发帖
雷达卡
国家数据流动基础设施政策解读与技术框架
1. 政策背景与建设目标
2025年1月，国家发展改革委、国家数据局以及工业和信息化部联合发布了《国家数据基础设施建设指引》（以下简称《指引》），标志着我国在数据基础设施领域的系统化推进迈入新阶段。该文件是对党的二十届三中全会提出的“建设和运营国家数据基础设施，促进数据共享”战略部署的具体落实，为推动数据要素市场化改革和构建全国一体化数据市场提供了制度保障。
根据《指引》的定义，国家数据基础设施是一类面向社会提供数据采集、汇聚、传输、加工、流通、利用、运营及安全服务的新型基础设施。它不仅涵盖硬件与软件系统，还包括模型算法、标准规范和机制设计等要素，是一个有机整合的技术与制度综合体。这一定位表明，其功能远超传统信息基础设施，是支撑数字经济高质量发展的关键底座。
在建设路径上，《指引》明确了分阶段实施的时间表：2024至2026年为技术路线试点阶段，重点开展技术验证与标准体系建设；2027至2028年进入规模化部署期，实现数据的大规模流通与系统间互联互通；到2029年，基本完成主体结构建设，形成横向联动、纵向贯通、协同高效的总体格局。据初步估算，该基础设施每年将吸引约4000亿元的直接投资，未来五年累计带动投资接近2万亿元，成为数字经济增长的重要引擎。
2. 技术架构与核心支撑体系
国家数据基础设施采用层次化、模块化的技术架构，主要由四大组成部分构成：数据流动利用设施、算力底座、网络支撑体系以及安全防护机制。其中，数据流动利用设施处于核心地位，集成了可信数据空间、数场、数据元件、数联网、区块链网络和隐私保护计算平台等多种技术形态，旨在为跨层级、跨地域、跨系统、跨部门、跨业务（即“五跨”）的数据流通提供安全可控的技术环境。
[此处为图片1]
从技术路线来看，《指引》提出了七项关键技术方向，可归纳为三大类别：第一类是数据流动与利用技术，如隐私保护计算、区块链和数据使用控制；第二类是实践落地模式，包括可信数据空间、数场、数联网和数据元件等解决方案；第三类则是贯穿数据全生命周期的安全保障技术。这些技术相互协同，共同构建起一个完整且可持续演进的技术生态。
特别值得注意的是，《指引》强调了“统一目录标识、统一身份登记、统一接口要求”的“三统一”原则，这是实现不同系统之间互联互通的关键前提。通过建立覆盖政府机构、行业组织和企业单位，并延伸至国家、省、市、县四级行政层级的全国一体化分布式数据目录体系，能够形成全国范围内的数据“一本账”，从而有效支撑“五跨”场景下的数据有序流动与高效共享。
3. 信创背景下国产化发展机遇
随着信创（信息技术应用创新）战略的深入实施，国家数据基础设施建设正迎来前所未有的国产替代机遇。《指引》明确提出要“健全数据基础制度体系”，并“加大中央财政对国家数据基础设施建设的支持力度”，为国产技术和产品的大规模应用创造了有利政策环境。
从技术发展趋势看，国产化已成为数据基础设施建设的必然选择。调研数据显示，当前我国政府部门之间的数据共享率尚不足40%，普遍存在数据孤岛问题。而以隐私计算、区块链为代表的自主可控技术取得突破，正在为打破壁垒提供可行路径。尤其在政务、金融、医疗、能源等对安全性要求较高的领域，国产技术不仅满足了安全可控的基本需求，还在性能表现和成本控制方面持续优化，逐步具备大规模推广条件。
从产业视角出发，国家数据基础设施的建设将全面带动整个数据产业链的升级转型。预计到2030年，我国数据产业整体规模将突破5万亿元，其中国产软硬件和服务的市场份额将持续扩大，为本土科技企业带来广阔发展空间，同时也对技术创新能力和工程化水平提出更高要求。
4. 隐私计算技术深度解析：原理、架构与生态体系
4.1 核心技术原理与分类体系
隐私计算是一种能够在不泄露原始数据的前提下完成数据分析与处理的信息技术，致力于实现数据在整个流转过程中的“可用不可见”。这项技术有效缓解了数据价值挖掘与个人隐私保护之间的矛盾，被视为推动数据要素安全流通的核心手段。
从技术实现角度看，隐私计算主要包括三大主流路径：
