隐私计算在跨厂能碳数据协同披露中的应用架构研究

隐私计算在跨厂能碳数据协同披露中的应用架构研究

作者单位：泷码软件研究院、泷码软件（上海）有限公司

摘要

在全球 ESG 监管趋严、产业链碳足迹溯源强制披露逐步落地的背景下，制造业面临跨工厂、跨主体、跨境能碳数据协同核算的现实矛盾：一方面供应链上下游企业需要汇聚多工厂能耗、工艺、排放数据完成联合碳核算与全链条碳足迹汇总，满足客户、监管机构、资本市场 ESG 披露要求；另一方面企业原始能耗数据、生产工艺参数属于核心商业秘密，直接对外传输会带来数据泄露、商业信息外泄、数据合规违规等多重风险。传统集中式数据汇聚模式已经无法适配制造业产业链分布式、多主体、强隐私约束的数据协同需求。

本研究以隐私计算技术体系为基础，聚焦联邦学习、隐私集合求交（PSI）两类核心技术，面向多工厂能碳数据协同披露场景，构建一套可工程落地的跨厂能碳数据协同应用架构。研究围绕 “数据不动、模型 / 结果动” 的隐私计算核心理念，设计分层技术架构、多方交互流程、安全计算协议适配方案，解决制造业 ESG 协同过程中跨企业、跨境的数据合规共享难题。本文分析了制造业产业链碳核算与碳足迹汇总业务痛点，拆解联邦学习在分布式碳足迹模型训练、PSI 在供应链主体匹配、工厂排放台账对齐中的工程化实现路径，同时评估该架构下安全风险、性能瓶颈、合规边界，给出部署选型、运维机制与落地实施建议。本研究成果可为制造业产业链多方能碳数据协同、ESG 联合披露、跨境供应链碳管理提供理论参考与工程化实施方案。

关键词：隐私计算；联邦学习；隐私集合求交；碳足迹；能碳数据；ESG；制造业产业链；数据协同

1 绪论

1.1 研究背景

全球气候治理框架下，欧盟碳边境调节机制（CBAM）、多国企业可持续信息披露法案，以及国内 “双碳” 战略、上市公司 ESG 信息披露管理要求，正在倒逼制造业企业开展全供应链碳足迹追溯与碳排放核算。制造业供应链呈现多层级、多工厂、跨地域甚至跨境分布特征，终端品牌企业需要整合上游各级供应商工厂的能耗数据、工艺参数、原料消耗、排放台账，完成 Scope1、Scope2、Scope3 全范围碳核算。

传统碳核算模式普遍采用中心化数据采集方式：各工厂将原始能耗、生产工艺、物料台账导出，打包提交至供应链主核算方，由主核算方集中汇总计算碳足迹。该模式存在不可回避的短板。第一，数据安全风险突出。工厂原始能耗数据、生产工艺参数、单位产品能耗基线，直接反映生产效率、制造成本、产能规划，属于企业核心商业机密，原始数据外发极易造成商业情报泄露。第二，合规风险。《数据安全法》《个人信息保护法》、数据出境相关管理规则，以及境外地区数据保护法规，对企业经营数据跨企业、跨境传输设置严格准入门槛，未经评估的原始数据出境存在行政处罚风险。第三，供应链信任障碍。供应链上下游属于博弈关系，上游供应商普遍不愿意向品牌方开放底层原始生产数据，导致数据报送质量低、数据缺失、数据篡改，最终碳核算结果失真，ESG 披露可信度不足。

隐私计算作为一类 “数据可用不可见” 的分布式安全计算技术集合，为破解上述矛盾提供技术路径。隐私计算能够实现多方参与方在不泄露原始数据的前提下，完成联合统计、模型训练、集合匹配、结果计算。其中联邦学习、隐私集合求交（PSI）两项技术，最贴合制造业多工厂协同碳核算、供应链主体台账对齐的业务场景。

在此背景下，本研究面向跨厂能碳数据协同披露场景，研究隐私计算整体应用架构，探索联邦学习、PSI 在制造业 ESG 协同场景下的工程化落地路径，在保护各工厂原始能耗、工艺数据不出域的前提下，完成多方联合碳核算与供应链碳足迹汇总，化解跨企业、跨境数据共享的合规与信任难题。

1.2 国内外研究现状

1.2.1 碳核算与供应链碳足迹研究现状

现有碳核算、供应链碳足迹研究多集中在核算方法论、排放因子选取、边界划分、LCA 生命周期评价模型构建。主流的 GHG Protocol、ISO14064、ISO14067 标准，定义了产品碳足迹与企业碳排放的核算规则。但这类标准大多假设数据可以集中汇聚，较少考虑多主体数据隐私保护问题。

在产业实践层面，当前供应链碳足迹项目大多依靠人工填报、问卷收集，数据质量依赖供应商自觉，缺乏可信核验机制。部分头部企业尝试搭建供应链碳管理平台，但仍然要求供应商上传原始台账，在中小企业供应链推广阻力巨大。跨境供应链场景下，不同国家数据法规差异进一步放大原始数据传输的合规成本。

