用途：该技能用于指导在数据收集、处理、存储与共享环节中选择合适的隐私增强技术（PET），以落实GDPR第25(1)条“设计即保护”与第32(1)条“适当技术措施”的要求。内容依据欧盟委员会2025年2月PET通信及ENISA 2023年隐私工程报告等监管背景整理。
主要能力：覆盖六类PET。差分隐私（DP）通过校准噪声提供(epsilon, delta)可证明保证，开销低，适用于统计分析、聚合报告与敏感数据模型训练，库含Google DP Library、OpenDP、IBM diffprivlib、PyDP。同态加密（HE）支持密文计算，结果精确但开销可达明文的1000至100万倍，方案有BFV、BGV、CKKS、TFHE，库含Microsoft SEAL、HELib、OpenFHE等。安全多方计算（SMPC）实现不暴露各方输入的联合计算，框架含MP-SPDZ、CrypTen、ABY/ABY3、Sharemind。联邦学习（FL）只聚合模型更新，框架含TensorFlow Federated、PySyft、NVIDIA FLARE、Flower、FedML。零知识证明（ZKP）可在不泄露底层数据的前提下证明陈述为真，系统含zk-SNARKs、zk-STARKs、Bulletproofs。可信执行环境（TEE）基于Intel SGX、AMD SEV、ARM TrustZone、AWS Nitro等硬件隔离。
使用方式：文档提供场景匹配矩阵（1至5分打分）与四步决策框架——定义隐私需求、评估约束、评估组合方案（如FL+DP、FL+安全聚合、HE+TEE、SMPC+DP、ZKP+TEE）、验证GDPR对齐；并列出第25(1)、32(1)(a)、5(1)(c)条及Recital 26、78、ENISA报告、EDPB 4/2019指南等参考。
适用场景与限制：适用于聚合分析、分布式医疗数据建模、信贷评分、年龄验证、加密云处理、反洗钱、基因组分析、机密推理、隐私调查、加密关键词搜索等。限制在于各技术成熟度与性能差异大（HE资源需求高、SMPC随参与方增加而扩展、TEE依赖特定硬件），需要密码工程能力；矩阵评分与性能数值为资料给出的一般性参考，具体部署效果暂未提供。