CSA比較5種PETs：FHE可直接在加密資料上運算，但效能較慢；適合AI訓練/推論與敏感查詢，實務導入需評估算力、標準化與開源方案。
雲端安全聯盟（CSA）發布隱私強化技術（Privacy-Enhancing Technologies，PETs）指引，系統性比較五種常見技術：Fully Homomorphic Encryption（FHE）、Differential Privacy（DP）、Secure Multi-Party Computation（SMPC）、Trusted Execution Environment（TEE）與 Zero-Knowledge Proof（ZKP）。該指引重點在於協助企業判斷不同技術在效能、信任需求、安全性與硬體需求上的差異，並強調各技術並非互斥，而是可依場景搭配使用。[1]
此次指引特別聚焦 FHE。其核心特性是系統無須先解密，即可直接對加密資料進行運算，因此可用於保護使用中的資料，特別適合 AI 訓練與推論情境。不過，CSA 也明確指出，這種能力的代價是較高的運算負擔，整體速度被評為「慢」。[1]
FHE 的價值在於把「可計算」與「可保密」同時保留下來。資料在加密狀態下仍可被處理，降低中途解密造成的外洩風險；但由於所有計算都要在密文上完成，因此對運算資源與延遲的要求都高於一般明文處理流程。[1]
相較之下，DP 的設計目標不是保護運算過程，而是降低從輸出結果回推個別資料的可能性；SMPC 則讓多個組織可共同分析彼此持有的資料，而不直接交換原始資料；TEE 提供受信任的硬體執行區域；ZKP 則屬於另一種可與其他技術並列比較的 PET。CSA 將這些技術並列比較，反映 PETs 的重點不是單一技術優劣，而是如何對應不同威脅模型與業務目標。[1]
指引也提到技術可互補。FHE 可以結合 DP，前者強化輸入資料與運算過程的隱私，後者降低輸出結果洩漏個資的風險。這種組合思維意味著企業在設計資料管線時，不應只看單點保護，而要同時考慮資料進入、處理與輸出的整體風險面。[1]
在實務案例上，CSA 以 Microsoft Edge 的 Password Monitor 為例，說明 FHE 已能支援真實產品。該功能可在不暴露密碼的情況下檢查使用者儲存的密碼是否出現在外洩資料中，且只有使用者的瀏覽器能解密比對結果。[1][2]
不過，FHE 的導入仍面臨標準化與生態成熟度挑戰。CSA 指出，ISO 與 NIST 仍在推進相關標準，因此在企業採用上，優先考慮開源且持續接受公開密碼分析的方案，能降低風險。[1]
這份指引對高敏感資料處理場景的影響最明顯。當企業需要在不暴露原始資料的前提下完成計算，PETs 會直接影響架構設計、合規策略與成本模型。[1]
對使用者而言，這類技術的可見度可能不高，但其影響會反映在密碼保護與雲端分析等安全設計中。以 Password Monitor 為例，使用者可獲得外洩提醒，同時不必讓服務提供者讀到完整密碼內容。[1][2]
企業若考慮導入 FHE，應先確認使用情境是否真的需要在密文上直接運算。若只是要降低統計洩漏，DP 可能更有效率；若是多方共同分析，SMPC 可能更符合需求；若需要受保護的執行環境，TEE 也可能更適合。技術選型應回到威脅模型、資料敏感度與效能預算，而不是單純追求「最強隱私」。[1]
對於需要處理 AI 訓練或推論資料的組織，應預先評估額外算力與延遲容忍度。CSA 已明確指出 FHE 的運算速度較慢，因此若未事先規劃資源配置，可能在正式上線後遇到效能瓶頸。[1]
在供應鏈與方案選擇上，優先採用開源且可接受公開密碼分析的實作，有助於提升可驗證性與長期安全性。當標準仍在發展中時，透明度與社群審視是降低風險的重要條件。[1]
若要把 PETs 納入企業治理，建議同時建立資料分類、用途限定與輸出審查機制。這樣才能在保護隱私的同時，避免因技術拼裝不當而讓保護效果流於形式。[1]