1.2.2 隐私计算在 ESG 与碳领域的研究现状

隐私计算近年逐步被引入能源、碳管理领域。已有文献研究安全多方计算（SMPC）、同态加密在能源数据统计、电网能耗联合分析的应用；联邦学习在负荷预测、能耗建模领域的应用也有较多学术成果。但现有研究大多聚焦单一行业内部能耗预测，面向跨工厂、跨企业供应链碳足迹联合汇总场景的系统性架构研究偏少，工程化落地方案不足。

隐私集合求交（PSI）技术更多用于金融客户匹配、广告客群对齐场景，将 PSI 应用于供应链上下游主体匹配、工厂物料台账、排放条目对齐的研究尚处于起步阶段。现有研究缺少结合碳核算业务流程、ESG 披露审计要求、跨境数据合规约束的一体化架构设计，缺少从业务层、协议层、部署层完整的工程化方案，这也是本研究的切入点。

1.2.3 现有研究不足总结

1. 多数研究仅单独讨论隐私计算某一项技术，缺少联邦学习 + PSI 组合技术在产业链碳协同场景的联合架构设计；

2. 大量文献偏向密码学理论，缺少面向制造业工厂异构 IT 系统（MES、能源管理系统 EMS、ERP）的工程适配方案；

3. 较少考虑审计、监管核查需求，隐私计算计算结果如何满足 ESG 披露、第三方碳审计取证要求，相关研究不足；

4. 跨境场景下，不同司法辖区数据法规叠加隐私计算部署模式的合规边界分析较为薄弱。

1.3 研究目标与研究内容

1.3.1 研究目标

构建一套面向多方工厂能碳数据协同披露的隐私计算应用架构。在各参与工厂原始能耗、工艺数据不出本地域、不对外输出的约束下，实现多方联合碳核算、供应链 Scope3 碳足迹汇总；设计联邦学习、PSI 在制造业 ESG 协同场景的工程化方案；明确跨企业、跨境场景下隐私计算协同模式的合规边界，形成可落地的实施框架。

1.3.2 核心研究内容

1. 梳理跨厂能碳协同披露业务模型，识别多方碳核算、碳足迹汇总业务流程中的数据交互痛点、隐私泄露风险点；

2. 设计隐私计算分层应用架构，划分业务应用层、隐私计算引擎层、数据接入层、安全基础设施层；

3. 研究 PSI 在供应链主体匹配、物料清单 BOM 对齐、排放台账条目匹配的工程化方案；

4. 研究联邦学习在分布式碳足迹模型训练、单位产品碳排放因子估算、多方碳核算结果联合校验的工程化方案；

5. 架构安全体系设计，包含访问控制、计算结果审计、密码协议选型、恶意节点防范；

6. 分析跨企业、跨境场景下该架构的数据合规逻辑，区分隐私计算不同部署模式对应的合规责任；

7. 性能评估、风险评估，给出工程落地实施路径、试点验证方案与优化方向。

1.4 研究思路与论文结构

本研究采用 “业务建模→痛点识别→架构设计→技术拆解→合规与安全评估→工程化方案→风险与展望” 的研究思路。
全文结构安排：第一章绪论；第二章业务场景、相关概念与基础理论；第三章跨厂能碳协同业务模型与风险分析；第四章隐私计算整体应用架构设计；第五章 PSI 在 ESG 协同场景工程化实现；第六章联邦学习在联合碳核算与碳足迹汇总工程化方案；第七章安全保障与跨境合规分析；第八章架构性能评估与工程落地实施路径；第九章总结与展望。

2 相关概念与基础理论

2.1 供应链碳核算与跨厂能碳协同披露

企业碳排放按照 GHG Protocol 划分为 Scope1（直接排放）、Scope2（外购能源间接排放）、Scope3（上下游价值链间接排放）。跨厂能碳协同披露，核心是产业链多个独立工厂主体，共同完成产品全生命周期碳足迹核算，对外输出可信的 ESG 碳排放披露报告。

多工厂协同碳核算具有典型多方特征：参与方包括品牌主企业、一级供应商工厂、二级及多级上游工厂、第三方碳审计机构。每一家工厂是独立数据持有方，拥有本地能耗数据、生产工艺参数、原料消耗台账、排放监测数据。传统模式下，所有原始数据集中上传到品牌方核算平台；协同披露的目标是输出核算汇总结果、产品碳足迹数值，而不是原始工艺与能耗数据。

2.2 隐私计算核心概念

隐私计算是一类技术总称，在保证数据原始值不离开本地节点的前提下，实现多方数据联合计算，核心理念为数据不动，价值流动。本研究重点使用两类技术：隐私集合求交（PSI）、联邦学习。

隐私集合求交（Private Set Intersection，PSI）：两个或多个参与方各自持有本地集合，在不向对方泄露集合中不属于交集部分元素的前提下，共同计算双方集合的交集。在碳供应链场景，各工厂持有物料编码、供应商编号、产品批次台账，利用 PSI 可以在不泄露全部物料清单的前提下，匹配上下游对应的物料条目，支撑 BOM 链路溯源。

