随着各行各业的数字化转型发展，围绕数据的数字化应用如雨后春笋般出现，数据作为业务过程的重要产品，数据作为一种资源、生产要素或商品，越来越得到大家的重视，同时，数据只有在交易流通中才能体现出价值，但需要数据安全的支撑。数据作为数字经济的生产要素之一，具有四方面的特性：数据权属、数据流通、数据安全和数据价值，而数据区别于其他生产要素，数据在流通过程中的安全性需要格外得到重视，而隐私计算就是解决这一问题的利器。
隐私计算是隐私保护下的数据价值挖掘技术体系，保障在各个环节数据可用不可见情况下，实现对数据的分析计算和结果验证。数据是数据资源或数据要素，通过多方融合，作为流通对象，通过数据交易和数据共享，实现商业模式和内部机构间的数据流通共享。
隐私计算是实现数据全生命周期各阶段的数据可用不可见、数据用途可控可计量效果的计算理论和方法，融合了密码学、人工智能、计算机科学及安全硬件的跨学科领域。
隐私计算技术体系主要包括多方安全计算、联邦学习和可信执行环境。
1.多方安全计算，基于纯密码学的技术
主要包括不经意传输和秘密共享，实现数据融合查询、隐私求交、隐私检索和联合统计分析，这种方式有密码学的安全理论保障，计算复杂度和通信量较大，效率低，密钥管理要求高。
不经意传输表示发送方发送一批数据，接收方只能选取一条，不能获得其他信息。
秘密共享表示参与方合作对分片秘密进行约定的安全技术，当计算结果相同的分片数高于一定比例才能恢复秘密。
2.联邦学习，人工智能与密码学的融合技术
主要有横向、纵向和联邦迁移学习，横向是业务重叠用户少，纵向是用户