多方安全计算
技术成熟度曲线报告
报告编号:SCR-HC26069 发布日期:2026年07月09日
尚参科技研究部
摘要
本报告共评估多方安全计算的15项关键技术，阶段分布为：认知萌芽期3项、认知泡沫期2项、认知校准期5项、协同成熟期5项、能力内化期0项。多方安全计算处于多阶段并行发展的混合状态，不同技术成熟度差异较大，企业应分层制定部署策略，避免一刀切的投入节奏。
主要发现
-
协同成熟期技术包括：秘密共享、不经意传输、隐私集合求交、差分隐私、安全聚合。
-
认知校准期技术包括：混淆电路、零知识证明、联邦学习、可信执行环境、隐私信息检索。
-
认知泡沫期技术包括：安全多方计算编译器、隐私保护机器学习。
-
认知萌芽期技术包括：同态加密、安全多方计算硬件加速、函数秘密共享。
核心建议
-
对协同成熟期技术，建议选择高价值、可度量的业务流程进行场景化部署，并嵌入流程优化。
-
对认知校准期技术，建议采用试点验证方式，识别适用边界、集成成本和可复用方法。
-
对认知泡沫期技术，建议控制预期，设置投资闸门，重点观察工程化证据、成本曲线和真实案例。
-
对认知萌芽期技术，建议纳入技术雷达跟踪，开展小范围预研，不宜过早进入核心生产系统。
研究方法与适用边界
一、方法论框架
本报告采用尚参科技技术成熟度曲线（DIB-TRM）方法，在“AI认知成熟度 × AI价值预期”两个维度上观察技术演进。横轴衡量企业对技术能力边界、治理要求、应用条件和投入产出逻辑的理解程度；纵轴衡量市场、媒体、用户与产业生态对该技术商业价值和社会影响的综合预期。本报告所称成熟度，不是单纯的工程技术成熟度，而是技术能力、企业采用认知与AI价值预期共同作用下的阶段性判断。
二、五阶段定义
-
认知萌芽期：技术或应用范式刚出现，企业认知与AI价值预期均处于早期形成阶段。
-
认知泡沫期：AI价值预期快速抬升，但企业对能力边界、治理成本和落地条件的认知尚未充分。
-
认知校准期：过高预期开始回落，企业逐步明确可落地场景、风险边界和投入产出逻辑。
-
协同成熟期：AI认知成熟度提升，AI价值预期趋于理性，技术进入较稳定的业务协同阶段。
-
能力内化期：技术成为企业基础能力或行业默认配置，公众预期回归常态，价值主要体现在持续运营效率中。
三、判定依据
本报告对“多方安全计算”领域各项技术所处阶段的判断，综合参考公开行业研究、市场跟踪资料、厂商产品文档、公开客户案例、开源社区版本演进与企业 PoC/生产化复盘材料（参考外部数据源 158 个），并从五个维度进行评估：技术可用性、企业采用成熟度、ROI 可验证性、生态完整度、AI价值预期。
四、适用边界
本报告主要面向中大型企业在“多方安全计算”领域的选型、试点、治理与投资规划。互联网原生企业、科研机构、初创公司可能采用节奏更快；数字化基础薄弱的传统企业落地周期可能更长。因此，报告结论应作为技术组合管理和投资优先级判断的参考，而不宜被理解为单个企业的绝对部署时间表。
多方安全计算技术成熟度曲线
图表：多方安全计算技术成熟度曲线
本图以“AI认知成熟度”为横轴，以“AI价值预期”为纵轴，将15项关键技术映射到五个成熟度阶段区间。
技术分层体系
关键技术概览
投资优先级
关键技术深度分析
■ 基础密码原语层
提供多方安全计算所需的原子化密码学构件与安全假设
秘密共享
阶段:协同成熟期 | 适用:多数企业 | 收益:高 | 风险:低
定义：将秘密分割为多份碎片,只有凑齐足够碎片才能恢复原始秘密的密码学方法。
阶段判定：秘密共享作为密码学基础构件，已内化于主流MPC协议和分布式密钥管理系统。在联邦学习训练、密钥分片管理等场景中形成标准调用模式。多数企业通过联邦学习平台或隐私计算框架间接使用，但对份额分发逻辑、恢复失败归因等边界缺乏实操经验。