联邦学习（Federated Learning，FL）：多方参与方在本地完成模型训练，仅上传模型参数 / 梯度，不传输原始样本数据；由协调方聚合多方参数更新全局模型，再下发回各参与方迭代训练。联邦学习可以分为横向联邦学习、纵向联邦学习、联邦迁移学习。制造业跨厂碳核算以纵向联邦和联邦迁移学习为主：不同工厂特征维度不同（A 工厂有能耗数据，B 工厂有原料排放因子），样本 ID 可以通过 PSI 对齐，之后联合训练碳足迹估算模型。

除 PSI、联邦学习外，架构底层可集成安全多方计算、同态加密、差分隐私等技术作为补充，用于简单的多方统计求和、均值计算，适配碳核算基础指标汇总。

2.3 ESG 数据协同的约束条件

制造业 ESG 能碳数据协同存在三重约束：

1. 隐私约束：原始能耗、工艺参数、产能、单位能耗属于商业秘密，禁止明文对外输出；

2. 业务约束：核算结果需要可追溯、可审计，能够支持第三方碳审计核验，满足披露报告采信要求；

3. 合规约束：跨企业数据共享、跨境数据交互，必须符合属地数据保护法规，区分 “原始数据传输” 与 “模型参数 / 计算结果传输” 的法律边界。

3 跨厂能碳协同业务模型与风险分析

3.1 多工厂协同碳核算业务流程

完整跨厂碳足迹协同业务流程分为五个阶段：
阶段一：参与方准入与边界定义。确定参与核算的工厂清单、核算产品范围、时间边界、碳排放核算范围（Scope1/2/3），确定各参与方角色：数据持有方（各工厂）、协调方（品牌企业）、审计方（第三方碳核查机构）。
阶段二：供应链链路与物料条目对齐。上下游工厂匹配 BOM 物料、批次信息，确认上下游物料对应关系，识别供应链链路。在传统模式，需要交换完整 BOM 清单；隐私计算场景使用 PSI 完成集合对齐。
阶段三：分布式能碳指标采集。各工厂在本地 MES、EMS、能源监测系统采集能耗、原料消耗、工艺参数，数据保存在工厂本地，不上传原始数据。
阶段四：多方联合碳核算与碳足迹汇总。利用隐私计算，多方协同计算产品全链条碳排放、单位产品碳足迹。可以分为两类计算需求：一类是统计类计算，如多方能耗求和、排放均值；另一类是建模估算，利用联邦学习训练碳足迹预测模型，对缺少直接监测数据的工厂做排放估算。
阶段五：结果审计与 ESG 披露。输出汇总后的碳足迹结果，生成可审计的证据链，提交审计机构核验，最终用于 ESG 报告、产品碳标签、CBAM 申报等披露场景。

3.2 传统中心化模式风险识别

3.2.1 商业秘密泄露风险

工厂单位产品能耗、工艺参数、产线能耗基线，直接决定生产成本。原始数据集中提交，品牌方或平台运维方可以分析供应商成本、产能、生产瓶颈，损害供应商商业利益，造成供应链信任危机，供应商抵触数据报送。

3.2.2 数据安全与网络安全风险

原始能碳台账集中存储在中心化服务器，一旦平台发生数据泄露、黑客攻击，大量工厂敏感数据批量外泄，引发企业损失与舆情风险。

3.2.3 数据合规风险

根据《数据安全法》，企业重要经营数据的对外提供、出境，需要开展数据安全评估。原始能耗、工艺数据出境属于高风险场景，评估流程复杂、周期长、成本高。传统集中模式将原始数据传出企业边界，极易触碰数据出境监管红线。不同国家地区的数据保护法规存在差异，跨境供应链场景合规成本成倍上升。

3.2.4 数据质量与可信度风险

供应商出于商业保护动机，存在选择性填报、篡改能耗数据的动机。中心化模式缺少可信核验手段，品牌方难以判断上报数据真实性，碳核算结果失真，ESG 披露存在错报风险，面临监管处罚。

3.3 隐私计算模式下风险转变

隐私计算不是消除全部风险，而是风险转移：将 “原始明文数据泄露风险” 转化为 “模型参数泄露、梯度反推、协议攻击、参与方恶意行为” 等密码学层面风险。

• 不再传输原始能耗、工艺样本，从根源降低原始数据外泄、商业秘密泄露风险；

• 跨境场景下，传输内容是模型梯度、哈希摘要、PSI 交集结果、聚合统计值，不属于原始业务数据，大幅降低跨境数据合规门槛；

• 风险新来源：梯度反演攻击、投毒攻击（工厂上传虚假梯度污染全局模型）、PSI 哈希碰撞、隐私计算节点单点故障、协议实现漏洞。
本架构设计中将针对性设置安全机制，抑制此类风险。

