隐私计算：构建可信执行环境
最后更新于
最后更新于
保障数据以“可用不可见”的方式进行安全流通。
假设目前有3方，甲方是医院，乙方是医疗科技企业，丙方是云计算企业。
甲方：拥有医疗影像数据；
乙方：拥有算法模型；
丙方：提供计算资源；
目标：甲方利用乙方的算法模型生成预测结果辅助诊断，甲方的数据不能被乙方或者丙方看到。乙方不允许甲方或丙方拿到算法模型，保护自己的知识产权。丙方提供技术支持，不碰甲方和乙方的数据。
甲方使用密钥B加密医疗影像数据；
乙方使用密钥A加密算法模型；
加密后的医疗影像数据和加密后的算法模型放到Amazon Nitro Enclaves 作为可信执行环境（TEE）进行AI推理运算。
本方案核心原理是 Amazon Nitro Enclaves 与 Amazon KMS 的整合，被加密的推理模型运行在隔离的 Enclaves 实例中，能且仅能在 Enclaves 实例中进行解密。Nitro Enclaves 与 KMS 实现了“Remote Attestation（远程认证）” （[Blog] 突破隐私计算边界：亚马逊云科技可信执行环境助力医疗领域提供详细描述），通过限制对 KMS 的访问从而控制推理模型的解密，防止被恶意攻击和破解。对于需要进行推理的数据，采取同样的方式运行在 Enclaves 中并解密，因此保证明文状态仅出现在 Enclaves 内部，从而保证推理数据安全。
