隐私计算技术（Privacy-Enhancing Technologies）简称PET，是一种计算机技术，它可以在特定环境下处理敏感的信息，有效地保护数据的隐私和安全。PET手段可分为静态的（内容保护），和动态的（系统保护），前者施加对数据的静态限制，而后者利用称为“匿名技术”的一系列策略，在静态的基础上采取动态措施。

PET的静态策略通常Organization-Control（e.g., access control）、Physical-Barrier（e.g., RAID）、Cryptographic-Encryption（e.g., symmetric/asymmetric cryptography）和Data-Allocation（e.g., attribute-based encryption），它们的目的是保护数据的可用性、完整性和保密性。

静态安全策略可以有效保护数据免于非授权访问，但是它不能解决再次部分处理后特点信息公开的问题；而动态PET中的匿名技术（Anonymous Techniques），则是旨在解决由特征决定攻击有可能发生的安全攻击和保护隐私信息面临的挑战。相较于静态策略，匿名技术具有高灵活性和可复用性，可以根据具体需求定制适合的系统，同时保护数据安全。

常见的PET研究技术有：元数据保护、数据分组、多方计算和联合学习。其中元数据保护技术利用诸如分离策略（e.g., PIR/CS）、数据分组（e.g., SDC）和数据混淆（e.g., cloud obfuscation）等手段，来防止敏感信息被未经授权访问或被公众看到。数据分组是将数据分成多个“片段”，每个“片段”都有独立的安全策略来保护它；多方计算则把加密与计算相结合，从而保护现有的加密系统在多方计算过程中的安全性。最后，联合学习技术是用以提高机器学习算法及决策系统数据安全性的技术，它以安全、舒适的方式在联合XXX服务器上处理不同的数据集，从而保证客户端A和客户端B的信息隐私。

随着社会的不断发展，人们对信息安全和隐私保护的要求越来越高，隐私计算技术就显得格外重要。凭借隐私计算技术，会有助于保护个人数据的安全性和保密性，有助于降低泄露隐私数据而产生的风险，同时也为机器学习等领域提供了开发新型应用的技术支撑。