隐私计算（mpc,tee,fl） 思维导图

原创 已于 2023-08-31 16:45:45 修改 · 391 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#网络安全 #科技 #笔记

于 2023-08-31 16:44:18 首次发布

基于MPC的隐私计算技术——隐私聚合
Hyperchain的博客
01-10 1809
导 读 隐私聚合技术是专用于解决MPC安全多方求和问题的一种特殊协议。能够解决该问题的协议有很多种，包括基于加法同态加密的协议，线性秘密分享的协议等等。本文中的隐私聚合是指基于Google在CCS2017上提出的用于解决联邦学习中梯度安全聚合问题的协议在联邦场景下的优化[1]。 初 识 在联邦学习领域中，我们遇到的一个主要问题是，如何保证在分布式训练中梯度聚合时各客户端梯度的数据安全性。服务器若是直接拿到明文梯度进行聚合，虽然是对梯度进行操作，没有直接操作原数据并不会直接泄露隐私数据，但是对于攻击者来
重磅！中国电信研究院、浦发银行、冲量在线和中国信通院联合发布-隐私计算之TEE技术实践分析
impulseonline的博客
06-09 4433
隐私计算之TEE技术和应用实践分析 大数据时代，数据流通、安全等问题接踵而至。 据IDC预测，全球数据总量预计2020年达到44ZB，我国数据量将达到8060EB，占全球数据总量的18%。2025年全球大数据规模将增长至163ZB，但据统计98%的企业数据都存在数据孤岛问题，各自存储难以流通，使得数据价值无法得到充分利用。随着数据量量级迅速增长，以及数据自身的特殊性质，数据流通安全问题显得尤为重要。除企业和个人对数据隐私愈发重视外，国家在数据流通安全方面的法律法规也逐渐完善，并且推出了一系列法律法规。 .
隐私计算思考
qq_42328228的博客
12-15 500
秘密共享是信息论（无条件）安全；同态加密是计算不可区分安全；可新环境TEE是系统级安全；
隐私计算综述
老码农
08-04 2432
一 背景 ❝ 时光荏苒，一晃从自己开始写公众号到今天，已经有十个月了，刚刚看了下，这十个月的时间里，原创文章写了84篇，结合自己的从事过的方向，写了五大专栏：隐私计算、机器学习框架、机器学习算法、高性能计算、数学等方向。熟悉我的朋友大抵都知道我最初是做纯工程的，做搜广推的架构工程，后续转到了算法领域（机器学习框架与算法都涉及），后来由于项目需要，临危受命负责了京东的联邦学习，又开始搞隐私计算，这一路走来可以说是颇为折腾，感觉自己没有几天是放松的时间，不是在学习就是在学习的路上，没办法，谁让自己爱折腾呢！高T
【论文阅读】一种包含同态加密、差分隐私、多方安全计算的FL隐私保护框架 Efficient and Privacy-Enhanced Federated Learning for Industrial
学渣的博客
03-25 1万+
本文来自：Efficient and Privacy-Enhanced Federated Learning for Industrial Artificial Intelligence 本文提出了一种包含同态加密、差分隐私、多方安全计算的FL隐私保护框架。 目录FLrelated workpreliminariesDeep learning 的差分隐私Methodology FL 大家都知道，就不写了~ related work 首个FL 隐私保护框架： Shokri and Shmatikov [18]
一文搞懂隐私计算
聚集机器学习、信息安全
10-30 3803
隐私计算（Privacy computing）是指在保证数据不对外泄露的前提下，由两个或多个参与方联合完成数据分析计算相关技术的统称。本文介绍了隐私计算的三大关键技术。
联邦学习与可信计算技术TEE、MPC、同态加密的关系
Garvin的专栏
02-10 5244
随着国家对数据安全、数据隐私的要求越来越严格，可信计算越来越受到重视，也会是未来技术发展的重点方向之一。对于这个大众相对比较陌生的领域其实有很多相关的技术，比如TEE、MPC、同态加密等，网上的资料也比较杂，今天分别给大家做下介绍，另外也讲下联邦学习与这些可信计算技术的关系。 3大可信计算技术 可信计算指的是通过技术手段保证数据安全性的计算方式。按照不同的技术路线可以分为3种： 1.TEE（Trusted Execution Environment）：基于硬件的可信执行环境计算 2.MPC（M.