4 隐私计算跨厂能碳协同披露应用架构设计

4.1 架构总体设计原则

1. 数据本地驻留原则：所有工厂原始能耗、工艺、BOM 数据，永久保存在工厂本地节点，不向外明文传输；

2. 业务驱动，技术适配：架构优先匹配 ISO14067、GHG Protocol 碳核算业务流程，隐私计算引擎适配碳核算业务，而非业务适配密码协议；

3. 可审计原则：计算过程留存密码学证据，支持第三方审计机构对核算结果核验，满足 ESG 披露核查要求；

4. 异构系统兼容：适配制造业工厂现有 MES、EMS、ERP、能源监测平台，减少工厂改造工作量；

5. 分级部署、弹性扩展：支持同城跨厂、国内跨区域工厂、跨境工厂多场景部署，参与工厂可以动态加入、退出协同网络；

6. 最小权限原则：不同角色（工厂、协调方、审计方）权限隔离，仅能获取业务必需信息。

4.2 分层架构整体框架

架构分为四层，自上而下依次为：业务应用层、隐私计算引擎层、本地数据接入层、安全基础设施层。同时配套统一的协同管理与审计中台，贯穿四层架构。

4.2.1 业务应用层

面向碳核算业务人员、ESG 管理人员、审计人员，封装业务功能，屏蔽底层密码学细节。模块包含：

1. 协同项目管理模块：创建跨厂碳核算项目，定义核算边界、产品范围、参与工厂清单、核算周期；管理参与方准入、角色授权、项目启停。

2. 供应链 BOM 链路对齐模块：调用 PSI 能力，完成上下游物料、产品批次集合匹配，输出供应链链路交集清单；不暴露工厂完整 BOM。

3. 分布式碳核算模块：配置碳核算公式，发起多方隐私统计计算，完成 Scope1/Scope2 汇总，Scope3 上游排放归集。

4. 联邦碳建模模块：联邦学习任务管理，配置碳足迹模型、特征选择、训练轮次，启动多方联邦训练，评估模型效果，用于缺数据工厂排放估算。

5. ESG 结果披露与审计取证模块：聚合输出产品碳足迹、全供应链排放汇总结果；生成审计存证、计算日志、密码学证明材料，供第三方审计核验，导出 ESG 报告所需指标。

业务应用层面向用户，所有操作请求下发到隐私计算引擎层。

4.2.2 隐私计算引擎层

架构核心层，提供 PSI、联邦学习、安全统计计算等隐私计算协议能力，接收业务层任务，调度多方节点协同计算。包含子模块：

1. PSI 协议组件：支持多种 PSI 算法，针对大规模 BOM 物料集合优化，支持多参与方集合求交，输出交集 ID，用于上下游物料匹配。针对制造业 BOM 条目数量大的特点，做布隆过滤器、哈希分片优化，降低通信开销。

2. 联邦学习组件：支持横向联邦、纵向联邦、联邦迁移学习。包含本地训练调度、参数加密上传、安全聚合、全局模型下发、模型评估。碳核算场景主要使用纵向联邦：先通过 PSI 对齐样本 ID（物料 / 产品批次），再多方联合训练碳足迹估算模型。

