安全多方計算（MPC）如何在實際 AI 推論中保護用戶隱私？

在隱私保護推論場景中，MPC 的典型運作方式為：用戶（Client）持有私有輸入（如醫療影像），AI 服務商（Server）持有私有模型權重。透過 MPC 協議，雙方在各自加密的資料上執行神經網路的前向傳播計算：每一層的矩陣乘法和激活函數都在密文或祕密分享形式下完成。最終用戶只獲得推論結果，無法看到模型權重；服務商完成計算但無法看到用戶的原始輸入。代價是計算和通訊成本顯著提高，目前在學術研究中已實現 CIFAR-10 等中型模型的 MPC 推論，但大規模生產部署仍需效能優化。

MPC 中的「半誠實」和「惡意」安全模型有何差異？

兩者代表對攻擊者行為的不同假設，直接影響協議設計的複雜度。半誠實（Semi-Honest）模型假設所有參與方都遵守協議規則，但可能嘗試從觀察到的訊息（如中間計算結果、通訊內容）推導其他方的私密資料。這個假設在各方都有契約約束的商業合作中較合理，相應的 MPC 協議設計較簡單、效能較好。惡意（Malicious）模型假設攻擊者可以任意偏離協議（偽造訊息、中途退出、輸入錯誤資料），協議必須能偵測並防止這類攻擊，需要引入零知識證明等額外機制，計算成本大幅提高。實務選擇取決於參與方的信任程度和法律責任歸屬。

MPC 在 iPAS 考試的考察重點是什麼？

在 iPAS AI 應用規劃師中級考試中，MPC 通常作為聯邦學習與隱私計算專題的延伸考點。常見考察面向包括：（1）MPC 與聯邦學習的關係：兩者的層次差異（架構 vs. 密碼學協議）及互補關係；（2）MPC 的應用場景判斷：哪些場景適合用 MPC（多方有敏感資料、不信任彼此、需法規合規）；（3）MPC 的主要技術手段：祕密分享、同態加密、加密電路各自的基本原理；（4）MPC 的侷限性：效能開銷、最終輸出仍可能洩露資訊、需搭配差分隱私。掌握「MPC 保護計算過程中的輸入隱私，但有效能代價」是核心解題框架。

安全多方計算是什麼？

MPC：安全多方計算的完整解釋

安全多方計算（Multi-Party Computation，MPC）是一種密碼學協議，允許多方在不揭露各自私有輸入資料的前提下，共同計算某個函數的結果，廣泛應用於聯邦學習、隱私保護 AI 推論等場景

核心概念

安全多方計算（Multi-Party Computation，MPC）解決的是一個基礎問題：如何讓互不信任的多方共同完成計算，同時保護各方的私有輸入不被洩露？

這個問題的起源可追溯到 1982 年 Andrew Yao 提出的「百萬富翁問題（Millionaires' Problem）」：兩位富翁想知道誰更富有，但都不想透露自己的實際財富。MPC 提供了一個密碼學上嚴格的解法：讓雙方能比較大小，但無法推導出對方的具體金額。

MPC 的安全性定義建立在理想模型（Ideal Model）vs. 現實模型（Real Model）的對比上：若現實協議與一個理想的「可信第三方」在計算上不可區分，則協議被認為是安全的。這個定義覆蓋兩種攻擊者：

半誠實（Semi-Honest / Honest-but-Curious）攻擊者：遵守協議規則，但試圖從觀察到的訊息推導其他方的私密資料
惡意（Malicious）攻擊者：可能任意偏離協議，嘗試破壞計算結果或竊取資料

運作原理

MPC 有幾種主要的技術實現路徑：

祕密分享（Secret Sharing）

Shamir 祕密分享是最常用的 MPC 基礎工具。概念：將秘密 s 拆分成 n 個份額（Shares），分配給 n 方，任意 t 方聚合可恢復秘密，少於 t 方則無任何資訊。

