我们通常提到的隐私保护，例如耳熟能详的同态加密（Homomorphic Encryption）、安全多方计算（Secure Multi-Party Computation）、密文搜索等方案均为基于密码学的隐私保护。
其中同态加密的原理在浅浅社区建设贴中有类似的提法，当时以用户发布的文章（动态）为例，给出明确的过程梳理。
这里我们所提到的同态加密，是指我们使用了某个加密函数，该函数允许用户直接对密文进行特定的代数运算，所得到的结果，仍然是加密的结果。
举个例子，浅浅在数自己有多少个LAT，这个时候发现第一个钱包里有10个LAT，第二个钱包里有20个LAT，但是她不想让计算器知道自己有多少个LAT，于是她找到了一个加密函数。这个函数特别神奇，当然对某个数字加密之后得到密文时，1号密文加上2号密文所得到的结果密文，竟然就是1号原文加上2号原文的结果原文加密之后的内容。
这里我们就称这个加密函数，具有加法同态的性质，乘法同态的道理跟这个类似，这里就不过多赘述了。
如果当一个加密函数，同时满足加法同态和乘法同态，我们就称这个加密函数为全同态加密函数。Gentry在他2009年发表的论文 Fully Homomorphic Encryption Using Ideal Lattices 中提出了首个全同态加密的解决办法，此后有很多很多密码学家在他的工作基础上不断地钻研、拓展，直到今天。
我们还可以站在巨人的肩膀上，探索非密码学方向的抗大数据分析的隐私保护，其中就包含数据扰乱、匿名模型还有PPDM。
数据扰乱，是指利用某些特定的方法或策略对当前已有的数据样本做出干扰，防止有心人的非分之想。比如 l-diversity: privacy beyond k-anonymity 中提到的数据泛化，利用数值型或者枚举型的属性值来代替样本中的真实数据，降低样本中的信息粒度。
我举个简单的泛化案例。前几天期末考试的成绩出来了，我语文考了86分，按照五级积分制，我属于乙，这个时候有个男生特讨厌，跑来跟我说，他考了85分，然后问我考多少，我不想理他。我就说，我考了乙级，也就是80~89那一档。这样子我就把我的成绩数据粒度降低了。
但其实这种方法，是有问题的，尤其是在高维向低维泛化的时候，从高到低很简单，从低到高就很困难。这就是另外一个方向要讨论的内容，这里不再展开。
除此之外，数据扰乱还包含数据扭曲、数据清洗以及数据屏蔽。数据扭曲很好理解，就是对原始数据叠加随机数，可能是加法叠加或者乘法叠加，从而实现隐私保护；数据清洗其实跟数据脱敏差不多，就是把这批数据中的稠密关联项去掉，让攻击者很难利用统计学方法去挖掘数据内的关联规则，从而实现隐私保护；数据屏蔽则是利用符号来代替隐私数据中的部分属性值。