3. 安全统计组件：基于 MPC / 差分隐私，完成多方隐私求和、均值、加权汇总，支撑基础碳排放指标汇总计算。

4. 任务调度与节点通信组件：管理多方节点之间加密通信，任务分片、超时重试、节点状态监控；

5. 密码基础组件：哈希、非对称加密、对称加密、签名、差分隐私噪声注入等基础密码原语。

引擎层不存储任何工厂原始业务数据，只处理加密参数、梯度、计算中间结果。

4.2.3 本地数据接入层

部署在每一家工厂本地，是工厂原有 IT 系统与隐私计算引擎之间的网关。每一个工厂独立部署一套本地接入节点。
核心模块：

1. 数据采集适配器：对接工厂 MES、EMS、能源管理系统、ERP，读取能耗、物料、工艺、排放台账；支持数据库对接、API、文件导入多种方式；

2. 本地数据预处理模块：在工厂本地完成数据清洗、异常值过滤、特征工程、排放因子本地计算，所有处理均不出工厂；

3. 数据脱敏与特征加密模块：本地对字段做预处理，支持字段哈希、匿名化，用于 PSI 集合输入；

4. 本地计算客户端：执行联邦学习本地模型训练，生成本地梯度；执行 PSI 本地集合准备；响应协同任务调度指令；

5. 本地访问控制模块：控制工厂内部人员访问权限，记录本地数据读取日志。

该层是保障原始数据不出厂的关键，全部原始数据的读取、预处理、本地训练都在工厂内网完成。

4.2.4 安全基础设施层

支撑全架构安全运行，包含：

• 网络安全：节点之间 TLS 加密通信、VPN 专线隔离，跨境节点使用合规加密通道；

• 密钥管理系统：统一密钥生成、分发、轮换、销毁，密钥分级管理；

• 身份认证与权限管理：所有参与节点、用户使用数字证书身份认证；

• 存证与日志系统：全链路操作日志、计算任务日志、参数上传日志上链或安全存证，不可篡改，用于审计追溯；

• 入侵检测、节点安全加固，抵御恶意访问。

4.2.5 跨层协同审计中台

作为贯穿四层的管理模块，独立于计算流程，负责：

• 记录所有协同任务发起方、参与方、任务参数、计算时间；

• 留存密码学证明、计算校验哈希；

• 审计方接入接口，在不获取原始数据前提下，核验计算结果真实性；

• 风险告警：识别异常梯度、节点离线、恶意投毒行为并告警。

4.3 角色与信任模型定义

架构内定义四类参与角色，权责分离：

1. 工厂数据持有方：原始数据所有者，部署本地接入节点；本地存储能耗工艺数据，执行本地 PSI、联邦训练；仅对外输出加密梯度、哈希集合摘要、聚合结果；

2. 协同协调方（品牌企业）：发起碳核算项目，调度隐私计算任务，接收最终汇总碳足迹结果；无法访问任何工厂原始数据；

3. 第三方审计机构：接入审计中台，核验计算过程证据，确认碳核算结果可信；不获取原始能耗与工艺数据；

4. 隐私计算平台运维方：负责引擎运维，无权限解密、读取业务原始数据，仅维护计算节点可用性。

信任模型：假设多数参与方诚实，存在少量半诚实或恶意节点；架构通过安全聚合、梯度异常检测、投毒识别抵御恶意节点攻击。不假设协调方完全可信，协调方不能单独恢复工厂原始数据。

4.4 跨厂协同计算整体交互流程

1. 项目初始化：协调方发起碳协同项目，各工厂完成节点注册、身份证书颁发，确定核算边界；

2. 本地数据准备：各工厂在本地接入层读取 MES/EMS 能耗 BOM 数据，清洗预处理；

3. PSI 样本对齐：各工厂将物料 / 批次 ID 在本地做哈希处理，多方执行隐私集合求交，得到上下游匹配的物料交集；整个过程不会泄露非交集 BOM 条目；

4. 联邦建模初始化：基于 PSI 对齐后的共同样本，初始化全局碳足迹模型；

5. 本地模型训练：各工厂使用本地能耗、工艺数据训练模型，生成本地梯度；

6. 加密参数上传：工厂将梯度加密后上传至隐私计算引擎；原始样本保留在工厂本地；

7. 安全聚合：引擎对多方加密梯度做安全聚合，更新全局模型；

8. 全局模型下发：更新后的全局模型下发回各工厂，迭代训练直到模型收敛；

9. 隐私统计汇总：利用安全 MPC 组件，多方联合计算 Scope1/2/Scope3 汇总排放、单位产品碳足迹；

10. 审计存证：全部计算日志、密码学证明存入审计中台；

11. 输出披露结果：向协调方输出最终碳足迹汇总指标，用于 ESG 披露；审计机构核验证据。

5 隐私集合求交（PSI）在制造业 ESG 协同场景工程化方案

5.1 PSI 业务定位

在跨厂碳协同场景，PSI 解决供应链上下游实体、物料清单、产品批次的隐私对齐问题。供应链碳足迹溯源，核心是找到上游工厂输出的物料，对应下游工厂的原料投入，形成完整 BOM 链路。如果直接交换完整 BOM 清单，等于泄露企业产品配方、全部供应商名录，属于核心商业秘密。PSI 可以在不泄露完整 BOM 前提下，找到上下游共同存在的物料条目，构建供应链链路。

应用场景细分：
场景 1：上下游工厂物料编码匹配，识别 BOM 上下级物料；
场景 2：多工厂产品批次对齐，追踪同批次产品跨工厂流转；
场景 3：供应商名录交集匹配，品牌方和上游工厂共同确认供应链成员；
场景 4：排放台账条目匹配，统一核算口径对应的统计条目。

5.2 PSI 工程化选型

制造业 BOM 清单往往条目规模大，单工厂物料集合可能数万至百万级条目。需要根据参与方数量选择 PSI 协议：

• 两方场景：使用基于不经意传输（OT）的高效 PSI 方案，适合上下游两个工厂 BOM 对齐；

• 多方场景（3 个及以上工厂）：使用多参与者 PSI，基于布隆过滤器做预处理，降低通信开销；

• 优化策略：本地对物料 ID 做标准化、编码清洗，统一字段格式；使用加盐哈希，防止字典猜测攻击；设置集合大小隐藏，避免对方通过集合规模推断业务体量。

工程实现上，PSI 任务独立于碳核算建模任务，作为前置环节。先 PSI 对齐样本 ID，对齐结果作为联邦学习的样本基础。PSI 仅输出交集 ID，交集 ID 本身不携带能耗、工艺数值。

5.3 PSI 工程实施流程

1. 各工厂本地 BOM 预处理：清洗物料编码，剔除无效条目，构建本地集合；

2. 本地加盐哈希：工厂在本地对集合元素执行加盐哈希，生成哈希集合；盐值由各工厂独立保管，不对外公开；

3. 发起 PSI 任务：隐私计算引擎调度多方 PSI 协议交互；

4. 协议交互，计算交集：多方交换哈希摘要，执行 PSI 协议，仅输出交集物料编号；

5. 交集输出：交集结果下发至各参与方，作为后续联邦学习、碳核算的样本索引；非交集物料全程不对外泄露；

6. 结果校验与日志存证：PSI 任务交互日志、哈希参数存入审计中台。

5.4 PSI 场景风险与控制措施

风险 1：哈希字典攻击。攻击者利用行业通用物料编码字典，尝试反推原始 BOM 条目。
防控：使用高安全强度加盐哈希，盐值本地独立保存，定期轮换；禁止使用无盐简单哈希。

