一、主流技术及核心原理
- 数据脱敏对原始敏感信息做替换、掩码、泛化，比如手机号、身份证、姓名打码、假名替换，从源头抹除敏感字段，避免明文进模型训练和推理。
- 联邦学习数据不出本地、不上传集中服务器，只上传模型梯度和参数更新，多方协同训练，原始数据全程留存在各自节点，保护数据隐私。
- 差分隐私在模型梯度或输出结果里加入可控随机噪声，攻击者无法通过模型反推、还原出单条原始用户数据，保护个体信息不被泄露。
- 隐私计算 / 同态加密对数据先加密，直接在密文状态下完成模型计算和推理，全程不解密，杜绝中间环节数据泄露。
- 模型水印与模型脱敏给训练好的大模型嵌入隐形水印，溯源防盗用；同时做模型权重脱敏，防止通过模型权重逆向还原训练数据。
- 本地私有化部署不调用公有云 API，模型部署在内网、本地服务器，所有数据闭环在企业内部，不对外流出。