1982年，姚期智院士通过“百万富翁问题”提出了安全双方的计算问题，即两个百万富翁如何在没有第三方参与的情况下比较谁更富有：

安全方的计算可以解释如下：有两个人爱丽丝和鲍勃，爱丽丝有数字A，鲍勃有数字B，如何使用数字A和B一起计算而不用爱丽丝和鲍勃告诉对方数字A和B的具体值

姚期智院士提出了“百万富翁问题”，同时给出了三种解决方案，并讨论了秘密投票、无意协商和数据库私人查询的应用。

此后，戈德里奇在1987年讨论了安全多方计算，并提出了一个可以计算任何函数的安全多方计算协议。Goldreich还从理论上证明了所有安全的多方计算协议都可以通过通用电路估计来实现。然后，在1988年，戈德里奇总结并定义了安全多方计算的安全性。

后来，在1989年，Beaver等人研究了信息论安全模型下的安全多方科学计算问题，提出了一个复杂度不变的安全多方算术运算协议，实现了信息论的安全。

安全多方计算具有理论研究和实际应用价值，在电子投票、隐私保护数据挖掘、机器学习、区块链、生物数据比较、云计算等领域具有广阔的应用前景。

在现实生活中，投票可以通过统一采用空白选票、投票箱、可信的计票人和现场视频广播来确保公平和正义。在电子投票领域，当选民在家投票时，他们的电脑可能会感染病毒，投票结果可能会被恶意获取和篡改。因此，电子投票系统必须确保投票人知道他们的投票信息是否被恶意攻击者正确提交和篡改，同时保护投票人的投票信息不被除计票人之外的其他人获得。安全多方计算为如何在这种分布式环境中保护私有信息和确保结果的正确性提供了一个很好的解决方案。

Cramer等人首先提出了基于ElGamal门限加密技术和零知识证明的多选择一次电子投票方案，然后Damgard等人提出了基于Pailier同态加密技术的多选择多电子投票方案。1992年，藤冈等人利用盲签名技术提出了著名的FOO电子投票协议。数据挖掘作为一种非常有效的数据分析工具，能够发现数据中的隐藏规则，在科学和政策研究、商业决策等方面有着重要的应用。然而，挖掘出的数据中含有大量的敏感信息，因此必须对其进行保护，数据挖掘应该在隐私保护下进行。

在多方数据挖掘中，参与者往往不愿意共享数据，而只愿意共享数据挖掘结果。这种情况在科学和医学研究中非常普遍，例如，各种医疗机构的病人信息是敏感的，不会被披露。安全多方计算的应用可以通过多方合作完成数据挖掘，同时保护各方的数据信息不被泄露。

机器学习已经被应用到各个领域，引起了很多变化，如图像和语音识别、异常检测等。为了在机器学习中取得良好的效果，需要大量的数据进行模型训练。培训数据的隐私保护也是一个问题。当多个组织在模型培训中合作时，数据被分布在不同的参与者中。安全的多方计算可以保护敏感数据的隐私，并使每个组织能够成功地培训模型。

总之，当每个参与者都处于分布式环境中，并且都有数据隐私保护的需求时，应用安全多方计算来解决这个问题是非常合适的。