风险 2：集合大小泄露。通过 PSI 交互流量、集合摘要大小，推断对方物料条目总量，间接推断产能规模。
防控：使用集合大小隐藏 PSI 协议；添加布隆过滤器冗余条目，掩盖真实集合规模。

风险 3：脏数据导致匹配错误。不同工厂物料编码口径不一致，PSI 匹配失败。
防控：在 PSI 前置环节，建立物料编码标准化词典，本地完成编码映射，保证对齐有效性。

6 联邦学习在联合碳核算、供应链碳足迹汇总工程化方案

6.1 联邦学习业务定位

PSI 完成样本 ID 对齐之后，使用联邦学习实现多方联合碳足迹建模。不同工厂拥有不同特征：上游工厂拥有原料排放数据，生产工厂拥有能耗、工艺参数，下游拥有产品产出数据。各工厂特征空间不同，属于纵向联邦学习典型场景。

联邦学习的业务价值分为两类：
第一，碳足迹估算模型训练。部分上游二级、三级供应商监测能力不足，缺少直接排放监测数据。多方联合训练全局碳足迹模型，利用各工厂本地能耗、工艺特征，估算产品单位碳排放。模型训练全程原始数据不出厂，仅交换加密梯度。
第二，碳核算结果校验与异常识别。通过联邦模型识别异常能耗、异常排放台账，识别数据填报造假，提升碳核算可信度，支撑 ESG 审计。

除联邦建模外，简单的多方排放求和、汇总统计，可搭配安全多方计算 MPC 完成，作为联邦学习的补充。

6.2 联邦学习模式选型

1. 纵向联邦学习（核心）：参与工厂样本（物料 / 产品批次）ID 通过 PSI 对齐；各工厂持有不同特征列。例如工厂 A 持有原料消耗量，工厂 B 持有产线电耗、蒸汽消耗。联合训练全局碳足迹回归模型，预测单位产品碳排放。这是跨厂供应链碳足迹汇总最主要模式。

2. 联邦迁移学习：当上下游工厂样本重叠很少，PSI 交集规模不足，使用联邦迁移学习，利用相似产线、同类产品知识迁移，对缺少样本的工厂构建排放估算模型，适配长链条多级供应链。

3. 横向联邦仅适用于多个同类型工厂，特征维度完全一致，例如多个同工艺分厂，联合训练能耗基线模型，作为辅助场景。

碳足迹模型类型：以回归模型为主，线性回归、梯度提升树（XGBoost/LightGBM）、浅层神经网络，用于单位产品碳排放预测。工程落地优先选择树模型，训练收敛稳定、可解释性强，便于碳审计理解模型逻辑。深度学习仅用于复杂工艺非线性能耗场景，谨慎使用，降低梯度反演风险。

6.3 联邦学习工程化实施流程

1. 前置 PSI 对齐样本 ID，确定共同样本集；

2. 全局模型初始化：协调方定义碳足迹模型结构、损失函数、训练超参数；下发模型初始结构至所有参与工厂；

3. 本地特征准备：各工厂在本地筛选特征，特征包含：电耗、蒸汽、燃气消耗、原料投入量、工艺温度、生产时长等；本地完成缺失值填充、归一化；

4. 本地训练迭代：各工厂加载本地数据，执行一轮模型训练，计算梯度；

5. 梯度加密上传：梯度做加密处理，上传至隐私计算引擎；原始样本不离开工厂内网；

6. 安全聚合：引擎对多方梯度进行安全聚合，计算全局梯度，更新全局模型参数；

7. 全局模型下发：更新后的全局模型分发到各工厂本地；

8. 迭代训练：循环本地训练 - 上传梯度 - 聚合 - 下发，直到模型收敛，达到预设精度；

9. 模型评估：各工厂本地使用本地测试集评估全局模型效果，评估指标（MAE、RMSE）加密汇总；

10. 模型部署与推理：收敛后的全局模型下发至各工厂本地，在本地执行推理，估算产品碳足迹；

11. 结果汇总与存证：多方本地推理得到的排放结果，通过隐私统计组件完成全供应链碳足迹汇总；训练日志、聚合记录存入审计中台。

6.4 联邦学习安全风险与工程防控

1. 梯度反演攻击：攻击者利用上传梯度，反向还原工厂原始样本数据。
防控：梯度裁剪、差分隐私注入噪声，限制梯度信息量；选用可解释性强的树模型，降低反演可行性；限制单轮梯度上传的信息容量。

2. 模型投毒攻击：恶意工厂上传虚假梯度，污染全局模型，篡改碳核算结果。
防控：梯度异常检测机制，识别偏离正常分布的梯度；引入多方投票机制，剔除异常节点；设置参与方准入与行为审计，恶意节点自动踢出协同网络。

