Page 317 - 《软件学报》2026年第6期

2636 软件学报 2026 年第 37 卷第 6 期

加密、哈希、数字签名和 TLS 等协议, 构成了数据安全的第 1 道防线. 但这些技术难以保障数据在计算和处理等
动态环节中的安全, 因此推动了新技术的发展.

隐私增强路线
优势: 严格数学证明、
不依赖硬件
挑战: 性能开销大、
数据可用性降低

TEE
硬件隔离路线
传统密码学与 优势: 性能优于软件、 趋势: 体系化融合与 全链路的安全
数据安全 支持通用计算 协同 保障平台
挑战: 依赖硬件厂商、
存在侧信道攻击风险

分布式可追溯路线
优势: 去中心化、
防篡改、可追溯
挑战: 共识效率低、
链上存储成本高

图 8 数据要素流通安全发展路线

(2) 并行路线: 从静态保护到动态保护
为了实现安全的数据流通, 发展出 3 条核心技术路线, 分别从不同维度应对动态流通过程中的安全挑战.
1) 隐私增强路线 (软件层面): 该路线以 HE、安全多方计算、ZKP 等密码学方法以及差分隐私等方法为代表,
实现数据的安全计算和分析. 其优点是严格的安全性且不依赖特定硬件, 但通常存在计算性能开销大或数据可用
性降低的问题.
2) 硬件隔离路线 (硬件层面): 以 TEE 为代表, 通过建立物理隔离的安全区, 保障代码和数据的机密性与完整
性. 性能优于纯软件方法, 并支持通用计算, 但安全性依赖于硬件厂商, 且存在侧信道攻击等风险.
3) 分布式可追溯路线 (架构层面): 以区块链、IPFS、数字水印等技术为代表, 利用去中心化等特性为跨主体、
多环节的数据流通提供防篡改和防滥用能力, 解决多方协作下的信任问题. 但面临共识效率和链上存储成本等挑战.
(3) 发展趋势
未来的发展趋势是将多种技术路线深度融合, 构建覆盖数据全生命周期的协同安全体系. 例如, 软硬结合 (如
在 TEE 中运行隐私计算协议, 兼顾性能与安全)、多技术协同 (如结合区块链溯源与加密水印泄露取证) 等. 最终
目标是将各类安全能力整合, 形成全链路的数据流通安全保障平台. 现有研究已呈现出明显的融合特征, 具体表现
为以下 3 个方面.
1) 区块链+TEE 实现链下计算与链上验证的融合: 针对区块链存储成本高、计算效率低的问题, 现有研究 (如
区块链数据供给 [112] 、基于 TEE 的可验证传输记录 [116] ) 利用 TEE 在链下高效隐私地处理数据或验证数据源, 仅
将计算结果或证明上链. 这种融合既保留了区块链的不可篡改性, 又利用 TEE 解决了性能瓶颈和隐私保护问题.
2) 联邦学习+隐私计算/区块链实现协同与隐私的融合: 单一的联邦学习仍面临梯度泄露风险, 而 Wei 等人 [91]
结合差分隐私与联邦学习, 在本地模型更新中添加噪声以防止隐私推断; Peng 等人 [132] 则结合区块链与联邦学习,
利用链上智能合约记录模型更新过程, 解决了中心服务器不可信及协作过程不可审计的问题.