典型应用场景：联邦学习训练中,梯度信息经秘密共享分片后由多个计算节点协同聚合,任一节点无法单独还原原始梯度;分布式密钥管理将私钥拆分为多份托管于不同安全域,签名操作需门限数量份额在线协同,避免单点密钥泄露;隐私保护数据查询中,查询条件以秘密共享形式分发至多个数据持有方,各方在本地计算份额结果后汇总得到最终答案。
主要收益：核心收益在于消除单点信任依赖——密钥或隐私数据不再集中存储于单一实体,攻击者建议同时攻破门限数量的独立节点才能获取有效信息。次级收益体现在合规层面,秘密共享的碎片化存储天然契合数据最小化原则,在跨境数据传输审查中可论证“本地碎片不构成个人信息”。
主要风险：份额生命周期管理是最大隐患——份额分发后若缺乏轮换机制,长期静态存储的碎片可能被逐步窃取直至达到门限;恢复过程本身也是攻击窗口,门限数量的份额在内存中短暂聚合时可能被内存转储攻击截获完整秘密。
企业采用建议：先梳理内部哪些密钥或敏感数据存在单点存储风险,优先对根证书、主密钥等高价值目标实施秘密共享改造。实施时不要仅关注算法选型,同步建立份额轮换策略和恢复操作的审计日志,否则可能恢复失败时无法追溯是份额损坏还是恶意篡改。
不经意传输
阶段:协同成熟期 | 适用:多数企业 | 收益:高 | 风险:低
定义：发送方发送多条消息,接收方仅能获取其中一条且发送方不知其选择的密码学协议。
阶段判定：不经意传输作为MPC和PSI的基础密码学原语，已被主流隐私计算框架和开源库广泛集成。在金融、医疗等跨机构数据协作场景中，通过上层框架实现生产级调用，开发者无需直接关注其实现细节。多数企业通过集成方案间接使用，但自主配置与独立归因能力仍有限。
典型应用场景：金融领域跨机构黑名单共享中,查询方通过OT协议获取目标客户是否命中风险名单,数据提供方无法获知具体查询对象;医疗基因组学研究中,研究机构利用OT从多家医院数据库安全检索特定基因片段,医院无法追踪研究者的检索意图;隐私集合求交(PSI)协议中,OT作为核心构建模块,支撑广告转化归因场景下双方在不泄露各自全量用户集的前提下计算交集。
主要收益：关键收益在于打破“数据可用不可见”的信任僵局——数据提供方在查询意图较大程度保密的前提下输出数据,消除了跨机构协作中最核心的合规顾虑。次级收益是协议计算开销已降至毫秒级,对业务响应时间的影响可忽略。
主要风险：OT协议本身的安全性高度依赖随机预言机模型下的假设,一旦底层哈希函数或椭圆曲线被攻破,选择保密性将瞬间瓦解。此外,多数企业缺乏对OT扩展协议(如IKNP、KKRT)性能-安全权衡的评估能力,容易在低延迟场景中误用高开销变体。
企业采用建议：先确认现有隐私计算平台是否已内置OT协议支持,避免从零自研。采购或集成时,要求供应商明确披露所采用的OT扩展方案及其安全假设边界,并建立定期的密码学组件升级与审计机制,防止因底层依赖库老化引入漏洞。
同态加密
阶段:认知萌芽期 | 适用:头部企业 | 收益:高 | 风险:中高
定义：允许在加密数据上直接进行计算,解密后结果与明文计算一致的加密技术。
阶段判定：全同态加密在学术圈持续取得性能突破,多个开源库发布,但计算开销仍比明文高数个数量级,仅在基因分析等极低吞吐场景有概念验证,企业级生产部署案例极少。
典型应用场景：隐私保护下的基因组关联分析,医疗机构将加密基因数据提交云端计算,不暴露个体信息;跨机构反洗钱协查,银行间在密文状态下匹配可疑账户名单,无需共享原始客户清单;云端机器学习推理,用户将加密查询发送至模型服务,服务方无法获知输入内容。
主要收益：核心收益是消除数据“