对于PSI，Indra平台采用基于OT和基于公钥两种形式。两种PSI算法分别适用于合作方数据集和客户数据集差不多大、合作方数据集远远大于客户数据集两种情形。Indra平台的PSI算法既适用于普通的求交集计算，也适用于联邦学习的训练和预测阶段，钱小乐作为管理中心可以提供多方（不仅仅是两方）数据集合求交集。

  钱小乐研发团队做了大量的优化工作，使得求交效率大大提升，支持最大的求交数据量集达到10亿*10亿，并且数据几乎无损。

联邦学习（Federated Learning）是一种新兴的人工智能基础技术，也是隐私计算领域最主要的赛道之一。

  联邦学习是一种分布式机器学习技术和系统，包括两个或多个参与方，这些参与方通过安全的算法协议进行联合机器学习，可以在各方数据不出本地域的情况下，通过交换中间数据的形式，保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习，联合建模和提供模型推理与预测服务。而且通过联邦学习的方式与传统的中心式机器学习模型效果几乎相同。

  想要构建完善的数据安全保护生态系统，仅靠单一技术是不够的，由于隐私计算技术本身与区块链对于计算安全性、保密性的需求高度吻合，钱小乐隐私计算平台Indra与区块链技术进行有机结合，实现多节点间的协同计算和数据隐私保护。同时区块链技术还可以为Indra平台提供公平、透明、合理的激励分配机制，克服安全多方计算内在的缺陷，充分调动合作方提供高质量数据、诚实参与计算的积极性。