摘要：医院希望联合研究某种疾病，但患者数据无法直接共享。银行想合作分析反欺诈信息，但客户隐私数据必须严格保护。AI 公司需要使用大量用户数据训练模型，但用户对自己数据的使用方式几乎无法控制。
在数据驱动的时代，我们每天都在产生大量数据：购物记录、健康信息、社交关系……这些数据蕴含巨大价值，但也伴随着隐私泄露的风险。
试想一下：
医院希望联合研究某种疾病，但患者数据无法直接共享。银行想合作分析反欺诈信息，但客户隐私数据必须严格保护。AI 公司需要使用大量用户数据训练模型，但用户对自己数据的使用方式几乎无法控制。传统的数据共享方式就像在数据世界里「裸奔」，风险巨大。那么，有没有一种方法能在保护隐私的前提下实现数据的价值共享呢？隐私计算技术应运而生，它能让数据在加密状态下完成计算，真正做到「数据可用不可见」。
隐私计算的兴起主要源于两个趋势：
法规严格：欧盟《通用数据保护条例》（GDPR）、中国《数据安全法》《个人信息保护法》等法规都对数据隐私提出了严格要求；业务诉求紧迫：数据孤岛现象阻碍了各个行业创新突破，隐私计算成为平衡隐私安全与数据价值的桥梁。到了 2025 年，随着生成式 AI 的普及，「AI 生成内容的归属权」已成为数据隐私领域的焦点问题。当企业利用用户数据训练 AI 模型时，谁拥有最终生成内容的权利？数据提供者如何确保自己的隐私不被侵犯？
面对这些挑战，今天我们将介绍一款当前非常流行且易用的隐私计算框架——SecretFlow（隐语），它能让数据在加密状态下完成计算，真正实现“可用不可见”的隐私保护理念。
GitHub 地址：github.com/secretflow/secretflow
最令人惊喜的是，只要你会 Python 就能通过 SecretFlow（隐语）快速上手这一前沿技术。本教程将带你一步步体验隐私计算的神奇与乐趣，让你在数据安全与价值之间找到完美平衡点！此外，SecretFlow 拥有一个活跃的开源社区，并经常回馈贡献者，文末就有价值 1000 元的社区礼物。
接下来，让我们开始 SecretFlow 的奇妙之旅吧！
SecretFlow 是由蚂蚁密算团队开源的可信隐私计算框架，它就像数据世界的“安全卫士”，让数据在不暴露具体内容的情况下安全地进行计算和分析。有了 SecretFlow，不同机构可以像「戴着眼罩一起玩游戏」，既能高效地协作完成任务，又不会泄露各自数据。
要体验 SecretFlow 很简单，官方提供 docker 镜像，包含完整依赖直接启动即可使用。
你可以选择完整版本或 lite 版本（不包含深度学习）。
我们用一个简单的例子「安全多方计算」来实际体验一下 SecretFlow，如何实现数据的「可用不可见」。
什么是安全多方计算？
安全多方计算（Secure Multi-Party Computation，MPC）是一种密码学技术，允许多个参与方在保护隐私的情况下，共同完成计算任务。
举个例子：
Alice、Bob 和 Carol 想知道他们三人的平均收入，但又不想泄露各自的收入数额。安全多方计算可以让他们输入各自数据后，仅输出最终平均值，而不暴露任何人的具体收入。
我们后续会用到几个概念：
参与方（Party）：拥有数据并参与计算的实体；计算协议（Protocol）：确保数据安全计算的规则；秘密共享（Secret Sharing）：将敏感数据拆分为多个碎片，单个碎片无法还原原始数据，只有足够多碎片组合才能还原。3.3 快速体验：使用 SecretFlow 安全计算三人收入平均值前面我们介绍了安全多方计算（MPC）的基本概念。接下来，我们以一个具体实例来展示 SecretFlow 如何让多个参与方安全计算数据的平均值，而不暴露任何人的具体收入数据。
Alice、Bob 和 Carol 想计算他们三个人的平均收入，但又不想让彼此知道各自具体的收入。这是典型的安全多方计算应用场景。
首先，我们创建一个本地模拟环境，包含三个参与方：Alice、Bob 和 Carol。
import secretflow as sf# 初始化 SecretFlow 本地模拟环境，包含三个参与方sf.init(parties={'Alice', 'Bob', 'Carol'},address='local')每个参与方都会使用专属的计算设备来保存自己的数据。我们分别为 Alice、Bob 和 Carol 创建设备：
