PrimiHub一款由密码学专家团队打造的开源隐私计算平台，专注于分享数据安全、密码学、联邦学习、同态加密等隐私计算领域的技术和内容。

清洁室和隐私增强技术（PETs）提供了在专为保护数据而设计的环境中分享、分析和激活数据的方法。

广告商和媒体所有者正在采用这些解决方案，以共同改进洞察力，并运行更明智和更有效的广告活动。随着行业制定清洁室标准和最佳实践的过程已经开始，广告商、代理商和媒体所有者开始提出更多问题。本文回答了其中六个问题。

1. 什么是哈希，它是如何工作的？

哈希是一组技术，可以以一种保留其唯一性但使其不可能移除伪装（不知道原始标识符的情况下）的方式来伪装标识符。例如，在将受众ID传递给DSP的出价请求中，可以在传递之前对其进行唯一哈希处理。许多流行的基于电子邮件的ID使用哈希（例如UID2.0和LiveIntent）或伪匿名化（即LiveRamp的RampID）来通过出价流传递用户数据，以最小化数据泄漏的风险。这些经过哈希处理的基于电子邮件的标识符可以实现出版商的货币化，不再过于依赖浏览器和OEM未来的决定，从而使出版商对其数据有更多的控制。

然而，哈希技术也有一些缺点。例如，在跨合作伙伴进行匹配时，需要所有合作伙伴知道一个共享密钥（通常称为盐）。尽管已知密钥时无法直接显示哈希标识符，但拥有密钥的任何合作伙伴都可以发现该哈希标识符是否出现在其自己的数据中，如果出现，就会显示标识符本身。相关的缺点是，哈希标识符只能用于检查是否与使用完全相同的密钥哈希的另一个标识符完全匹配。

新的密码学技术，如多方计算（MPC）和同态加密，提供了更灵活的匹配数据选项，而不必暴露数据。例如，MPC允许每个数据贡献者使用自己的私钥（而不是共享密钥）来加密其数据，同时仍允许SSP进行标识符匹配（即使它们是使用不同的密钥加密的）。

2. 数据匹配是否安全？

是的，当两方或多方共享数据时，访问、可用性和使用会事先得到约定 -——包括考虑隐私法律要求，然后由清洁室提供者执行这些协议。使用基于云的分布式存储的清洁室和PETs允许涉及的每个方控制自己的数据，从而在保护数据的同时实现了限定目的的合作。存储哈希用户数据而不将其从环境中移除的能力有助于涉及方遵守隐私法律并通过丰富化获得更多价值。

3. 当Cookie消失时会发生什么？

保护隐私的数据匹配解决方案将变得更加重要。数据匹配允许买家和卖家建立一个扩展的方法来匹配第一方数据，以保持准确定位和测量受众的能力，并在受控环境中进行。旨在替代第三方Cookie的一系列新广告标识符也可以与数据匹配一起使用，以提供更大规模和准确性的目标和测量，通过提高匹配率来实现。目前的清洁室匹配率平均约为50％，清洁室提供商和标识符之间的互操作性是一个关键焦点。

4. 这对出版商和广告商意味着什么？

目前，大多数出版商和广告商正在利用清洁室进行洞察力分析，将数据集合并以了解受众行为和重叠，以指导广告活动计划。例如，一个健身品牌可能只知道关于客户的基本交易数据以及他们喜欢保持健康。将这些数据与出版商的行为数据进行匹配可以进行数据丰富化，了解客户除了健身之外的兴趣，这可以让品牌更好地了解他们应该针对什么样的内容进行广告。

下一步将是利用激活层，他们可以根据已匹配的用户执行广告活动，这些用户的数据已经被哈希和加密。尽管像Google、Amazon和Meta这样的公司提供了这样的功能，但这些封闭的花园型清洁房间主要是为了在自己的媒体上进行广告投放，不会将广告后用户级别的数据发送回广告商。独立供应商可以帮助在封闭花园之外的程序化环境中激活数据，这也将有助于广告商扩展其第一方数据集。

5. 激活在出价请求中是什么样子的？

为了激活匹配的数据集，出版商和品牌需要利用出价流中的现有标识符或通过其自己的ID在广告请求中。通过对出版商或品牌ID进行哈希处理，我们能够限制在出价流中显示此个人数据的范围。

6. 为什么不是每个人都在使用清洁室？

缺乏资源、难以证明投资回报率、缺乏互操作性以及继续使用第三方Cookie的便利性都降低了采用清洁室的紧迫性，尽管清洁室提供商之间的标准化和互操作性应有助于采用。例如，IAB技术实验室的“开放私有连接和激活”（OPJA）正在创建一种标准方式，使数据清洁室提供商能够让他们的客户在广告定位和最大规模的同时匹配数据集。

数据匹配的未来

虽然清洁室是没有第三方Cookie的广告生态系统的起点，但未来的数据共享将是在数据所在的地方进行加密，然后在需要时进行激活。那些使用清洁室的人正在围绕受众建模（例如，相似受众）、洞察和归因进行创新；但激活这样的数据至关重要。这是带有内置激活路径的PETs将有助于出版商的地方，为他们提供一种将匹配的数据附加到广告机会并以注重隐私的方式呈现给买家的方法。

原文地址：6 things you want to ask about data clean rooms explained
原文作者：Pete Danks
翻译 & 整理：开放隐私计算 & PrimiHub