为数据参与方提供可视化的数据使用流图，提供插件化的区块链对接存储，实现使用过程的可审计、可追溯。

可信智能计算服务TICS，安全释放数据价值

• 支持在分布式的、信任边界缺失的多个参与方之间建立互信空间；

• 实现跨组织、跨行业的多方数据融合分析和多方联合学习建模。

• 支持对接主流数据源（如MRS、DLI、RDS、Oracle等）的联合数据分析；

• 支持对接多种深度学习框架(TICS，TensorFlow)的联邦计算；

• 支持控制流和数据流的分离，用户无需关心计算任务拆解和组合过程，采用有向无环图DAG实现多个参与方数据流的自动化编排和融合计算。

• 数据使用全流程可视化展示，为数据参与方提供可感知、可监测的数据使用过程；

• 支持数据参与方、计算方的多种部署模式，包括云上（同Region、跨Region）、边缘节点、HCSO的部署模式；

• 采用容器化资源/部署管理，支持调度方、数据参与方、计算方的弹性扩缩容。

• 支持用户自定义隐私策略，实现敏感数据的识别、脱敏、水印保护，保障隐私数据安全；

• 多方协同过程中隐私信息交互（SQL JOIN数据碰撞、可信联邦学习模型参数）的加密保护；

• 支持安全多方计算，如基于隐私集合求交PSI（Private Set Intersection）技术的多方样本对齐、 基于差分隐私、加法同态、秘密共享等技术的训练模型保护；

• 可插件化的对接区块链存储，实现多方数据的流动轨迹、使用过程的全程可追溯、可审计。

可信智能计算服务TICS，助力跨机构数据协同融合

金融机构对于中小微企业的信用数据通常不足，央行征信数据覆盖率有限，不良企业多家骗贷事件屡有发生。金融机构与政府部门，如税务部门、市场监管部门、水电公司等在保护各方面原始数据隐私的前提下，通过多方联合建模，金融机构补充风控模型特征维度，提升模型准确率。

优势：

提升模型准确率：多方机构实现算法层面联合建模，提升了需求方模型的预测效果；

数据隐私保护强：多方采用隐私集合求交PSI对齐样本数据，本地数据或模型加密后在安全环境中运算，实现数据可用不可得。精细化的数据隐私保护策略，确保分析结果中强制执行隐私数据的脱敏。

政务数据开放共享对于政府业务共治和赋能千行百业起到关键作用，出于数据安全以及隐私保护问题，当前很多政务数据尚未充分开放共享。多项业务场景均要实现在保护数据隐私的前提下，通过跨机构数据的融合分析，得到数据碰撞结果，提升政府业务效能和赋能千行百业。

优势：

政企之间密文数据融合计算，保障数据流通安全和隐私； “原始数据不出域，可用不可见”，原始数据保存在本地安全域执行计算；支持自定义数据主权保护策略，内置数据流通风险检测算法。

传统金融企业联合营销模式中，金融企业往往需要将双方的数据集中到一个安全实验室中进行标签融合，模型训练，但常面临数据泄露和隐私等挑战。联邦建模采用分布式架构进行部署和建模，参与联合营销的企业原始和明细数据不出库的前提下进行跨域数据建模，实现精准营销，同时保障企业数据安全与个人隐私。

优势：

原始数据不出企业安全域、不出库，实现“数据不动、算法动”，数据使用自主可控；联合多方正样本的效果，丰富模型的特征，提高模型的泛化能力；计算全程保障企业数据安全与个人隐私。

传统数据交易方式，交易的是数据所有权，交易完成后，数据被无限制的拷贝和复制。采用可信交易方式，交易的不是数据，而是数据的使用权，卖家卖的是对某个数据的用法用量，不用担心数据被拷贝和复制。

优势：