中国金融科技应用场景优秀案例

基于隐私计算的金控集团数据要素市场共享平台

同盾科技有限公司

摘要: 数据要素的安全高效共享，充分利用其经济价值，是政策和市场需求所在。联邦学习等隐私计算技术的发展、不同技术或隐私计算平台互联互通的解决、不同数据要素应用方式的市场探索等，都为安全共享数据要素价值提供策略和方案。同盾科技有限公司基于联邦学习、多方安全计算、可信执行环境等多元技术实现基于隐私计算的金控集团数据要素市场共享平台，在保证数据安全和隐私保护的前提下，打破数据孤岛，为金融控股集团和子公司之间数据要素流通提供强有力的智能和安全保障。通过提供先进的隐私保护模型算法，以安全、合规、可信的方式打破金控集团内外部的数据壁垒，发挥数据要素的价值，有力提升金融服务质量。此项技术也必将为我国金融行业高质量发展保驾护航。

关键词：数据要素；隐私计算；联邦学习；多方安全计算

一、引言

随着信息保护法规不断完善，数据共享合规性要求日趋严格，对金融机构的数据安全应用监管迫在眉睫。随着《网络安全法》、《数据安全法》和《个人信息保护法》等一系列法令法规的相继推出，针对数据的采集、处理与存储均有了明确的政策要求和合规法则。从金融机构的角度来看，数据应用的合法合规是第一要务。近期隐私泄露事件频发，国家相关部门对企业数据泄露事件的处罚力度也在不断增大，对数据要素的应用监管已经提升到国家战略层面。

目前全面数字化建设的需求越发迫切，加快数据要素市场培育，推进数据的开放共享，释放数据资源价值，加强数据资源整合和安全保护已成为关键核心问题。2020年3月，国务院发布《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》，明确数据作为新型生产要素，与土地、劳动力、资本、技术并列为五大生产要素；2022年1月，国务院印发《“十四五”数字经济发展规划》进一步要求加快数据要素市场化流通，充分发挥数据要素作用，数据要素为核心引擎推动数据经济深化发展。而在金融领域，2022年1月中国人民银行印发《金融科技发展规划(2022-2025)》也提出要全面加强数据能力，在保障安全和隐私前提下推动数据有序共享与综合应用，充分激活数据要素潜能，有力提升金融服务质效。数据共享和隐私保护是金融科技发展的重要基础，联邦学习、多方安全计算、可信执行环境等隐私计算技术成为解决金融机构之间、金融机构与其他行业机构之间的安全合规数据共享的关键技术手段，确保“数据可用不可见”“数据不动价值动”，为金融服务提质增效提供基础能力支撑，是确保是金融数据流通的安全底座。

金融控股集团同样面临数据要素共享与数据安全、隐私保护问题，中国人民银行于2020年正式发布实施的《金融控股公司监督管理试行办法》（以下简称《办法》）规定金融控股公司应“规范发挥协同效应”，金融控股公司与其所控股金融机构之间、其所控股机构相互之间可以共享客户信息、销售团队、信息技术系统、运营后台、营业场所等资源，并要求将数据治理、数据安全保护纳入公司治理范畴，同公司治理评价和监管评级挂钩。在此背景之下，某金控集团作为首批持牌的金控集团，积极响应党中央号召，通过同盾科技有限公司的“基于隐私计算的数据要素市场共享平台”，在实践中整合各子公司的数据资源，破除数据壁垒，培育高质量的数据要素市场。

金控集团内部数据量规模不断增长，各种智能应用井喷，多源多类型数据协作需求旺盛，借助集团内外部数据丰富自有数据维度、建立联合模型提升营销或风控等金融服务的质量、更大程度的利用集团协同资源成为了日渐刚性的需求。然而由于数据的易复制性和易传播性，容易导致集团内部的原始数据或衍生数据在转移或汇聚过程中存在流失和隐私泄露风险。目前集团内部的数据融合与应用普遍处于粗放式的交互阶段，缺乏有效的技术手段进行控制与追溯，极易造成重大的损失。这些集团内部机构与子公司相互的数据协调安全顾虑，导致了各方希望数据只进不出，底层敏感丰富的数据不敢开放，数据要素价值没有得到充分挖掘与发挥，所以建设安全可信的数据要素共享平台迫在眉睫。

