隐私计算实训营第一期第三讲-隐私计算框架的架构和技术要点笔记

可以看到有五层， 包括很多内容，分层原因如下

考虑很多，具体出发点有三个

1、考虑到完备性问题，不设置路线限制。

2、分层内部内聚，方便开源用户从任意层开始进行学习使用

3、有更好的开放性，方便专业使用者在某一层中大显身手。

产品层：

包括白屏和黑屏部分

定位：

1、通过可视化产品降低终端用户的体验和演示成本。

2、通过模块化API降低技术集成商的研发成本

具体产品如下

算法层：

PSI/PIR:

PSI：隐私多方计算协议，隐私求交，特色如下

PIR：用户查询数据库数据，但服务端不知道用户查询的是什么数据，特色如下：

SCQL：一种多方安全数据分析系统，可以让互不信任的参与方在保护自己的数据隐私前提下，完成多方数据分析任务。

定位：屏蔽底层安全计算协议的复杂性，以简单熟悉的SQL语言界面提供多方数据密态分析能力。

核心特性：

Federated Learning 联邦学习：在原始数据不出域的前提下通过交换中间数据完成机器学习建模。包括水平联邦和垂直联邦

定位：具备安全攻防保障明密文混合机器学习框架和算法。

特色如下：

计算层：

混合编译调度-reyfed：在rey的基础上结合联邦学习的产物

定位：面向跨机构场景提供单机构内计算任务独立调度和跨机构计算任务协作的能力。

SPU:（Secure Process Unit）隐语原创

定位：桥接上层算法和底层安全协议，保持原生AI框架体验的同时为用户提供透明的，高性能的，基于安全协议的密态计算能力。

架构特点如下：

HEU：同态加密

定位：低门槛高性能的同态加密库，支持多类型可扩展的算法协议和硬件加速生态。

TEEU：

定位：支持多种可信执行环境、具备数据使用跨域管控能力的密态计算枢纽。

YACL：

定位：多种隐私计算路线共同需要的密码库，具备安全实现保证，高性能等特点。

资源层：

KUSCIA：

定位：屏蔽不同机构件基础设施的差异，为挂机狗协作提供丰富且可靠的资源管理和任务调度能力。