安全多方计算（MPC）
作为隐私计算的基础性技术之一，安全多方计算由姚期智院士于1982年首次提出。其核心思想是在无可信第三方参与的情况下，多个参与方通过加密协议协作完成计算任务。MPC具备三个关键特性：输入隐私性（各参与方无法获取他人原始输入）、计算正确性（结果符合预期逻辑）以及去中心化（无需依赖中心化信任机构）。实际应用中，MPC通常结合同态加密、秘密分享、不经意传输和混淆电路等底层技术实现。对于两方场景，多采用不经意传输与混淆电路组合方案；而在三方及以上环境中，则更多引入秘密分享机制进行扩展。
联邦学习（FL）
联邦学习是一种分布式的机器学习框架，允许各参与方在本地训练模型的同时，仅上传模型参数或梯度信息进行聚合，避免原始数据的集中迁移。该技术特别适用于医疗、金融等领域，在保障数据不出域的前提下实现联合建模，显著提升了数据使用的合规性与安全性。
隐私计算在数据流动过程中发挥着至关重要的作用，其技术机制贯穿于数据采集、存储、计算分析以及流通交易等多个环节，有效保障了数据要素安全有序流转。
在数据采集与汇聚阶段，通过应用差分隐私、同态加密等技术手段，对原始数据进行前置性保护处理，确保信息从源头即具备防泄露能力。例如，在人口普查的应用场景中，借助安全多方计算技术，可在个体数据全程加密的前提下完成宏观统计分析，且结果误差保持在可接受范围内。
在数据存储与管理阶段，隐私计算支持构建可信数据空间，实现数据的分布式存储与协同治理。该空间基于共识机制连接多个参与方，推动数据资源的共享共用，形成价值共创的生态体系。某城市已建成的可信数据空间项目，成功汇集数百家数据流通主体，登记多项数据资产，并上架多款数据产品，为数据要素市场化配置提供了实践范例。
[此处为图片1]进入数据计算与分析阶段，隐私计算采用“数据不动模型动”的新型计算范式，典型如安全多方计算和联邦学习技术。各参与方无需迁移本地数据，仅通过加密传输模型参数或梯度更新实现联合建模。以医疗领域为例，多家医院利用联邦学习整合跨机构患者特征参数，在不传输任何原始病历的情况下显著提升疾病预测模型的准确性。
联邦学习作为一种分布式的机器学习框架，其核心理念是“模型随数据训练，而非将数据集中”。在此模式下，各参与方在本地使用自有数据训练模型，仅向中心服务器上传模型参数（或更新值），由服务器聚合后优化全局模型。根据数据分布特性，联邦学习主要分为三类架构：横向联邦学习（样本不同但特征重叠）、纵向联邦学习（样本重合但特征互补）以及联邦迁移学习（样本与特征均差异较大），分别适用于多样化的政务数据协作场景。
可信执行环境（TEE）则是依托可信硬件构建的安全隔离运行环境，通过软硬件结合的方式创建受保护的计算区域，确保数据在处理过程中的机密性与完整性。相比多方安全计算，TEE具有更高的通用性和算法兼容性，开发门槛较低，因此在实际部署中被广泛采纳为隐私计算的关键支撑技术之一。
在数据流通与交易环节，隐私计算融合智能合约与区块链技术，实现数据使用权的精细化管控与价值量化。通过将数据提供者的使用规则转化为可执行的智能合约条款，能够对数据访问的时间、地点、使用主体、操作行为及目标对象等维度实施精准控制，从而保障数据资产在整个流通过程中的可控可溯。
2.3 隐私计算产品与产业生态发展现状
当前我国隐私计算市场呈现多元化竞争格局，产业链条逐步健全，主要参与者可分为三大类型：
互联网科技企业凭借强大的技术研发能力和丰富的应用场景积累，在市场中占据领先地位。根据IDC发布的《中国隐私计算平台主要厂商市场份额，2024》报告显示，2024年我国隐私计算市场规模达9.8亿元，同比增长10.1%。这些企业推出的平台普遍具备良好的技术兼容性与场景适配能力，覆盖金融、政务、医疗等多个领域。
专业隐私计算企业则在细分赛道形成差异化优势。部分企业研发的分布式隐私计算平台集成了隐私查询、加密计算、安全通信等功能模块，为多方联合建模提供一体化解决方案；某开源联邦学习框架自2019年捐献给相关基金会以来，已在信贷风控、客户权益评估、监管科技等领域广泛应用；另有专注于垂直行业的企业，其产品已成功支撑跨国多中心科研协作等复杂场景。