二、项目概况

为了打破数据孤岛、保护数据安全和隐私，保障国家人工智能战略的长远健康发展，同盾科技2019年首次提出了知识联邦理论框架。知识联邦首先将数据转化成信息、模型、认知或知识，满足数据不可见，再通过联邦的方式实现数据可用，打造安全可信的人工智能。知识联邦通过知识“共创可共享”的方式，实现数据“可用不可见”，从而支撑数据要素安全流通、转换、交易来实现更大的社会价值，也助力中国在全球范围突破下一代可信人工智能。

基于知识联邦的理论体系，同盾科技打造了工业级的应用产品-智邦(iBond)平台，完善平台的通用底层设施，并实现该平台的广泛场景化应用功能，填补国内空白，达到国际领先。经过多轮的迭代，智邦平台成为融合联邦学习、多方安全计算、可信执行环境三大主流隐私计算技术的综合隐私计算平台，实现联邦共享、联邦计算、联邦学习、联邦预测和联邦推理等多种数据安全协同应用能力，高效、安全、合规、可信地支撑多样化的场景应用，助力金融客户实现更大的社会价值和商业价值。

本项目基于知识联邦理论体系，打造“基于隐私计算的金控集团数据要素市场共享平台”，为某金控集团构建数据要素生态体系，主导健全集团数据要素交易流通机制，对内进行应用赋能，对外进行流通交易。通过建设基于隐私计算的数据流通交易平台，提升集团内数据安全融合管理能力，率先探索金融业数据要素流通交互全流程解决方案，为行业数据要素交易市场建设提供经验。同时，加强金控集团对集团数据生产要素安全合规融合的主体能力，加快推进数据资产的内引外扩，提升内部外部数据融合场景价值，助力金控集团抢占数据要素流通市场的先机和制高点，为其他同业数据要素市场建设提供示范作用以及重要的经验参考。

项目的主要建设内容包括：

(1) 建设面向金融控股集团的一站式的数据要素合作管理平台，建立数据要素运营管理体系，连接需求上下游并进行有效监管。实现的功能包括权限管理、申请审核、登记确权、资源货架、交易撮合合约管理、贡献度评估、资源评价等。

(2) 基于隐私计算能力，利用联邦学习、多方安全计算等技术，撮合不同机构不同层级之间资源的联邦交互与应用。包括联合数据产品打造、联合模型建设、联合计算统计、联合查询预测、在线结构调用、资产血缘生成等。

(3) 提供开放式交互市场，让数据要素的提供方、需求方、应用方、开发方可以自由组合。包括：数据市场、模型市场、应用市场、服务市场等。

(4) 在金融集团各子公司和相关机构分别部署统一的隐私计算节点平台，统一接入方式，规范隐私保护机制，保障各子公司和相关机构原始数据不出本地，敏感信息收到保护，吸引各子公司和机构多维度、高质量的数据要素通过该平台进行开放共享。

三、项目创新点

本项目的创新点是基于同盾科技知识联邦理论体系和相关技术底座，结合市场交易机制和数据要素本身的特殊性，从安全合规、数据要素和价值流通等方面着手，构建的一体化内外部数据要素安全合规融合的解决方案。从知识联邦到可信数据要素流通，力争在单项技术和系统技术上均有所创新，并且在核心理论框架和平台产品两个维度实现突破。

(1) 核心理论框架创新：

建立和完善知识联邦框架体系，知识联邦是将散落在不同机构或个人的数据联合起来转换成有价值的知识，同时在联合过程中采用安全协议来保护数据隐私。知识联邦不是一种单一的技术方法，它是一套理论框架体系，是人工智能、大数据、密码学等几个领域交叉融合的产物。制定数据安全交换协议，利用多个参与方的数据; 基于多方数据进行安全的知识共创、共享和推理，实现数据可用不可见; 支持统一的多层次的知识联邦生态:信息层、模型层、认知层和知识层; 管理知识安全联邦的全生命周期:统计查询、训练、学习、表示、预测和推理及其监管、仲裁和评价。知识联邦是一个支持多方安全查询、多方安全计算、多方安全学习、多方安全推理的统一框架，为打造安全的知识融合、管理、使用的生态系统供设计指南和标准，它可以用于涉及到数据安全和隐私保护诸多领域，知识联邦是一个国产原创、自主可控、全球引领的技术体系。

