PrimiHub一款由密碼學專家團隊打造的開源隱私計算平臺，專注於分享資料安全、密碼學、聯邦學習、同態加密等隱私計算領域的技術和內容。
清潔室和隱私增強技術（PETs）提供了在專為保護資料而設計的環境中分享、分析和啟用資料的方法。
廣告商和媒體所有者正在採用這些解決方案，以共同改進洞察力，並執行更明智和更有效的廣告活動。隨著行業制定清潔室標準和最佳實踐的過程已經開始，廣告商、代理商和媒體所有者開始提出更多問題。本文回答了其中六個問題。
1. 什麼是雜湊，它是如何工作的？
雜湊是一組技術，可以以一種保留其唯一性但使其不可能移除偽裝（不知道原始識別符號的情況下）的方式來偽裝識別符號。例如，在將受眾ID傳遞給DSP的出價請求中，可以在傳遞之前對其進行唯一雜湊處理。許多流行的基於電子郵件的ID使用雜湊（例如UID2.0和LiveIntent）或偽匿名化（即LiveRamp的RampID）來透過出價流傳遞使用者資料，以最小化資料洩漏的風險。這些經過雜湊處理的基於電子郵件的識別符號可以實現出版商的貨幣化，不再過於依賴瀏覽器和OEM未來的決定，從而使出版商對其資料有更多的控制。
然而，雜湊技術也有一些缺點。例如，在跨合作伙伴進行匹配時，需要所有合作伙伴知道一個共享金鑰（通常稱為鹽）。儘管已知金鑰時無法直接顯示雜湊識別符號，但擁有金鑰的任何合作伙伴都可以發現該雜湊識別符號是否出現在其自己的資料中，如果出現，就會顯示識別符號本身。相關的缺點是，雜湊識別符號只能用於檢查是否與使用完全相同的金鑰雜湊的另一個識別符號完全匹配。
新的密碼學技術，如多方計算（MPC）和同態加密，提供了更靈活的匹配資料選項，而不必暴露資料。例如，MPC允許每個資料貢獻者使用自己的私鑰（而不是共享金鑰）來加密其資料，同時仍允許SSP進行識別符號匹配（即使它們是使用不同的金鑰加密的）。
2. 資料匹配是否安全？
是的，當兩方或多方共享資料時，訪問、可用性和使用會事先得到約定 -——包括考慮隱私法律要求，然後由清潔室提供者執行這些協議。使用基於雲的分散式儲存的清潔室和PETs允許涉及的每個方控制自己的資料，從而在保護資料的同時實現了限定目的的合作。儲存雜湊使用者資料而不將其從環境中移除的能力有助於涉及方遵守隱私法律並透過豐富化獲得更多價值。
3. 當Cookie消失時會發生什麼？
保護隱私的資料匹配解決方案將變得更加重要。資料匹配允許買家和賣家建立一個擴充套件的方法來匹配第一方資料，以保持準確定位和測量受眾的能力，並在受控環境中進行。旨在替代第三方Cookie的一系列新廣告識別符號也可以與資料匹配一起使用，以提供更大規模和準確性的目標和測量，透過提高匹配率來實現。目前的清潔室匹配率平均約為50％，清潔室提供商和識別符號之間的互操作性是一個關鍵焦點。
4. 這對出版商和廣告商意味著什麼？
目前，大多數出版商和廣告商正在利用清潔室進行洞察力分析，將資料集合並以瞭解受眾行為和重疊，以指導廣告活動計劃。例如，一個健身品牌可能只知道關於客戶的基本交易資料以及他們喜歡保持健康。將這些資料與出版商的行為資料進行匹配可以進行資料豐富化，瞭解客戶除了健身之外的興趣，這可以讓品牌更好地瞭解他們應該針對什麼樣的內容進行廣告。
下一步將是利用啟用層，他們可以根據已匹配的使用者執行廣告活動，這些使用者的資料已經被雜湊和加密。儘管像Google、Amazon和Meta這樣的公司提供了這樣的功能，但這些封閉的花園型清潔房間主要是為了在自己的媒體上進行廣告投放，不會將廣告後使用者級別的資料傳送回廣告商。獨立供應商可以幫助在封閉花園之外的程式化環境中啟用資料，這也將有助於廣告商擴充套件其第一方資料集。
5. 啟用在出價請求中是什麼樣子的？
為了啟用匹配的資料集，出版商和品牌需要利用出價流中的現有識別符號或透過其自己的ID在廣告請求中。透過對出版商或品牌ID進行雜湊處理，我們能夠限制在出價流中顯示此個人資料的範圍。
6. 為什麼不是每個人都在使用清潔室？
缺乏資源、難以證明投資回報率、缺乏互操作性以及繼續使用第三方Cookie的便利性都降低了採用清潔室的緊迫性，儘管清潔室提供商之間的標準化和互操作性應有助於採用。例如，IAB技術實驗室的“開放私有連線和啟用”（OPJA）正在建立一種標準方式，使資料清潔室提供商能夠讓他們的客戶在廣告定位和最大規模的同時匹配資料集。
資料匹配的未來
雖然清潔室是沒有第三方Cookie的廣告生態系統的起點，但未來的資料共享將是在資料所在的地方進行加密，然後在需要時進行啟用。那些使用清潔室的人正在圍繞受眾建模（例如，相似受眾）、洞察和歸因進行創新；但啟用這樣的資料至關重要。這是帶有內建啟用路徑的PETs將有助於出版商的地方，為他們提供一種將匹配的資料附加到廣告機會並以注重隱私的方式呈現給買家的方法。
原文地址：6 things you want to ask about data clean rooms explained
原文作者：Pete Danks
翻譯 & 整理：開放隱私計算 & PrimiHub