传统IT企业正通过技术整合与生态合作加速切入该领域。一些企业依托自主可控的硬件体系，打造涵盖终端、边缘设备与云端的全栈式隐私计算能力，相关方案已在多个行业落地应用；部分云计算服务商推出的可信数据空间平台，已在多地部署实施，助力数据产品的快速开发与创新场景孵化。
从技术演进趋势来看，隐私计算产品正朝着平台化、标准化和生态化方向发展。主流解决方案普遍采用“隐私计算+区块链+可信执行环境”融合架构，兼顾安全性与计算效率。同时，开源生态建设日益受到重视，多种开源框架的推广显著降低了技术应用门槛，有力推动了整个产业的规模化发展。
3. 政务领域应用场景深度分析
3.1 政务数据共享交换的技术路径与挑战
政务数据共享交换是国家数据基础设施建设的核心应用场景之一。目前，我国政务数据总量已超过200PB，并以年均30%的速度持续增长，广泛涉及民生服务、市场监管、社会治理和城市运行等领域。
然而，政务数据共享仍面临多重挑战：
数据孤岛问题突出。调查显示，地方政府部门间的数据共享率不足40%，由于管理体制条块分割，导致出现大量“数据烟囱”。各系统间数据标准不统一、接口不兼容，严重阻碍了跨部门数据的互联互通，影响政府服务效能和数字政府建设进程。
隐私与安全风险加剧。政务数据包含大量个人敏感信息和企业商业秘密，在跨部门、跨区域共享过程中极易发生泄露或滥用事件。如何在促进数据流通的同时确保其安全性与使用可控性，成为亟待破解的关键难题。
权责边界模糊不清。当前在数据共享过程中，关于数据所有权、使用权、管理责任等方面的法律界定尚不明确，缺乏统一规范的授权机制与追责体系，制约了数据开放共享的制度化推进。
数据共享在跨部门、多层级的政务环境中面临诸多挑战，由于各方权责边界模糊，普遍存在“不敢共享、不会共享、不愿共享”的现象。部分机构担忧在共享过程中丧失对数据的控制权，同时对潜在的数据安全责任心存顾虑。
针对上述问题，隐私计算技术提供了创新性的解决路径。借助安全多方计算、联邦学习等手段，可实现“数据可用不可见”的新型共享模式。例如，某省政务云平台应用隐私计算技术，成功实现了多个部门间的数据联合统计，关键指标测算误差率维持在较低水平，且全程未发生数据泄露事件。实际操作中，政府部门可根据数据敏感度和业务需求，灵活选用合适的隐私计算技术组合，在保障数据安全的同时充分释放其价值潜能。[此处为图片1]
3.2 隐私计算助力跨部门协同治理
跨部门协同治理是隐私计算在政务服务中的关键应用场景之一。通过该技术，能够在确保各机构数据隐私的前提下，推动业务协作与信息互通，显著提升政府整体治理能力。
典型场景一：公共卫生应急防控中的数据协同
在突发公共卫生事件期间，相关系统采用联邦学习技术分析大规模出行轨迹数据，确保位置信息不离开本地管辖区域，从而在保护个体隐私的基础上大幅提升密接人员追踪效率。这一机制既满足了精准防控的需求，又有效规避了隐私泄露风险，为应急管理提供了强有力的技术支撑。
典型场景二：智慧交通管理实践
某城市打造的“数智绿波”系统作为公共数据授权运营试点项目，依托城市可信数据空间，融合企业自有交通大数据与公共交管数据，智能生成分时段绿波通行方案，并动态优化信号灯控制参数，显著减少路口停车频次，提高了道路通行效率。[此处为图片2]
典型场景三：城市综合治理平台建设
另一城市构建的“一网统管”平台，打通多个职能部门数据库，实现数据实时互联与共享，支持多部门联动处置复杂事务。“一键组建工作组”功能可自动关联涉及部门，大幅压缩工单响应时间。以建筑工地夜间施工扰民投诉为例，系统能自动整合执法记录与环保监测数据，显著缩短跨部门协同处理周期。
在技术架构层面，跨部门协同常采用“隐私计算+区块链”的融合模式。其中，区块链用于记录数据调用全过程，保障流通可追溯；隐私计算则负责实现安全的数据分析与运算。例如，某城市数据专区已建立覆盖全域的“区块链+隐私计算”体系，支撑各区域开展分布式数据授权与协同计算任务。[此处为图片3]
