Duality

Duality软件是Duality Technologies推出的企业级隐私增强计算（Privacy-Enhancing Computation, PEC）平台，旨在为企业提供一套完整的技术解决方案，实现跨组织、跨数据源的安全数据协作与分析，同时严格保护数据的隐私性与机密性。该平台整合了多方安全计算（Multi-Party Computation, MPC）、联邦学习（Federated Learning, FL）、零知识证明（Zero-Knowledge Proof, ZKP）、同态加密（Homomorphic Encryption, HE）等前沿隐私计算技术，通过统一的平台化设计，降低了隐私计算技术的使用门槛，帮助企业在合规框架下（如GDPR、CCPA、《个人信息保护法》等）打破数据孤岛，释放数据价值。

一、核心定位与整体架构

Duality软件的核心定位是“安全协作的桥梁”，其设计理念围绕“数据可用不可见、计算可控可审计”展开，通过技术手段确保数据在协作过程中始终处于加密或分片状态，原始数据从未离开数据持有方，从而消除数据共享的隐私顾虑。平台的整体架构采用分层设计，从下至上分为数据源层、隐私计算引擎层、服务层、应用层及运维监控层，各层之间通过标准化接口交互，确保架构的灵活性与扩展性。

• 数据源层：支持对接各类结构化与非结构化数据源，包括关系型数据库（MySQL、Oracle、PostgreSQL）、非关系型数据库（MongoDB、Redis）、大数据平台（Hadoop HDFS、Spark）、云存储服务（AWS S3、Azure Blob Storage、阿里云OSS）、流数据系统（Kafka、Flink）以及本地文件系统等。该层提供数据接入适配器，实现数据的安全导入与导出，同时支持数据预处理（如格式转换、清洗）功能。
• 隐私计算引擎层：平台的核心技术层，包含多个独立的隐私计算引擎，如MPC引擎、FL引擎、HE引擎、ZKP引擎等。每个引擎针对特定的隐私计算场景进行优化，支持多种协议与算法，确保计算的安全性与高效性。引擎之间可灵活组合，满足复杂场景的需求。
• 服务层：为上层应用提供标准化的服务接口，包括数据协作服务、模型训练服务、查询分析服务、结果验证服务等。该层封装了底层引擎的复杂逻辑，提供RESTful API、gRPC接口及SDK（Java、Python、Go），方便第三方系统集成。
• 应用层：面向用户的交互层，提供可视化的操作界面，包括数据协作平台、模型管理平台、查询分析平台、审计监控平台等。用户可通过拖拽式界面完成任务编排、参数配置、进度监控等操作，无需深入了解底层技术细节。
• 运维监控层：负责平台的集群管理、资源调度、性能监控、日志审计等。该层提供全方位的监控指标，包括节点状态、资源利用率、任务执行进度、安全事件等，并支持告警机制（邮件、短信、Slack等），确保平台的稳定运行。

二、核心功能模块详解

1. 多方安全计算（MPC）引擎

MPC引擎是Duality软件的核心组件之一，基于密码学协议实现多方数据持有方在不泄露原始数据的前提下进行联合计算。该引擎支持多种MPC协议，包括秘密共享（Secret Sharing）、混淆电路（Garbled Circuits）、不经意传输（Oblivious Transfer, OT）等，并针对不同场景进行了性能优化。

• 协议支持与优化：
  • 秘密共享：支持Shamir's (t,n)秘密共享协议与Beaver三元组（Beaver Triples）技术，将原始数据分割为多个分片，分布在不同的参与节点上。计算过程中，各节点仅处理自己的分片，最终通过聚合分片结果得到计算输出，确保原始数据不被泄露。针对大规模数据计算，引擎优化了分片的存储与传输方式，减少网络开销。
  • 混淆电路：支持Yao's混淆电路协议，适用于布尔逻辑计算场景（如条件判断、权限验证）。引擎采用硬件加速（如GPU）与并行计算技术，提升混淆电路的生成与评估速度，降低计算延迟。
  • 不经意传输：支持1-out-of-2 OT协议与扩展OT协议，用于安全的数据交换场景。引擎优化了OT的通信效率，减少数据传输量，适用于跨地域的协作场景。
• 计算能力：
  • 安全SQL查询：支持标准SQL语法的安全执行，包括SELECT、JOIN、GROUP BY、AGGREGATE（SUM、COUNT、AVG、MAX、MIN）等操作。用户可直接编写SQL语句，引擎自动将其转换为MPC计算任务，分布在各参与节点上执行。例如，多家银行联合查询某企业的总贷款金额，引擎会将各银行的贷款数据分片后进行安全聚合，返回总金额而不泄露单家银行的数据。
  • 安全机器学习训练：支持多种机器学习模型的MPC训练，包括线性回归、逻辑回归、决策树、随机森林、梯度提升树（XGBoost）等。引擎提供模型定义接口，用户可通过Python SDK导入Scikit-learn或TensorFlow模型，自动转换为MPC兼容的模型结构。训练过程中，各节点仅交换中间计算结果的加密版本，确保模型参数与训练数据的隐私性。
  • 安全统计分析：支持常见的统计分析操作，如方差、标准差、相关性分析、假设检验等。例如，跨部门的用户行为数据分析，引擎可安全计算用户行为的相关性系数，而不泄露各部门的用户数据。
• 性能优化：
  • 并行计算：引擎采用分布式并行计算架构，将计算任务分解为多个子任务，在多个节点上同时执行，提升计算速度。
  • 硬件加速：支持GPU、FPGA等硬件加速设备，优化加密/解密、哈希计算等耗时操作的性能。
  • 通信优化：采用压缩算法减少数据传输量，支持异步通信模式，降低节点间的等待时间。
• 容错机制：支持节点故障恢复，当某个参与节点发生故障时，引擎可自动重新分配计算任务，确保计算过程的连续性。同时，引擎提供数据一致性校验功能，防止恶意节点篡改计算结果。

