以欧美相关规定为起点,洞察欧美对匿名化相关概念的差异,评价其可操作性与值得借鉴之处.随后,将我国相关规定与基于多方计算(multi-party computation,MPC)的数据交易场景进行结合,分析目前匿名化与去标识化相关规定在适用上可能面临的问题.最后,从个人信息保护与数据流通的角度,对匿名化与去标识化及其相关规定提出建议.

隐私计算技术的金融应用思考

在国家数据要素化战略和数据隐私保护要求并行的时代背景下,隐私计算技术作为实现数据安全融合的工具受到金融行业广泛关注,并已出现较多探索应用。然而,目前相关理论研究较少,同时行业对隐私计算技术缺乏系统性的梳理。本文先根据技术原理,对隐私计算技术进行了系统梳理,并从数据流通安全的角度对典型产品技术架构进行剖析。在此基础上,总结了金融行业的隐私计算技术应用现状,提出下阶段该技术大规模商业化应用的建议,为金融业更好发挥数据要素作用提供参考。

金融数据安全与个人信息保护

金融业作为数据密集型行业,由于相关数据的高敏感性和高价值性,全面保障数据安全和个人信息权益成为金融行业数据治理的新内核。随着《数据安全法》和《个人信息保护法》相继进入实施阶段,金融行业亟须根据相关法律法规的要求提升数据安全合规能力,加强金融数据安全与个人信息保护治理,切实践行这两部法律。

数据如何实现要素化:数据流通的新机制

数据如何才能成为数据要素 从2019年党的十九届四中全会正式把数据列为生产要素以来,我国正式拉开了以数据为关键生产要素的数字经济发展新序幕.在此基础上,国家和地方政府密集出台了一系列政策来鼓励推动数据行业的发展.2022年12月,国家重磅发布了"数据二十条",这是我国第一份系统构建数据基础制度的政策文件.以这份"数据二十条"文件为标志,我国数字经济发展从技术引领进入数据驱动的新阶段.在这里,我们需要理解,数据古已有之,但它在什么时候才能成为一种生产要素——数据要素——来推动经济的发展呢?

数据要素时代金融业的使命

党的十九届四中全会首次将数据作为生产要素写入中央文件。今年上半年,中共中央国务院相继发布《关于构建更加完善的要素市场化配置体制机制的意见》及《关于新时代加快完善社会主义市场经济体制的意见》,其中均提出了加快培育数据要素市场的具体意见。近年来,我国数字经济发展迅速,中国信息通信产业研究院发布的《中国数字经济发展与就业白皮书(2019年)》显示,2018年总量达31.3万亿元,占GDP比重超过三分之一,对GDP增长的贡献率则超过三分之二。

联邦学习概念辨析与金融应用思考

目前,“联邦学习”这一术语在市场上还存在很多认识上的误解和混淆,主要原因是其既在广义上表达了保护数据前提下联合多方数据训练模型的需求,又在狭义上表示了一类通过暴露部分数据信息来提升训练性能的方法。而且作为广义上的需求,它强调为了保护数据安全,可以牺牲部分准确性;但作为狭义的方法,它反而强调通过牺牲安全来换取性能提升。