3. 特征泄露风险：通过模型参数推断工厂特征分布。
防控：特征工程在工厂本地完成，特征选择最小化原则，仅选择碳核算必需字段；不引入多余敏感工艺特征。

6.5 联邦学习与传统碳核算的融合

隐私计算不是替代 ISO14067、GHG Protocol 核算方法，而是在原有核算方法论不变前提下，改变数据汇聚方式。核算公式、排放因子、边界规则依然遵循标准；隐私计算解决的是多方数据联合计算的隐私与合规问题。对于有直接监测数据的工厂，可以直接本地计算 Scope1、Scope2，再用隐私统计汇总；监测缺失的工厂，用联邦模型估算排放，两种路径并行，共同完成 Scope3 汇总。

7 架构安全保障与跨境数据合规分析

7.1 整体安全保障体系

安全体系分为计算安全、节点安全、运维安全、审计存证四部分。
计算安全：PSI、联邦学习协议密码学安全，梯度加密、安全聚合、差分隐私，抵御密码学攻击；
节点安全：每个工厂本地节点独立隔离，内网部署，最小权限访问，操作系统安全加固；
运维安全：密钥全生命周期管理，运维人员权限隔离，运维操作审计，禁止运维人员读取业务数据；
审计存证：全链路操作日志、计算任务参数、聚合哈希，不可篡改存证；审计方仅核验结果正确性，无法获取原始数据。

7.2 跨企业数据合规分析

在国内跨企业场景，《数据安全法》《反不正当竞争法》保护企业商业秘密。传统模式属于原始经营数据对外提供；本架构中原始数据不出企业边界，对外传输内容是哈希摘要、加密梯度、聚合统计结果。

需要区分法律上的数据类型：

• 原始能耗、工艺台账：属于企业经营秘密，保存在本地，不对外传输；

• 模型梯度、哈希摘要、聚合汇总指标：不属于原始业务数据。
企业之间协同，不发生原始数据转移，大幅降低数据对外提供的合规风险。但企业仍需要签署多方协同协议，明确参与方权责、模型使用范围、结果使用限制、保密义务。

7.3 跨境供应链场景合规边界

跨境场景是本架构重点解决的难点。跨境供应链中，工厂分布在不同国家 / 地区，不同司法辖区数据保护法规差异巨大。

1. 原始数据不出境：所有工厂原始能耗工艺数据保留在工厂所在国家本地内网，原始数据不跨境传输，从根源规避原始数据出境评估义务；

2. 跨境传输内容：仅加密梯度、PSI 交集摘要、最终汇总碳足迹结果跨境传输；

3. 合规评估要点：需要区分梯度、模型参数是否属于当地法规定义的 “受保护经营数据”，根据属地法规开展评估；

4. 部署模式选型：跨境场景推荐分布式节点独立部署，不在单一国家集中部署计算节点；可以采用中立协调节点或者多方对等架构，避免数据集中至单一司法辖区。

重要边界提示：隐私计算技术本身不能自动豁免全部跨境数据合规义务，仅改变数据跨境传输内容。项目落地前，需要结合项目属地法规，由法务开展专项合规评估，签署跨境多方合作协议，明确模型、计算结果使用边界。

8 架构性能评估与工程落地实施路径

8.1 性能评估维度

工程落地需要评估四类指标：计算性能、通信开销、精度损耗、运维成本。

1. 计算耗时：PSI 耗时随物料集合规模上升；联邦学习训练耗时取决于工厂节点数量、模型复杂度、训练轮次。百万级 BOM 条目 PSI 任务，可通过分片并行优化；树模型联邦训练工程上可满足月度碳核算周期的业务需求，碳核算属于离线批量任务，对实时性要求低。

2. 通信开销：PSI、联邦学习主要开销在多方网络通信。跨境节点网络延迟高，可通过批量任务、压缩梯度降低通信流量；碳核算为月度 / 季度离线任务，可错峰执行计算任务。

3. 模型精度损耗：差分隐私噪声、梯度压缩会带来轻微精度下降。在碳核算场景，在可接受误差范围内平衡隐私保护与核算精度；设置隐私预算管控差分隐私噪声强度。

4. 运维成本：每个工厂需要部署本地隐私计算客户端，对接现有 EMS/MES 系统。对于大型集团自有多工厂，部署成本可控；中小供应商工厂可以轻量化容器化部署，降低改造投入。

8.2 工程落地实施路径，分三阶段

阶段一：小规模试点验证（POC 阶段）

选取 2-4 家上下游工厂作为试点，产品链路简单，核算边界清晰。目标验证：PSI 完成 BOM 物料对齐、纵向联邦模型训练、多方碳汇总。验证业务可行性、系统对接难度、性能瓶颈、隐私风险。输出试点报告，优化协议参数、数据对接适配器。

阶段二：扩大试点，多工厂协同

扩展至 6~15 家工厂，覆盖多级供应商，引入第三方审计机构接入审计中台。验证多节点并发任务、节点动态加入退出、审计取证流程；完善权限体系、异常告警机制；形成标准化项目实施模板、数据接入规范、多方协议模板。