2. 联邦学习（FL）模块

联邦学习模块旨在实现跨组织的模型训练，各参与方在本地训练模型，仅交换模型参数的加密版本，无需共享原始数据。该模块支持横向联邦学习（Horizontal Federated Learning）、纵向联邦学习（Vertical Federated Learning）与联邦迁移学习（Federated Transfer Learning），适用于不同的数据分布场景。

• 联邦学习类型支持：
  • 横向联邦学习：适用于数据特征相同但样本不同的场景（如多家银行的客户信用数据）。各参与方在本地训练模型，定期将模型参数发送给联邦服务器，服务器聚合参数后返回给各参与方，迭代更新模型。引擎支持FedAvg、FedProx等聚合算法，确保模型的收敛性。
  • 纵向联邦学习：适用于数据样本相同但特征不同的场景（如医院的临床数据与基因公司的基因数据）。各参与方通过MPC技术安全计算模型的梯度与损失函数，仅交换加密后的中间结果，确保特征数据的隐私性。引擎支持纵向联邦的特征对齐（如通过安全哈希匹配样本ID）与模型训练（如线性回归、逻辑回归）。
  • 联邦迁移学习：适用于数据分布不均衡或样本量较少的场景。引擎支持将预训练模型的知识迁移到联邦学习场景中，提升模型的训练效率与准确率。例如，将大型医院的预训练模型迁移到小型医院的联邦学习任务中。
• 模型管理功能：
  • 模型定义与导入：支持导入Scikit-learn、TensorFlow、PyTorch等框架定义的模型，自动转换为联邦学习兼容的模型结构。用户可通过可视化界面调整模型参数（如学习率、迭代次数）。
  • 模型训练与评估：提供联邦训练任务的编排功能，用户可选择参与方、联邦学习类型、模型结构等参数。训练过程中，引擎实时监控模型的损失值、准确率等指标。评估阶段，引擎支持在隐私保护下计算模型的性能指标（如AUC、F1-score），确保评估结果的准确性与隐私性。
  • 模型版本控制与部署：支持模型版本的管理，用户可查看历史版本的模型参数与性能指标。训练完成的联邦模型可部署为推理服务，通过API对外提供预测功能。推理过程中，引擎支持对输入数据的加密处理，确保预测结果的隐私性。
• 安全机制：
  • 参数加密：模型参数在传输过程中采用非对称加密（如RSA）或同态加密（如Paillier）进行保护，防止参数泄露。
  • 差分隐私：支持在模型训练过程中添加噪声，保护模型参数的隐私性，满足差分隐私的要求。
  • 恶意节点检测：通过异常检测算法识别恶意参与方（如发送虚假参数的节点），确保联邦模型的安全性。

3. 隐私保护数据查询模块

该模块旨在实现对加密数据的安全查询，用户无需解密数据即可获取所需结果，适用于数据查询场景中的隐私保护需求。模块整合了同态加密、零知识证明与MPC技术，支持多种查询类型。