(2) 平台技术创新：

实现一站式要素运营管理，提供全链路的一站式数据合作服务：包括系统对接、数据治理等，包括访问控制，权限隔离，存证审计；交易体系完善，账单智能推送；提供全方位监控管理体系。

增强安全合规：实现合规监管、安全审计能力；通过会员资质审核、数据质量把控等措施增强金控集团内外部数据要素流通的可控性。

连接扩展：支持连接多样数据类型、满足海量合作需求；提升开放共享能力，支持跨平台互联互通，有效解决隐私计算技术孤岛难题；下沉到应用场景的运营管理服务，提升平台的易用性。

技术赋能：实现基于FL的联邦建模、联邦预测、模型自动化发布；基于MPC的联合计算、联合统计、联合查询分析；基于PSI的多方分布式安全对齐及应用解决方案；基于PIR的安全隐匿查询及应用解决方案。多元化功能实现，更好满足多样性的场景应用需求。

高效稳健：支持云原生，一键容器化部署，降低使用门槛；信创国产化支持，安全自主可控；内核底座健壮，支持亿级大规模数据的多方稳定安全合作；性能业界领先，完全满足工业级应用性能&企业级安全；十亿级数据联邦应用，可单机上千qps在线调用，智能限流。

 四、技术实现特点

本项目基于知识联邦应用的功能，具体实现可细分为联邦共享、联邦计算、联邦学习、联邦预测和联邦推理。

(1) 联邦共享：联邦共享是在联邦的基础上，满足数据和知识安全交换协议的基础上，进行数据或知识的共享。联邦共享并不会将数据控制权转移给其他参与方，数据拥有者依然独立保持对数据的控制权。联邦共享的核心在于参与方之间的数据保留在本地，分别经过分类分级脱敏后与其他参与方数据形成虚拟的动态数据仓库对外提供服务，主要用于多方数据安全查询和检索，可破解横向数据共享交互的难题，是数据安全融合的基础。

(2) 联邦计算：联邦计算的实现是基于已有的规则性知识，利用各方数据进行联合计算，得到统计分析结果。联邦计算通常会直接在密文数据上进行计算分析，会采用一种弱中心化的方式实施。

(3) 联邦学习：联邦学习的主要目的是联合多个参与方的数据进行模型训练学习，主要对应模型层和认知层联邦。利用参与方数据时，保证数据不离开本地的同时，形成一个更全面的模型知识。联邦学习并不局限于传统的联合建模，它还包括同构数据的跨样本联合训练。

(4) 联邦预测：联邦预测可实现在保证参与方用户数据隐私的情况下，利用各方数据完成预测。联邦预测不需要批量用户对齐，它只需要对单个用户进行查询检索。联邦预测过程中的安全用户查询也希望被查询的用户数据不会被其他参与方知道。

基于隐私计算的金控集团数据要素市场共享平台，实现“可用不可见”的数据价值共享，市场的运营管理者不直接存储或汇集原始数据，仅审核验证数据拥有方的元数据、数据可用性等信息，通过监管方式协调市场运行。运营平台主要作为交易场所，联合数据有拥有方和需求方，形成价值共享的安全应用场所，数据拥有权和使用权各自分离，使得数据确权更明晰。

此外，与传统的点对点式的数据交互模式不同，针对大型机构的要素市场平台具有覆盖范围广、性能要求高、交互模式复杂、应用场景多样等特点，故本项目所建设的要素市场平台需在原有的智邦平台的技术基础上，进行系统、算法、性能三个方面的大幅创新和升级。

1）系统升级：

本项目的要素市场系统升级需包括四大核心模块和两个中间件，如下图所示：

核心模块包括：

（1）功能服务模块：主要提供实际应用中需要的诸如账户管理、配置管理、角色权限、日志管理、系统监控、数据管理、联邦合作管理、任务管理等功能服务。

（2）任务场景模块：支持面向应用的联邦场景：联邦建模、安全求交、多方安全计算、匿踪查询等，开展学习训练、模型预测、模型自动化发布、联合测试分析、多方联合统计、安全检索等任务，提供业务经验赋能的学习流、编程脚本自主应用，面向需求场景设计模型策略知识。

（3）开放平台模块：主要完成算法联邦化的实现，支持数据加密解密、特征工程、建模训练、指标评估、成分分析等知识学习、知识归集、隐匿查询、传输通信，基础运算、统计分析、矩阵计算等安全计算功能；

