「秘密計算」通常是指 在不暴露資料內容的情況下完成計算（Privacy-Preserving Computation）。
它是密碼學、分散式系統與區塊鏈的重要技術基礎。
一、核心概念
同態加密（Homomorphic Encryption, HE）
在「加密狀態」下直接做數學運算，解密後結果與明文運算一致。類型
- 部分同態（PHE）→ 只支援加法或乘法
- 部分同態（SHE）→ 支援有限次運算
- 完全同態（FHE）→ 支援任意運算（理論最強）
代表人物
- Craig Gentry（2009年首次提出可行FHE）
應用
- 雲端加密資料分析
- 醫療數據隱私運算
- 加密機器學習
二、安全多方計算（Secure Multi-Party Computation, MPC）
多方共同計算一個函數，但每一方的原始資料不公開。
核心技術
- 秘密分享（Secret Sharing）
- 混淆電路（Garbled Circuits）
- 門限密碼學（Threshold Cryptography）
應用
- 聯邦學習
- 隱私統計
- 去中心化金融風控
三、零知識證明（Zero-Knowledge Proof, ZKP）
證明某件事為真，但不透露任何額外資訊。
技術類型
- zk-SNARK
- zk-STARK
- Bulletproofs
區塊鏈應用
- Zcash
- zk-Rollup 擴容技術
四、可信執行環境（Trusted Execution Environment, TEE）
在硬體隔離環境內執行程式，外部無法讀取運算過程。
代表技術
- Intel SGX
- ARM TrustZone
優點
- 計算速度快
缺點
- 信任硬體廠商
五、聯邦學習（Federated Learning）
模型去資料端學習，而非資料上傳到中央。
代表實踐
- Google 手機鍵盤預測
六、秘密計算的數學基礎
- 模運算與群論
- 橢圓曲線密碼學
- 拉格朗日插值（秘密分享核心）
- 格理論（FHE基礎）
- 計算複雜度理論
七、秘密計算的應用場景
八、技術比較
九、前沿研究方向
- 加密神經網路推理
- zkML（零知識機器學習）
- Fully Homomorphic Encryption 加速
- Confidential Computing 聯盟標準
一句話總結
秘密計算 = 在「不暴露資料」的前提下完成「可信運算」。