3.3 政务服务优化的场景化落地
隐私计算技术正加速推动政务服务向智能化、便民化方向演进，切实增强公众办事体验与满意度。
“一网通办”服务升级
通过引入隐私计算技术，可在不暴露用户原始信息的前提下，实现跨部门业务高效联办。以公积金办理为例，管理部门与金融机构利用联邦学习技术，在无需交换真实数据的情况下完成身份核验与信用评估，有力支撑公积金业务跨市、跨省通办。
便民服务模式创新
某城市依托统一的城市数据基础设施，开发出普惠金融、电子公证等一批重点民生应用。平台整合电力、水务、银联等社会数据资源，促进公共数据的开放利用与合规流通，为市民提供更加便捷高效的公共服务。
支撑“跨省通办”业务发展
在长三角等区域协同发展示范区，隐私计算被广泛应用于医保异地结算等高频事项。用户敏感信息采用国密算法进行分段加密存储，跨部门调取时运用同态加密技术实现“数据可用不可见”。结合零知识证明机制，患者可向异地医疗机构证明自身医保资格，而无需透露具体个人数据内容。
探索数据要素市场化路径
某行政区建成基于信创架构的隐私计算平台，实现“原始数据不出域、数据可用不可见”的安全计算目标。配套制定一系列工作方案与管理制度，积极探索公共数据授权运营新模式，为数据要素市场化配置提供制度基础和技术保障。
4. 重点行业拓展应用场景分析
4.1 金融领域深度应用
金融行业已成为隐私计算技术落地最为成熟的领域之一。据中国信通院《隐私计算白皮书（2024年）》显示，截至2024年底，国内超过85%的大型商业银行及70%的头部证券公司已部署基于联邦学习的数据协作平台，广泛应用于联合风控建模、反欺诈识别和客户画像优化等核心场景。
联合风控建模实践
在信贷审批流程中，银行与电商平台、通信运营商等第三方机构合作，利用联邦学习技术，在不传输原始用户行为数据的前提下共同训练信用评分模型，显著提升模型性能，增强对高风险客户的识别能力。某银行实施的联合信贷风控平台项目，正是通过联邦学习破解了长期存在的数据孤岛难题，实现风险信息的安全共享。
反欺诈能力提升
在保险反欺诈领域，多家保险公司通过多方安全计算技术整合各自的理赔记录与车辆维修数据，构建车险骗保识别模型，在保护客户隐私的同时显著提高团伙欺诈识别准确率并降低误报率。某金融科技平台连接多家金融机构，利用隐私计算构建资金流动关系图谱，有效识别异常交易网络，减少金融欺诈带来的经济损失。
监管科技（RegTech）创新应用
在合规监管方面，隐私计算为监管部门提供了非侵入式的数据洞察手段。通过联邦学习，监管机构可在不获取金融机构原始数据的情况下，实现对系统性风险的监测预警。在反洗钱场景中，国际金融机构共建全球联邦网络，利用加密计算技术联合分析跨境交易行为，显著提升可疑交易发现效率，同时减少误判情况的发生。[此处为图片4]
在能源领域，隐私计算技术正逐步应用于碳交易、需求响应及新能源管理等多个关键场景，为行业的数字化转型提供安全支撑。
碳交易市场应用：通过引入差分隐私框架，在构建电-碳-证耦合市场的均衡模型过程中，能够有效保护市场参与者的敏感信息。该技术在保障数据可用于社会公益分析的同时，防止个体身份或行为被识别，从而实现碳交易过程的公平性、透明度与高效运作。
需求响应优化：在智能电网的需求侧管理中，安全多方计算（MPC）技术可实现对用户用电数据的隐私保护。电力企业能够在不获取原始数据的前提下，与其他机构协同完成负荷预测与调度决策，满足电网运行需求，同时确保用户隐私不被泄露。
新能源管理：针对新能源汽车等新兴业态，隐私计算支持跨企业联合定价等复杂业务场景。采用隐私集合求交（PSI）技术对齐车辆标识信息，并通过时空编码将地理位置转换为网格化表示，避免暴露精确位置；结合差分隐私机制在处理阶段注入噪声，进一步防范敏感信息的反向推导风险。[此处为图片1]
在医疗健康方向，隐私计算推动了跨机构协作和药物研发效率的双重提升。
跨机构医疗数据协作：多家医疗机构借助隐私计算技术，可在不直接共享患者原始病历的情况下，安全地进行医学影像、检验结果等关键数据的联合分析。利用安全多方计算方法，实现数据“可用不可见”，显著提高了疑难病症的诊断准确率，助力精准医疗服务的发展。