（4）基础设施模块：提供底层的公共设施，包括：离线/实时任务调度监控、计算环境、资源调度、数据/知识存储、网络通信、资源管理、应用管理、联邦成员管理、系统监控管理等。

中间件包括：

通信中间件：支持内外部网络通信，对接生产/预发环境以及其他参与方；

数据安全交换中间件：对接多源异构数据，实现数据标准化和分类分级脱敏加密等。

本项目要素市场的整体架构设计如下图所示：

此外，本项目还需升级优化并标准化异构隐私节点接入的联邦协议——联邦数据安全交换（Federated Learning EXchange，FLEX）协议。FLEX协议约定了联邦过程中参与方之间数据交换顺序，以及在交换前后采用的数据加解密方法。只要参与各方能够遵守这些约定，就可以安全地加入到联邦中提供数据或使用联邦服务，无需担心数据隐私会有泄漏风险。

FLEX协议上包括两层：

1）应用协议：这一层协议是面向联邦算法的，为联邦算法提供多方数据交换的应用支撑。协议中会约定多方间数据交换的顺序和采用的具体密码算法。联邦过程中采用的通信协议也会被封装在这里。

2）公共组件：是上层应用协议所依赖的基础密码算法和安全协议，比如同态加密、秘密分享等。规定了不同安全模型、联邦学习模型下两个或多个参与方之间的数据交换流程和规则，利用密码学算法或协议，如同态加密、一次一密、秘密分享、密钥协商、对称/非对称密码、Hash算法等保证参与方的隐私数据不被泄漏和不能被反推，涉及联邦计算、联邦学习、联邦推断等多种知识联邦场景。

FLEX联邦数据安全交换协议可用来解决异构隐私计算平台的技术孤岛问题，实现异构平台的互联互通，便于更多的已使用其他厂商隐私计算节点的外部数据提供方或需求方接入要素市场平台。

2）算法创新：

平台以学习流方式可视化建模流程，提供含有业务经验的学习流模板和默认算法参数，覆盖跨样本、跨特征、评分卡、二分类、两方及多方联邦场景，算法包括特征工程处理、LR和XGB模型训练、模型评估和可视化报告等。完成算子参数校验和配置的规范化，实现算子级别的自由组流，以及训练算子级别的断点重续功能，统一代码仓库的日志系统，支持微服务部署。其中联邦学习，实现50种以上联邦算法，包括联邦机器学习算法、联邦数据分析算法、联邦特征工程算法、联邦模型评估算法等。多方安全计算，研究和实现100种以上多方安全计算算子，实现多方安全加法、减法、乘法、除法、比较等基础运算，最值、中位数、方差等统计运算，以及安全矩阵运算、安全分组计算等统计运算。

3）性能提升：

针对当前隐私计算普遍面临的性能问题，分别从算法协议、计算流程、通信等层面对联邦算法、多方安全计算算法、安全求交算法、匿踪查询算法进行性能优化，力求实现各项性能的大幅度提升，提升隐私计算技术在金融场景的可用性。其中基于多方安全计算的基础运算准确度与集中计算方式误差不大于千万分之一，千万级数据的基础运算实现秒级响应。安全求交：实现高性能安全求交算法，实现平衡、非平衡两种场景安全求交，支持十亿级大数据量的安全求交，实现亿级数据量安全安全求交分钟级完成。匿踪查询：实现高性能匿踪查询算法，实现ID隐匿、条件隐匿两种模式的匿踪查询，优化匿踪查询性能满足实时性调用要求，实现万级、百万级不可区分度的秒级响应时间。

五、项目代表性应用场景

项目建成后，在金控集团的智慧金融领域中所有需要多方参与建模、知识共享的场景都可以应用要素市场平台来实现。尤其是在贷前风险防控，联合营销和多头共债中，可以很好提升企业的核心竞争力和行业影响力。在对外场景中，金融机构之间、金融机构与政府部门之间，普遍存在基于多方联邦进行安全查询和安全计算的场景。有些是基于高频高并发的非明文加密查询，有些是基于数据可用不可见的建模增益。金融行业普遍存在的多头共债问题，可以采用联邦计算的方式解决，保证多方的信贷数据不共享的同时降低信贷的风险。