阶段三：规模化产业网络部署

搭建常态化跨厂能碳协同网络，支持数十家工厂动态参与，支持跨境节点接入；形成标准化服务，支撑常态化 ESG 披露、产品碳标签、CBAM 申报。建立长期运维、安全巡检、定期合规评估机制。

8.3 落地约束与局限

1. 隐私计算带来额外计算与通信开销，相比中心化模式，计算时间、网络资源消耗更高；

2. 数据质量依赖工厂本地原始数据质量，脏数据、缺失数据依然会影响最终核算结果，隐私计算无法自动修复源头数据质量；

3. 隐私计算可以保护原始数据，但不能解决企业主观恶意篡改本地原始数据的问题，需要配套现场核查、物联网可信采集等手段作为补充；

4. 模型、计算结果依然属于商业信息，需要通过合同约束使用范围，防止汇总结果滥用。

9 结论与展望

9.1 研究结论

本研究面向多方工厂能碳数据协同披露场景，构建了基于隐私计算的跨厂能碳协同披露应用架构，以 PSI 和联邦学习为核心技术，实现各工厂原始能耗、工艺数据不出本地域前提下，联合碳核算与供应链碳足迹汇总。主要结论如下：

第一，传统中心化数据汇聚模式，在制造业跨厂 ESG 碳足迹协同场景，同时存在商业秘密泄露、跨企业 / 跨境数据合规、供应链信任三重痛点；隐私计算通过 “数据不动，结果流动”，将风险由原始明文泄露转化为可控的密码学层面风险，为产业链能碳协同提供可行技术路径。

第二，PSI 适合作为供应链协同前置环节，完成上下游 BOM、物料批次隐私对齐，在不暴露完整物料清单前提下构建供应链链路；纵向联邦学习 + 联邦迁移学习适合多工厂分布式碳足迹模型训练，用于缺监测数据工厂的排放估算；两者组合可以完整支撑 Scope3 供应链碳足迹汇总业务。

第三，本研究设计的四层分层架构，适配制造业异构 MES、EMS 系统，配套审计中台，满足 ESG 披露第三方审计取证要求；架构支持国内跨厂、跨境供应链多场景分级部署，明确不同角色权限隔离机制。

第四，隐私计算是技术工具，不能替代碳核算标准、企业法务合规评估。跨境场景下，虽然原始数据不跨境传输，但仍需要依据属地法律法规，开展合规评估，通过多方协议约束参与方权责，平衡隐私保护、核算可信度与合规要求。

9.2 未来研究展望

后续可以从以下方向深化研究：

1. 结合可信执行环境 TEE、区块链存证，进一步增强计算过程可信性，提升审计取证能力；

2. 优化隐私计算协议，降低大规模工厂网络下 PSI、联邦学习通信开销，提升工程性能；

3. 构建隐私计算 + 物联网可信采集融合方案，从源头抑制本地数据篡改风险；

4. 研究隐私计算输出的碳核算结果，在国际 CBAM、境外 ESG 披露框架下的采信机制；

5. 面向行业标准化，推动隐私计算在碳足迹协同核算领域的行业规范、接口标准建设。

数据来源与免责声明

数据来源

1. 碳排放核算方法论参考：GHG Protocol 企业核算与报告标准、ISO14064-1、ISO14067 产品碳足迹标准；

2. 隐私计算技术理论基础：联邦学习、隐私集合求交相关公开学术文献、国内隐私计算技术标准；

3. 业务场景依据：泷码软件研究院制造业供应链 ESG 与碳管理项目调研、多工厂能碳系统对接工程实践；

4. 合规法规参考：《中华人民共和国数据安全法》《中华人民共和国反不正当竞争法》、数据出境安全评估相关管理规定、欧盟 CBAM 基础规则。
本研究架构性能、业务流程分析为理论建模与工程推演结果，未引用特定企业涉密原始能碳数据。

免责声明

1. 本报告为泷码软件研究院学术研究成果，仅用于学术研讨、技术方案研究，不构成任何商业承诺、法律意见、合规担保。隐私计算技术的落地效果受工厂 IT 环境、网络条件、参与方治理、属地法律法规多重因素影响。

2. 报告中提出的技术架构、工程方案不代表可以直接豁免全部数据安全、跨境数据、商业秘密相关法律义务；任何项目落地前，企业应当自行聘请专业法务、数据合规顾问开展专项评估。

3. 本研究所有推演、性能分析为理论模拟结果，不代表项目实施后一定达到预期效果；项目实际实施效果取决于试点实施、系统改造、多方主体协同治理水平。

4. 报告不涉及任何企业真实涉密能耗、工艺原始数据，所有案例为通用制造业场景抽象建模；任何单位依据本报告开展商业实践所产生的风险、损失，泷码软件研究院、泷码软件（上海）有限公司不承担相关法律责任。

5. 本报告知识产权归泷码软件研究院、泷码软件（上海）有限公司所有，未经书面许可，不得篡改、二次分发用于商业宣传。