药物研发加速：国际性医疗研究平台已实现全球多中心医院的数据联动，基于联邦学习技术提升肿瘤识别模型的准确性。各参与方无需上传本地数据，即可共同训练高质量模型，不仅保护了患者隐私，也大幅缩短了新药临床试验周期。
供应链金融是隐私计算落地较早且成效显著的领域之一。
供应链金融创新：面对中小企业融资难的问题，隐私计算为解决上下游信息不对称提供了可行路径。核心企业可通过该技术向金融机构提供供应商交易真实性的证明，而无需披露具体合同金额或客户名单。某供应链平台即通过部署隐私计算系统，帮助银行验证交易背景的真实性，降低信贷风险，提升中小企业的融资可得性。
5. 技术选型与实施建议
5.1 技术选型核心原则
技术成熟度评估：在选择隐私计算技术路线时，需综合考量其成熟度、稳定性及扩展能力。当前，联邦学习已在金融与医疗行业形成规模化应用；安全多方计算（MPC）在政务数据开放中的渗透率持续上升；可信执行环境（TEE）凭借芯片级硬件安全保障，被主流云服务商广泛采纳并部署。
国产化适配要求：优先选用符合信创标准的产品，重点关注核心技术组件是否实现自主可控。部分国产隐私计算平台已集成安全多方计算能力，并搭载自主研发的国密算法库，在运算性能和安全性方面均达到行业领先水平，适用于金融、政务等高安全等级场景。
场景适配性分析：不同技术具有差异化优势。联邦学习适合用于跨域联合建模与风险评估；安全多方计算适用于需要精确输出的统计比对任务；而可信执行环境则更契合对计算效率要求较高的实时分析场景。
5.2 典型场景技术方案建议
政务数据共享场景：推荐采用“联邦学习+安全多方计算”融合模式。前者支持跨部门模型共建，实现“数据不动模型动”；后者保障统计结果精确且个体信息全程加密。例如在人口普查数据分析中，可运用安全多方计算完成加密状态下的聚合分析，确保宏观结论可靠、微观信息受控。
跨部门协同治理场景：建议构建“隐私计算+区块链”的融合架构。区块链负责记录数据调用日志，确保流通过程可追溯、不可篡改；隐私计算则完成数据的安全计算与分析。二者结合可促进政府部门间的数据协同，提升公共治理效能。
金融风险防控场景：宜采用“联邦学习+隐私集合求交（PSI）”组合方案。联邦学习用于跨机构联合训练反欺诈模型，提升风控精度；PSI则用于匹配黑名单或共债信息，实现在无明文交互下的风险识别，全面保护客户隐私。
能源交易场景：推荐使用“差分隐私+区块链”解决方案。差分隐私通过对数据添加可控噪声来保护参与者隐私；区块链确保交易记录公开透明且不可篡改。在碳排放权交易中，此架构有助于平衡隐私保护与市场公信力之间的关系。
5.3 实施保障措施
标准规范建设：应严格遵循国家关于数据基础设施的相关标准，建立涵盖数据分类分级、技术选型、安全管理等方面的内部规范体系，确保隐私计算应用合法合规、统一有序。
安全防护体系：需构建覆盖数据采集、传输、存储、计算到销毁全生命周期的安全防护机制。结合国密算法、细粒度访问控制、操作审计等手段，强化平台自身安全，防范因技术复杂性带来的潜在攻击面。
人才队伍建设：加强复合型人才培养，重点培育兼具数据科学、密码学基础与行业知识的专业团队。通过内外部培训、项目实践等方式提升技术落地能力，为隐私计算的可持续发展提供人力支撑。
采用“试点先行、逐步推广”的实施路径，优先选取具备条件的应用场景开展示范试点，积累实践经验，提炼可复制的模式与方法，并在此基础上有序扩大应用覆盖范围。在试点推进过程中，强化对实施效果的评估以及潜在风险的动态监测，做到问题早发现、早应对，切实保障技术应用的安全性与实效性。
加强隐私计算领域的人才队伍建设，注重专业人才的引进与培养，打造具备扎实技术能力与运维经验的专业团队，全面提升技术落地与持续运营水平。通过与高等院校、科研单位建立合作关系，推动技术研发与人才培育协同发展，为隐私计算技术的深入应用提供坚实的人才支撑。
[此处为图片1]
京公网安备 11010802022788号