联合营销则是可以利用流量渠道的数据与金融机构的数据进行有针对性的精准投放，实现用户增长或默客激活，同时保护各参与方数据不会外流，另外在联合营销的过程中，需求投放方希望核心投放用户数据在三方渠道处是不可细数的，既能满足拉新需求又能保证核心资产安全。

随着互联网银行(也称虚拟银行)的不断发展，智能 KYC 成为客户审核的关键一环， 如何在保证客户隐私的同时，能综合利用客户的生物特征信息，如:人脸、声纹、语音， 和客户的有效证件信息全方位认识客户，是一个有挑战性的难题，要素市场平台的认知层联邦是一个有效的解决方案。

在保险领域，保险产品的定价往往取决于各方面的因素，风控的难度就在于信息的不对称，才会频频出现骗保或薅羊毛事件。在健康险和寿险领域，保险公司和医院数据联邦，可以在保证病人隐私的前提下，健全人、病、医、药、保的全方位知识。这可以通过要素市场平台的知识层联邦实现，不仅能加速保险理赔的流程，同时让保单定价更人性化，扩大营 收降低风险，真正做到降本增效。同样，在车险、航空延误险或其它财产险中，数据要素市场也有相应的发挥空间。

未来开放银行的发展和可持续深化给用户带来了极大的便利，也给银行和金融科技带来新的挑战。在开放银行的场景下，要素市场将成为刚需，各个机构间各种复杂业务场景下，需要安全交换各种要素，应用场景覆盖了知识联邦体系的全部四个层次。

很多地方政府为了盘活地方中小微经济，组织了不少面向产业链或者供应链的撮合平台，一方面撮合上下游产业供给，一方面对接银行资金。这类中小微融资扶持平台跨智慧金融和智慧政务场景，需要打通政务、税务、银行、企业及个人等安全和隐私要求差异较大的异构数据，采用要素市场知识联邦的方式对信息/流程进行安全串联。可以提供强有力的支撑平台和监管等安全和监管标准工具，满足复杂的多层次需求。

六、项目成效

本项目围绕基于数据隐私保护的知识联邦平台搭建和开放的关键技术展开研究，从核心理论框架到平台产品，力争在单项技术和系统技术上实现突破。包括突破联邦学习、多方安全计算、安全求交、匿踪查询4项重大核心技术提升，研发新产品“基于隐私计算的金控集团数据要素市场共享平台”1项。

主要的技术指标如下：

(1) 联邦学习：研究和实现30种以上联邦算法，包括联邦机器学习算法、联邦数据分析算法、联邦特征工程算法、联邦模型评估算法等。

(2) 多方安全计算：研究和实现50种以上多方安全计算算子，实现多方安全加法、减法、乘法、除法、比较等基础运算，最值、中位数、方差等统计运算，以及安全矩阵运算、安全分组计算等统计运算，基于多方安全计算的基础运算准确度与集中计算方式误差不大于千万分之一，千万级数据的基础运算实现秒级响应。

(3) 安全求交：研究和实现高性能安全求交算法，实现平衡、非平衡两种场景安全求交，支持十亿级大数据量的安全求交，实现亿级数据量安全安全求交分钟级完成。

(4) 匿踪查询：研究和实现高性能匿踪查询算法，实现ID隐匿、条件隐匿两种模式的匿踪查询，优化匿踪查询性能满足实时性调用要求，实现万级、百万级不可区分度的秒级响应时间。

在自主知识产权方面，本项目完成时将申请发明专利20件以上，申请软件著作权6项以上；参与团体／行业技术标准3项以上。

在经济效益方面：

(1) 完善集团内部数据合作体系：结合金控集团财富管理平台，进行全链路的一站式集团数据合作体系打造，建设数据要素生态体系，完善集团数据要素交易流通机制，激发内部数据共享潜力，有效的释放内部数据生产要素潜力，为全集团的联合数字化转型奠定基础，使集团内部数据资源的沉默价值得到大幅提升。

(2) 加强集团内部数据合规管理：对集团内部数据合规融合，进行合规监管、安全审计、机构资质审核、数据质量把控，完善数据要素交易体系，通过用户访问控制，权限隔离等，构建全方位监控体系，防患于未然，大幅减少集团内部因数据泄露、隐私泄露、安全合规等方面的风险和损失。

(3) 深度开发应用场景：基于丰富的隐私计算算法，在保障数据要素可用不可见，可控可计量的前提下，深度挖掘与开发集团内部、外部多种业务场景，探索创新应用。充分发挥海量数据和丰富应用场景优势，促进数字技术和实体经济深度融合，赋能传统产业转型升级，催生新产业新业态新模式。

