AWS SageMaker AI 结合全同态加密实现端到端加密推理，保护数据隐私
AWS 发布新方案，将全同态加密（FHE）集成到 SageMaker AI 中，实现推理过程中数据全程加密。本文详解如何使用 concrete-ml 库训练和部署 FHE 模型，并对比机密计算方案。对医疗、金融等数据敏感行业意义重大，但需注意商用许可限制。
一句话看懂
AWS 在 SageMaker AI 中集成全同态加密（FHE），让用户对加密数据进行推理，云服务商也无法窥探数据内容。
详细发生了什么
AWS 官方博客发布了一篇新教程，介绍如何在 Amazon SageMaker AI 中使用全同态加密（FHE）实现端到端加密的机器学习推理。与之前基于底层 SEAL 库手写线性回归的方法不同，这次采用了更高级的 concrete-ml 库。该库专为 FHE 推理设计，开箱支持多种常见模型类型，API 兼容 scikit-learn。
方案流程：模型所有者训练一个 FHE 兼容的模型，部署到 SageMaker 端点；客户端加密查询数据后发送给端点，模型在不解密的情况下直接处理加密数据，返回加密预测结果；客户端本地解密得到最终预测。整个过程数据始终处于加密状态，包括 AWS 自身也无法读取。
博客还对比了 FHE 与 AWS Nitro Enclaves 机密计算的区别：Nitro 在硬件隔离环境中解密处理，而 FHE 全程保持加密，安全性基于数学而非硬件。
中文圈视角
国内用户用得上吗？ 目前 concrete-ml 由 Zama 公司开发，非商业用途可免费使用，但商用需要付费许可。国内云厂商如阿里云、腾讯云尚未提供类似 FHE 推理服务，但华为云曾推出过基于同态加密的隐私计算方案。对于医疗、金融等强监管行业，FHE 提供了一种不依赖硬件信任的隐私保护方案，但性能开销较大（推理速度比明文慢几个数量级），目前更适合低频、高敏感场景。
国产替代方案？ 国内隐私计算领域更多采用联邦学习、安全多方计算（MPC）或可信执行环境（TEE），FHE 因性能问题落地较少。不过，蚂蚁集团、华控清交等公司在同态加密算法优化上有积累。如果国内云厂商跟进，可能更倾向于结合 TEE 与 FHE 的混合方案。
对中文用户的具体影响：对于需要处理患者数据、金融交易记录的企业，FHE 提供了一种合规的云端推理方式，避免数据出境风险。但需注意，concrete-ml 目前对模型类型有限制（主要支持线性模型、决策树、神经网络等），复杂模型（如大语言模型）尚不支持。
几条值得记住的细节
- concrete-ml 要求 Python 3.12、concrete-ml==1.9.0、concrete-python==2.10.0 版本严格匹配。
- 训练数据需归一化到统一尺度（如 [-1, 1]），否则 FHE 计算可能出错。
- FHE 推理速度远慢于明文推理，适合低频、高隐私需求的场景。
- 商用需向 Zama 购买许可证，非商业用途可免费使用。
- 与 AWS Nitro Enclaves 互补：Nitro 依赖硬件隔离，FHE 依赖数学加密。
一句话总结
如果你的业务涉及敏感数据云端推理且无法信任云服务商，FHE 提供了一种数学上可证明的隐私保护方案，但需接受性能代价。