• 同态加密查询：支持部分同态加密（如Paillier）与全同态加密（如BFV、CKKS）协议，用户可将查询请求加密后发送给数据持有方，数据持有方在加密数据上执行查询操作，返回加密结果，用户解密后得到最终结果。例如，企业查询客户的平均消费金额，可通过同态加密将查询请求发送给数据中心，数据中心在加密数据上计算平均金额，返回加密结果。
• 零知识证明查询：支持零知识证明协议（如zk-SNARKs、zk-STARKs），用户可验证数据的真实性而不泄露数据内容。例如，用户验证某企业是否符合贷款条件，数据持有方可生成零知识证明，证明企业的财务指标满足条件，而不泄露具体的财务数据。
• MPC查询：结合MPC技术实现跨数据源的安全查询，各数据持有方将数据分片后参与查询，最终得到聚合结果。例如，跨部门查询某地区的人口统计数据，各部门通过MPC技术安全聚合数据，返回统计结果。
• 结果验证机制：支持对查询结果的真实性进行验证，防止数据持有方或恶意节点篡改结果。例如，通过零知识证明验证查询结果的正确性，或通过哈希校验确保结果的完整性。

4. 数据资产安全管理模块

该模块旨在帮助企业管理隐私计算场景中的数据资产，确保数据的安全性、合规性与可追溯性。模块包含元数据管理、权限控制、审计日志等功能。

• 元数据管理：自动采集数据的元信息，包括数据来源、类型、敏感级别、协作历史等，形成数据资产目录。用户可通过搜索功能快速定位所需数据，了解数据的协作情况。
• 权限控制：采用RBAC（基于角色的访问控制）与ABAC（基于属性的访问控制）结合的机制，细粒度控制用户对数据与功能的访问权限。例如，用户仅能访问自己所属部门的数据，或仅能执行特定类型的计算任务。
• 审计日志：记录所有用户操作与系统事件，包括数据接入、任务执行、结果导出等。日志内容包括操作时间、操作人、操作内容、结果等，支持审计追踪与合规报告生成。
• 敏感数据识别：自动识别数据中的敏感信息（如身份证号、手机号、银行卡号），并标记敏感级别。根据敏感级别，系统自动应用相应的隐私保护策略（如加密、脱敏）。

5. 可视化协作平台

该平台是用户与底层引擎交互的入口，提供拖拽式的任务编排界面、实时的进度监控与直观的结果展示，降低了隐私计算技术的使用门槛。

• 任务编排界面：用户可通过拖拽组件的方式创建协作任务，选择参与方、计算类型（MPC/FL/HE）、数据来源、模型结构等参数。系统自动生成任务流程，并支持任务的保存与复用。
• 进度监控界面：实时展示任务的执行进度，包括各节点的计算状态、资源消耗、剩余时间等。用户可查看任务的详细日志，定位问题并进行调试。
• 结果展示界面：将计算结果以图表化的方式展示（如柱状图、折线图、饼图），支持结果的导出与分享。结果展示过程中，系统自动对敏感信息进行脱敏处理，确保隐私安全。
• 协作管理界面：支持参与方的邀请、授权与管理，用户可查看协作任务的历史记录，了解各参与方的贡献情况。

6. 集成与适配层

该层旨在实现平台与现有业务系统的无缝集成，支持多种数据源与技术栈的对接。

• 数据源适配器：提供多种数据源的接入适配器，支持关系型数据库、非关系型数据库、大数据平台、云存储等的对接。适配器自动处理数据格式转换与预处理，确保数据的兼容性。
• SDK与API：提供Java、Python、Go等编程语言的SDK，以及RESTful API与gRPC接口，方便开发者快速集成隐私计算功能到现有业务系统中。例如，金融机构可通过SDK将隐私计算功能集成到风控系统中，实现联合风控。
• 云平台适配：支持AWS、Azure、阿里云、腾讯云等主流云平台的部署，提供云原生的部署方案，包括容器化（Docker）与编排（Kubernetes）支持。
• 国产化适配：支持国产化操作系统（如麒麟OS、统信UOS）、数据库（如达梦、人大金仓）与芯片（如鲲鹏、飞腾），满足国内企业的国产化需求。

三、技术特点与优势

Duality软件在隐私计算领域具有显著的技术优势，主要体现在以下几个方面：

• 严格的隐私保证：平台采用的MPC、FL、ZKP等技术均基于数学证明的安全协议，确保数据在协作过程中始终处于隐私保护状态，原始数据从未离开数据持有方。平台通过了第三方安全审计，符合GDPR、CCPA、《个人信息保护法》等国内外隐私法规的要求。
• 高性能计算能力：针对隐私计算的性能瓶颈，平台进行了多方面的优化，包括并行计算、硬件加速、通信优化等。相比开源隐私计算方案，Duality软件的MPC计算速度提升了5-10倍，联邦学习训练时间缩短了30%以上，能够满足大规模数据协作的需求。
• 易用性与低代码：平台提供可视化的操作界面，用户可通过拖拽式界面完成任务编排、参数配置等操作，无需深入了解底层密码学技术。同时，平台提供丰富的SDK与API，方便开发者快速集成隐私计算功能到现有业务系统中。
• 灵活的架构设计：平台采用模块化、分层的架构设计，各组件之间松耦合，支持灵活扩展。用户可根据业务需求选择所需的隐私计算引擎，也可自定义扩展引擎功能。平台支持私有部署、公有云部署与混合部署模式，适应不同的IT环境。
• 广泛的兼容性：平台支持对接各类数据源与业务系统，包括关系型数据库、大数据平台、云服务等。同时，平台兼容主流的机器学习框架（如TensorFlow、PyTorch）与编程语言（如Java、Python），便于与现有技术栈集成。
• 完善的运维与审计：平台提供全方位的运维监控功能，包括节点状态、资源利用率、任务执行进度等。同时，平台记录所有操作日志，支持审计追踪，满足合规性要求。