以加法祕密分享為例：方 1 持有 s1，方 2 持有 s2，s1 + s2 = s（在有限域上）。計算 f(s_A, s_B)（如 s_A + s_B）時，各方在秘密份額上直接做對應運算，無需揭露原始值。

加密電路（Garbled Circuit）

由 Yao 提出，將任意布林電路「加密」成一個亂碼表，讓評估方（Evaluator）在不知道輸入的情況下執行電路並得到輸出。核心思想是將電路的每個閘（Gate）用對稱加密包裹，只有正確的輸入能解鎖正確的輸出加密值。

同態加密（Homomorphic Encryption, HE）

允許在密文上直接執行加法或乘法，計算結果解密後等同於在明文上計算。全同態加密（Fully Homomorphic Encryption, FHE）支援任意計算，但計算開銷極大；部分同態加密（如 Paillier 只支援加法）效能較高，適合特定場景。

在 AI 場景中的 MPC 協議

聯邦學習（Federated Learning）中的梯度聚合是 MPC 的典型應用：各個設備（如手機）在本地訓練後，將梯度以祕密分享形式上傳，伺服器在密文上聚合，設備只獲得最終更新後的模型，伺服器無法推導個別設備的梯度。

實際應用

聯合信用評分：多家銀行各持有客戶的不同財務資料（存款、貸款、交易記錄），透過 MPC 共同訓練信用評分模型，但不共享原始客戶資料，滿足 GDPR 等法規要求。

醫療聯合研究：不同醫院的病患資料因隱私法規無法共享，MPC 允許多家醫院聯合分析病患資料（如計算統計量、訓練診斷模型），各醫院的病患個資不離開本機。

隱私保護推論（Private Inference）：用戶不願意向 AI 服務商揭露查詢內容（如敏感醫療問題），同時服務商不願意揭露模型權重。MPC 可讓雙方在各自保密的情況下完成推論，即「blind inference」。

台灣應用背景：隨著《個人資料保護法》修正草案加強資料跨境及共用規範，MPC 技術受到金融業與醫療業的關注，作為合規的多方協作分析手段。

常見誤區

誤區一：MPC 等於聯邦學習

聯邦學習（Federated Learning）是一種分散式訓練架構，強調資料不離本地；MPC 是密碼學協議，提供數學上的隱私保證。兩者解決的問題層次不同：聯邦學習即使沒有 MPC 也能運作（但可能面臨梯度洩露風險），MPC 可以作為聯邦學習的隱私增強層。業界常見「MPC + 聯邦學習」的組合方案。

誤區二：MPC 完全無洩露風險

MPC 保護「計算過程」中的輸入隱私，但最終輸出可能洩露資訊。例如，若協議允許查詢「某客戶的信用分數是否超過 700」，惡意方可能透過大量查詢推導出接近真實值的估計。需要搭配差分隱私（Differential Privacy）等機制限制資訊洩露量。

誤區三：MPC 效能問題已被解決

通訊開銷是 MPC 的主要瓶頸。加密電路和祕密分享需要大量的通訊輪次，在網路延遲高的環境下效能顯著下降。在大規模神經網路推論場景中，MPC 的計算和通訊成本可能是明文推論的數十倍到數百倍，實際部署需要謹慎評估。

與相關技術的比較

技術	核心保護	效能開銷	適用場景
安全多方計算（MPC）	計算過程中的輸入隱私	高（通訊密集）	多方協同計算，資料不共享
聯邦學習（FL）	原始資料不離本地	中（網路傳輸梯度）	分散式訓練
差分隱私（DP）	統計輸出中的個體隱私	低（加噪音）	發布統計資料、訓練模型
同態加密（HE）	密文上的計算	很高（計算密集）	單方加密資料外包計算
零知識證明（ZKP）	聲明真實性，不揭露原因	高（生成證明）	身份驗證、合規證明

在 AI 隱私計算生態中，MPC、聯邦學習、差分隱私是三大主幹，實際部署通常組合使用，形成多層次的隱私保護架構。

常見問題

← 回到安全多方計算快查頁

安全多方計算 是什麼？