(4) 积极推进开放共享：利用数据要素市场平台，积极拓展集团内外部数据生态，连接内外部多样数据类型，通过集中式统一接入方式整合外部数据引入，避免同类型数据的重复采购。通过支持异构隐私计算节点跨平台互联互通，降低海量合作需求门槛，促进多行业产业融合，带动引领数字化经济行业方向。

七、项目总结与展望 

本项目通过深度的数据要素融合，有效推动金控集团公司智慧金融体系的发展，引领构建以数据为关键要素的数字经济的产业化模板。

数据是数字经济时代的石油，谁拥有数据资源优势，谁就占领了竞争的制高点。激发数据要素市场活力关系到我国能否在全球“数字经济”激烈竞争中弯道超车。金融控股集团作为银行、证券、保险、信托等多种金融机构业务聚合的重要金融基础设施，拥有海量综合经营的数据，这些不同维度、不同类型公司企业、机构和个人客户的数据，形式各异、彼此分割、内容纷呈，从而在金控集团内部形成了一个个“信息孤岛”。同时，集团各金融子公司都是由不同股东、客户群体组成的利益集团，加之严格的监管要求和各自的内部商业秘密管理制度，导致相互之间数据协同顾虑较多，都希望数据只进不出，本机构的底层敏感丰富数据不敢开放。这种由数据所有权与控制权（使用权）分离导致的数据共享概念和开放困境，或者说集团内部、子公司内部的利益关系也阻扰了金融控股集团层面的数据流通工作的落实。一些金控集团也无法有效应对复杂数据流动的风险，风险防护的手段方面也缺乏强有力的协调联动能力，无法针对客户生命周期的整体数据安全提供有效防护。

以上情况，迫切需要隐私计算技术在保障安全和隐私前提下推动数据有序共享与综合应用，充分激活数据要素潜能，解决金控集团中数据智能应用发展不充分与不平衡问题,助力营销、风控、生态合作与管理能力提升,有助于金融更好支持服务实体经济,推动金控集团实现高质量发展。

金控集团无论是体量还是数据量都无比庞大，目前我国已有三家金控集团取得牌照，未来将会有更多。每个金控集团都将面临数据要素流通难题；同时，各地纷纷成立的企业征信机构、数据交易所等也都面临如何构建健康、成熟、安全的数据智能共享体系，以释放数据价值、实现高质量发展的难题。打造基于隐私计算的数据要素市场共享平台实现数据共享、技术共享、价值共享，将成为数字经济时代的“必选题”。

隐私计算包括多方安全计算、可信执行环境、联邦学习、同态加密、零知识证明、差分隐私等系统安全技术与密码学技术，保证了数据可用不可见，从技术上能够满足金融行业的诉求，因而成为数字化的关键能力。不管是顶层设计还是数据流通的需求，隐私计算都成为一种刚需。隐私计算的核心优势是分离数据所有权、控制权和使用权，并开创“数据特定用途使用权流通”新范式。在此模式下，数据流通主体可以不再是明文数据本身，而是数据特定的使用价值，甚至可通过计算合约精确限制数据使用价值的具体用途和使用次数，实现数据使用“可控可计量”。作为促进数据互联互通与高效流通的基础技术，隐私计算在保护数据隐私的前提下，有效促进数据融通，发挥数据价值提供了可行之路。

在金融行业不断强化数据安全监管背景下，通过隐私计算技术与人工智能其他技术的融合创新，将能够形成体系化的技术解决方案，助力金融机构加快实现数字化转型；同时，通过实现计算性能与效率的平衡，以及不断增强计算模型有效性和稳定性，将可以构建更加成熟、易用的隐私计算服务体系，进一步赋能金融机构释放多源数据的融合价值。

在依法合规进行数据共享的前提下，金控集团可积极探索建立数据要素的市场化交易平台，为内外部数据资源交易平台制定和实施科学的交易规则，统计和计算数据资源生产要素的交易情况，厘清内部各子公司所产生数据的所有者、数据控制者和数据使用者之间的关系，最终达到提升数据资源整合价值的目标。在此背景下，本项目“基于隐私计算的金控集团数据要素市场共享平台“无疑会给金融机构数据要素流通工作提供宝贵的经验。