四、典型应用场景

Duality软件适用于多个行业的隐私数据协作场景，以下是几个典型案例：

• 金融行业：联合风控与反欺诈

  场景描述：多家银行或金融机构需要联合评估企业或个人的信用风险，或检测跨机构的欺诈行为，但由于隐私法规限制，无法共享客户的交易流水、贷款记录等敏感数据。

  解决方案：使用Duality软件的MPC引擎，各金融机构将客户数据分片后上传到平台，通过安全SQL查询或机器学习模型训练，联合计算客户的信用评分或欺诈概率。例如，多家银行联合训练反欺诈模型，各银行在本地训练模型参数，仅交换加密后的参数，最终得到联合模型，用于检测跨机构的欺诈交易。

  应用价值：提升风控模型的准确率，降低坏账率与欺诈损失；避免数据泄露风险，符合隐私法规要求；促进金融机构之间的协作，打破数据孤岛。

• 医疗行业：跨医院疾病预测与新药研发

  场景描述：多家医院需要联合训练疾病预测模型（如癌症预测、糖尿病预测），或医药公司需要与医院协作进行新药研发，但无法共享患者的临床数据、基因数据等敏感信息。

  解决方案：使用Duality软件的联邦学习模块，各医院在本地训练模型，仅交换加密后的模型参数。例如，医院A提供患者的临床数据，医院B提供患者的基因数据，通过纵向联邦学习训练疾病预测模型，模型训练过程中不泄露任何原始数据。医药公司可通过MPC引擎安全分析医院的临床试验数据，加速新药研发。

  应用价值：提升疾病预测模型的准确率，改善患者治疗效果；加速新药研发进程，降低研发成本；保护患者隐私，符合医疗数据隐私法规（如HIPAA）。

• 政务行业：跨部门数据共享与协同治理

  场景描述：政府部门之间需要共享数据（如社保、税务、公安数据），用于协同治理（如精准扶贫、社会信用体系建设），但由于数据敏感性，无法直接共享原始数据。

  解决方案：使用Duality软件的隐私保护数据查询模块，各部门通过安全查询获取所需数据。例如，社保部门与税务部门联合核查企业的社保缴纳情况，通过MPC引擎安全查询企业的税务数据与社保数据，得到核查结果而不泄露原始数据。

  应用价值：提升政务服务效率，实现“一网通办”；促进跨部门协作，提升治理能力；保护公民隐私，符合政务数据安全法规。

• 零售行业：联合用户画像与精准营销

  场景描述：多家零售商需要联合分析用户的消费行为，构建统一的用户画像，用于精准营销，但无法共享用户的购买记录、偏好等敏感数据。

  解决方案：使用Duality软件的联邦学习模块，各零售商在本地训练用户画像模型，仅交换加密后的模型参数。例如，零售商A提供用户的线上购买数据，零售商B提供用户的线下购买数据，通过横向联邦学习训练用户偏好模型，用于精准推荐商品。

  应用价值：提升用户画像的准确性，提高营销转化率；避免用户数据泄露，保护用户隐私；促进零售商之间的协作，实现共赢。

总结

Duality软件作为一款企业级隐私增强计算平台，通过整合前沿的隐私计算技术，为企业提供了安全、高效、易用的数据协作解决方案。平台不仅严格保护数据隐私，还能帮助企业打破数据孤岛，释放数据价值，适用于金融、医疗、政务、零售等多个行业。无论是联合风控、跨医院疾病预测，还是政务数据共享，Duality软件都能在合规框架下实现数据的安全协作，为企业的数字化转型提供有力支撑。

点击链接，了解更多产品详情：

登录后查看

https://dualitytech.com/" rel="noopener noreferrer" target="_blank" style="color: rgb(230, 0, 0, null, null, null, null, null, 9, null, 0, 0, null, 0, null, 0, null, 0, 0, null, 0);">https://dualitytech.com/