數據隱私計算技術有以下幾種：安全多方計算（MPC）、聯邦學習（FL）、可信執行環境（TEE）。
1、安全多方計算（MPC）。安全多方計算（Secure Multi-party Computation）即在參與方不***享各自數據且沒有可信第三方的情況下，仍可以進行協同計算，最終產生有價值的分析內容。
2、聯邦學習（FL）。聯邦學習是壹種分布式機器學習技術或框架，最初是由谷歌提出的。
3、可信執行環境（TEE）。可信執行環境是壹種具有運算和儲存功能，並且能提供安全性和完整性保護的獨立處理環境。
隱私計算底層應用的密碼學算法
1、同態加密（HE）
同態加密（HE）指的是能夠直接使用密文進行特定運算的加密技術，並保證得到的結果與明文計算結果壹致。數據進行加減、匯聚時不會發生明文數據的暴露，因此能夠大大提高計算方的可靠性。同態加密的優勢在於通信量少，不需要多輪通信輪數，且在結果方密鑰不泄露的情況下，計算過程是安全的，因此在多方安全計算、聯邦學習等場景中得到了應用。
2、差分隱私（DP）
差分隱私（DP）是通過添加額外的隨機數據“噪音”使真實信息淹沒於其中，從而保護隱私的壹種技術手段。當惡意用戶試圖通過差分攻擊的手段反推原始數據時，由於噪音的存在，無法確認數據的真假，因此無法順利還原原始數據。其優勢在於無須加解密時的巨大算力消耗，技術相對成熟，因此在各種涉及個人隱私的統計類場景中得到廣泛應用。
3、不經意傳輸（OT）
不經意傳輸（OT）由Rabin於1981年首次提出，也叫做茫然傳輸協議。其作用是當數據發送方有多份數據時，可通過OT算法，來讓數據接收方從中僅選取需要的數據，但無法獲取其他的數據，同時數據發送方也無法得知接收方從中獲取了哪些數據。因此該算法常用於隱私計算集合求交、聯邦學習樣本對齊、隱私信息檢索等場景。