随着全球对数据价值的认识与日俱增，数据隐私和安全已经成为企业业务运营的重要基石，重要性无论如何强调都不为过。
隐私增强技术PET是一个笼统的术语，包括在隐私信息采集、存储、以及在执行搜索或分析过程中对于保护和增强隐私安全性的数据安全技术，其中许多技术存在交集，或者可以结合使用。
四大隐私增强技术的安全性排序：同态加密>安全多方计算>差分隐私>可信执行环境。
同态加密是最安全的选择，尤其适合云计算时代需要将计算转移到云端同时又需要确保(未加密)数据安全的应用场景。同态加密不是一项新技术，学术领域已经进行了30多年的研究。尽管从历史上来看同态加密一直是计算密集型的技术，但现在的最新突破使之可逐渐用于各种商业应用。
安全多方计算(SMPC或MPC)技术系列允许多方共同对数据进行操作，同时保持其各自的输入信息私有和安全。像同态加密一样，该技术也有近30年的历史。学术界的突破以及商业领域中许多技术提供商的解决方案已经使SMPC变得成熟，可以在某些用例中实用。
在差分隐私中，出于混淆目的，将随机生成的噪声添加到基础数据中，对更改后的数据执行的任何计算仅在统计/方向上正确(即不准确)。因此，由于不能保证准确的结果并且限制了可能的计算，因此差分隐私的应用领域比其他隐私增强技术要窄。
PET中最不安全的是可信执行环境TEE。TEE的安全性本质上是基于安全边界的安全模型。在TEE中，安全边界范围很小，仅存在于硬件芯片本身而不是网络边界。TEE实现了非常快速的计算能力，但需要权衡弱化的安全性和隐私状态。这可能适用于某些具有更宽松的安全性和隐私约束(即不需要国家级安全性或隐私保护法规合规)的用例。
2020年其他值得关注的隐私增强技术还包括：零知识证明、边缘计算和本地数据处理、设备层面的机器学习、身份管理和小数据。
https://zhuanlan.51cto.com/art/202006/619826.htm