基于MPC技术的隐私计算框架设计源码
09-26
基于MPC技术的隐私计算框架设计源码是一项技术项目，旨在通过多方计算（MPC）技术实现隐私保护的数据处理与分析。多方计算是一种允许多个方在保持各自数据隐私的前提下共同进行计算的方法。这种计算方式在保护个人...
2021隐私计算行业研究报告_甲子光年.pdf
08-21
2. **联邦学习（Federated Learning, FL）**：这是一种分布式机器学习技术，允许各方在不共享原始数据的情况下，通过交换中间计算结果进行联合建模和预测，数据始终留在本地，提升了隐私保护水平。 3. **多方面安全...
精选资源
基于安全多方计算的隐私保护系统设计与实现源码+文档说明（高分毕设）
10-30
基于安全多方计算的隐私保护系统设计与实现源码+文档说明（高分毕设）基于安全多方计算的隐私保护系统设计与实现源码+文档说明（高分毕设）基于安全多方计算的隐私保护系统设计与实现源码+文档说明（高分毕设）基于...
【隐私计算&大模型】MPC安全多方计算矩阵乘法算子的原理分析及模型推理应用介绍（涉及SPDZ、GMW、ABY、ABY2.0、ABY3、Cheetah、CipherGPT、VOLE、模型推理等）
源泉的小广场
10-04 3440
安全多方计算、多方安全计算、MPC、矩阵乘法、乘法原理分析、模型推理、SPDZ、GMW、ABY、ABY2.0、ABY3、Cheetah、CipherGPT、COT、VOLE、Chameleon、模型推理、 大模型推理、安全推理、大模型训练、安全训练、Iron、多项式乘法、CipherGPT
【联邦学习：隐私保护与效率平衡的艺术】
Xu_youyaxianshen的博客
05-22 1772
本文简要介绍了联邦学习的概念、关键技术、优势以及面临的隐私保护挑战和解决方案。希望通过本文，读者能够对联邦学习有一个基本的了解，并认识到其在数据隐私保护方面的重要性。随着技术的不断进步，联邦学习有望在更多领域得到应用，为我们的数据隐私保护提供更加坚实的保障
隐私计算的相关技术
zyjwjck的博客
03-17 1117
即在一个分布式环境中，多个参与者共同完成对某个函数的计算，该函数的输入信息分别由这些参与者提供，且每个参与者的输入信息是保密的，在计算结束后，各参与者获得正确的计算结果，但无法获知其他参与者的输入信息。当协议结束的时候，S无法获得关于b 的任何有价值的信息，而R只能获得mb ，对于m1−b ，R也一无所知。2、同态加密 同态加密即为各参与者将自己的输入加密后一起发给某计算服务器，服务器直接在密文上进行计算，计算后将得到的结果的密文发送给指定结果方，结果方再将结果的密文解密，即可得到最终的计算结果。
隐私计算主流技术
西木风落
01-15 2864
隐私计算目前主流的技术路线有三种：多方安全计算、联邦学习和TEE。 多方安全计算（Secure Multi-party Computation, MPC），是指一组互相不信任的参与者在保护个人隐私的同时，还可以进行协同计算。 TEE（Trusted Execution Environment）是一种具有运算和储存功能，能提供安全性和完整性保护的独立处理环境。 联邦学习本质上是一种分布式机器学习技术，或机器学习框架，主要分为横向联邦学习、纵向联邦学习、联邦迁移学习三大类；
联邦学习入门笔记（四）— 基于差分隐私的FL(ii)
wenzhu2333的博客
05-03 6305
本文详细介绍了DP(差分隐私)+FL(联邦学习)的实现方法，笔者经过一年多的学习，基本上摸清了这个领域的一些套路，这里做一个总结。
个人笔记：隐私计算的基本概念汇总
cryptocxf的博客
07-10 6563
本篇为个人看文献、查资料、读文章时记录的一点点学习笔记，包括隐私计算和隐私保护两个方面。 一、隐私计算 隐私计算（Privacy Computing）的基本概念是一种由两方或者多方联合计算的技术和系统，参与方在不泄露各自数据的前提下通过协作对他们的数据进行联合机器学习和联合分析，且计算结果可被验证。 隐私计算很容易被理解为一种保护隐私的技术，把重点落在隐私上，但实际上隐私计算的重点是在计算上。 隐私计算的主要作用：对消费者而言，隐私计算应用有助于保障个人信息安全；对企业和机构而言，隐私计算是数据协作过程中履
隐私计算-密码学-同态加密
老码农
12-08 3206
文章目录1 隐私计算综述2 隐私计算发展史3 加密技术概述4 同态加密的历史5 什么是同态加密6 同态加密的定义6.1 场景定义6.2 核心流程6.3 HE的分类7 同态加密库Paillier7.1 Paillier算法7.2 秘钥生成7.3 明文加密7.4 密文解密7.5 相关代码8 参考资料9 番外篇 1 隐私计算综述 近年来，随着大数据与人工智能的盛行，针对个人的个性化的推荐技术的不断发展，人们在享受便利的同时，也深深的感觉到无处不在的监控与监事，比如刚刚浏览了一个网站的商品，当去其他网站访问的时候
TEE（可信执行环境）介绍
热门推荐
阿飞的博客
07-24 1万+
一、背景     Android 平台作为一个开放的软件平台，正在越来越多的受到恶意软件的攻击，体现在用户的敏感数据被窃取、数字版权被滥用、移动支付存在重大安全隐患等等。因此，需要在 Android 平台中引入一个可信执行环境，用来进行数字版权管理（DRM : Digital Rights Management ）、移动支付和敏感数据保护。   二、定义     TEE 是 Trusted...