alice = sf.PYU('Alice')bob = sf.PYU('Bob')carol = sf.PYU('Carol')为保护隐私，每个参与方通过自己的设备输入各自的收入数据：
# 假设 Alice、Bob 和 Carol 的收入分别是 5000、6000 和 7000alice_income = alice(lambda: 5000)bob_income = bob(lambda: 6000)carol_income = carol(lambda: 7000)注意：
每个参与方的数据只存在于自己的专属设备内。其他参与方无法直接访问到这份数据。我们使用 SecretFlow 提供的安全计算协议（例如 SPU 设备）来安全地计算三个人的平均收入：
# 创建一个安全计算设备（SPU），用于多方安全计算spu = sf.SPU(sf.utils.testing.cluster_def(['Alice', 'Bob', 'Carol']))# 将三人的收入数据安全地汇总到 SPU 设备，并计算平均值average_income = spu(lambda x, y, z: (x + y + z) / 3)(alice_income, bob_income, carol_income)在此过程中：
Alice、Bob 和 Carol 的收入数据以加密或秘密共享的形式送入 SPU 设备。SPU 设备安全地完成计算，参与方无法访问彼此的原始数据。直接打印结果会看到一个加密后的对象：
print(average_income)# 输出示例：此时数据仍处于加密状态，我们需要使用 sf.reveal 方法安全地解密并查看结果：
# 安全地解密并查看结果print("三人收入的平均值是：", sf.reveal(average_income))# 输出：三人收入的平均值是： 6000.0# 即 (5000+6000+7000)/3 = 6000小结通过本实例，我们完整体验了 SecretFlow 如何在保护数据隐私的前提下实现安全多方计算。每位参与方输入了自己的敏感数据，却不会暴露给其他人，最终大家都得到了想要的计算结果（平均收入），真正实现了数据「可用不可见」。
SecretFlow 通过以下几个层次来实现隐私保护的数据分析和机器学习：
抽象设备层：由普通设备和秘密设备组成，秘密设备封装了各种加密协议。设备流层：将更高层次的算法建模为设备对象流和DAG。算法层：用于处理水平或垂直分区数据进行数据分析和机器学习。工作流层：无缝集成数据处理、模型训练和超参数调整。此外，SecretFlow 还关联了多个相关项目，如 Kuscia（一个轻量级隐私保护计算任务编排框架）、SCQL（一个允许多个不信任方联合分析的系统）、SPU（一个提供计算能力并保护私有数据的安全计算设备）、HEU（一个高性能同态加密算法库）和 YACL（一个包含密码学、网络和 IO 模块的 C++ 库）。
我们可以把 SecretFlow 想象成一座数字化的「智能工厂」：
数据全程加密保护：数据就像工厂的贵重原料，从进入工厂就被锁入保险柜（全程加密），计算时决不泄露。安全高效跨团队合作：不同机构好比不同车间工人，彼此协作却不暴露原始数据。高效计算不卡顿：工厂拥有高效自动化设备（高性能计算引擎），处理数据又快又稳。灵活扩展适应需求：模块化设计，像乐高积木般灵活拼装，快速适应各种行业和需求。由于篇幅有限，上面的内容仅介绍了 SecretFlow（隐语）的冰山一角。它不仅让上手隐私计算变得简单，也让数据安全不再成为数据价值释放的阻碍。无论你是开发者、研究人员还是数据分析师，SecretFlow 都能助你轻松开启隐私计算之旅。
GitHub 地址：github.com/secretflow/secretflow
如果你想进一步了解更多 SecretFlow 实践案例和高级用法，欢迎访问官方开源社区参与讨论、贡献代码，一起建设更安全可靠的数据世界。
近期 SecretFlow 开源社区正在举办开春福利活动——文档季，推出了 150 多个「Good first issue」，非常适合新手贡献者参与。文档季任务主要分为两类：翻译任务和验证任务，都是基于开源文档的优化。参与活动不仅能提升自己的技术，还能获得多种奖品！包括：开发者专属徽章、证书、T 恤、礼品卡，同时本周还增设了特别奖：1000 元的礼品卡。
一起为开源贡献力量吧！
来源：HelloGitHub
