研究方向一：隐私计算

隐私计算是指保护数据本身不对外泄露的前提下实现数据分析计算的技术集合，达到对数据“可用、不可见”的目的。主要研究方向：

1、安全多方计算（Secure Multi-party Computation, MPC)指在无可信第三方的情况下，多个参与方共同计算一个目标函数, 并且保证每一方仅获取自己的计算结果，无法通过计算过程中的交互 数据推测出其他任意一方的输入数据(除非函数本身可以由自己的输 入和获得的输出推测出其他参与方的输入。

2、联邦学习(FederatedLearning, FL), 又名联邦机器学习、联合学习、联盟学习等。联邦学习是实现在本地原始数据不出库的情况下， 通过对中间加密数据的流通与处理来完成多方联合的机器学习训练。联邦学习参与方一般包括数据方、算法方、协调方、计算方、结果方、任务发起方等角色，根据参与计算的数据在数据方之间分布的情况不同，可以分为横向联邦学习、纵向联邦学习和联邦迁移学习。

3、可信执行环境(Trusted Execution Environment, TEE)通过软硬件方法在中央处理器中构建一个安全的区域，保证其内部加载的程序 和数据在机密性和完整性上得到保护。

研究方向二：区块链技术及其应用

区块链技术主要保证了在去中心模型下数据的不可篡改和可追溯性，达到数据的“透明性”的目的。主要研究方向：

1、智能合约代码审计

2、完整性审计

3、零知识证明

4、区块链应用：已完成非二交易平台、云链融合的电子毕业证书真伪审计平台、NFT盲盒交易平台。

研究方向三：联邦学习

联邦学习在多个数据源共同参与模型训练时，不需要进行原始数据流转的前提下，仅通过交互模型中间参数进行模型联合训练，原始数据可以不出本地达到了“数据可用不可见”的数据应用模式。主要研究方向：

1、纵向联邦学习

2、横向联邦学习

3、迁移联邦学习

研究方向四：云计算安全

云计算安全主要解决云环境下数据外包所面临的计算、存储、查询等问题，主要研究方向：

1、可验证计算（Verifiable Computation）：主要解决不可信云环境下外包计算结果的完整行问题。

2、密文搜索（Searchable Encryption）：主要解决云环境下密态数据的高效检索问题。

3、数据持有性证明（Provable Data Procession）：主要解决云环境下外包数据的可审计问题。

4、可验证数据库（Verifiable databases）：主要解决不可信云环境下外包数据库查询结果的完整性问题。