关于大数据环境下的隐私维护问题，长时间从事网络与信息安全研讨的冯登国院士总结道，“只要相对隐私，没有肯定隐私。”他于2019年中选中国科学院院士，是中国科学院软件研讨所研讨员，也是可信计算与信息保证实验室首席科学家。

　　6月16日，以“数治安全智理未来”为主题的2020西湖论剑·网络安全线上峰会举行，冯登国做了题为《大数据环境下隐私维护与危险管控技能》的讲演。

　　大数据年代，数据的高度同享与有用使用，和用户隐私维护、数据有用操控等安全需求之间存在着天然的对立。冯登国以为对隐私信息乱用等问题的彻底治愈，除了法规、方针的监管，还需要有可信赖的技能手段支撑。

　　他提出，隐私维护面对的三个技能应战分别是，用户身份匿名维护难，灵敏信息维护难和隐私信息安全管控难。

　　在大数据场景下，进犯者能够经过链接多个数据源建议身份重辨认进犯，冯登国以为这将导致用户身份匿名维护愈加困难。“由于用户日常活动具有较强规律性，进犯者可经过用户轨道、行为剖析等逆向剖分出匿名用户的实在身份。”他说。

　　为了应对这一应战，冯登国提出能够用差分隐私的办法来处理。他解释道，差分隐私维护分为集中式和本地式。在前一种形式中，用户数据被搜集后集中进行随机化处理，即便进犯者已把握除了进犯方针之外的其他信息，仍无法获得该进犯方针的切当信息。

　　在后一种形式中，用户数据会在本地随机化处理后再被搜集，具有任何布景常识的进犯者无法依据扰动后的单个用户数据来估测用户的原始数据。

　　冯登国介绍，2014年，谷歌在Chrome浏览器中采用了本地差分隐私算法来搜集用户的行为数据。2016年，苹果宣告开端在IOS体系中对行为统计数据使用本地差分隐私算法。

　　他标明，“这些都标明本地差分隐私技能现已到了实用化的程度“，但与此同时，他也说到，尽管本地差分隐私维护办法完成了数据的安全搜集，但算法可用性仍有很大提高空间。

　　此外，在现在的大数据场景下，由于数据发掘与深度学习等人工智能的办法被广泛使用，用户的灵敏信息很简单被估测。比方，经过一起老友、弱链接来发现用户之间躲藏的交际联络；再比方，还能够经过用以往轨道剖析乃至是交际联系，来估测出用户或许呈现的方位，泄漏用户的隐私等。

　　冯登国提出，针对机器学习的隐私维护办法，现在主要有两种，一种是支撑差分隐私的机器学习算法，另一种便是同态加密的机器学习机制。

　　最终，关于隐私信息安全管控难的应战，他还提出了密文检索与密文计算技能，和根据危险剖析的拜访操控技能。