【MPC技术解读】用安全多方计算保护数据隐私
跨链技术践行者
04-13 1万+
背景 在过去几个世纪，石油被认为是最具价值的有形资产之一。而在数字时代, 数据这种新型商品正在崛起以取代石油的地位。数据有自己的独特性。石油总量是固定的, 但数据总量的增长却难以衡量。 每个人、每台智能终端都在不断地产生数据。但数据的真正价值不在于数据量的多少, 而是如何使数据充分发挥作用。世界上的科技巨头无法只靠在数据库中存储数据盈利，流动起来的数据才有价值。 然而,由于数据隐私保护难题的...
隐私计算MPC
最新发布
10-29
MPC即多方安全计算（Secure Multi - Party Computation），是隐私计算的核心技术之一，在平衡数据可用性和隐私保护方面发挥着重要作用[^1]。 ### 详细介绍 多方安全计算允许多个参与方在不泄露各自私有数据的前提下，协同进行计算并得到计算结果。它使得各方的数据在计算过程中保持私密，避免数据泄露风险，是解决数据隐私保护与数据安全流通、数据智能化应用两难问题的重要技术手段之一[^2]。 ### 原理 MPC的基本原理是通过密码学协议，让多个参与方在不暴露原始数据的情况下完成特定的计算任务。在计算过程中，各方的数据被加密处理，只有最终的计算结果被公开，而中间过程中数据的隐私性得到严格保护。例如在基于多方安全计算的联合统计场景中，各方的数据在加密状态下进行交互和计算，最终得到统计结果，而各方的原始数据并不会被其他方获取。 ### 应用 - **金融领域**：在金融机构之间进行联合风控、联合营销等场景中，MPC可以让不同机构在不共享客户敏感数据的情况下，共同分析客户的信用风险、进行精准营销等。 - **医疗领域**：不同医疗机构之间可以利用MPC技术，在保护患者隐私的前提下，共同进行疾病研究、病例分析等工作。 - **生物识别领域**：如利用MPC实现人脸识别的案例，对VGG16深度学习模型进行密态推理，在保护生物特征数据隐私的同时完成识别任务[^3]。 ### 解决方案 在基于多方安全计算的联合统计场景中，参与方可以利用MPC技术，在加密状态下对各自的数据进行处理和交互，最终得到联合统计的结果。在基于联邦学习的联合建模场景中，MPC也可以用于保护各方数据隐私，使得各方在不暴露原始数据的情况下，共同训练模型。 ```python # 以下为简单示意代码，实际的MPC实现要复杂得多 # 假设这里有两个参与方的数据，我们要计算它们的和 data_party1 = [1, 2, 3] data_party2 = [4, 5, 6] # 模拟加密数据 encrypted_data_party1 = [i * 2 for i in data_party1] encrypted_data_party2 = [i * 2 for i in data_party2] # 模拟在加密状态下计算和 encrypted_sum = [a + b for a, b in zip(encrypted_data_party1, encrypted_data_party2)] # 模拟解密结果 decrypted_sum = [i // 4 for i in encrypted_sum] print(decrypted_sum) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值