隐私计算：多方安全计算，联邦学习，可信执行环境可信执行环境

最新推荐文章于 2024-09-11 15:58:30 发布
最新推荐文章于 2024-09-11 15:58:30 发布
阅读量689 收藏 1
点赞数 1
分类专栏： 2021 论文 2021数字交易数字资产 文章标签： 安全
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。
本文链接：https://blog.csdn.net/qq_38998213/article/details/130285008
版权
本文介绍了隐私计算的三个核心技术：多方安全计算，包括同态加密、秘密共享和不经意传输；联邦学习，一种分布式机器学习框架，如横向、纵向联邦学习和联邦迁移学习；以及可信执行环境，通过软硬件结合确保数据安全。这些技术在保护数据隐私的同时，实现了数据的联合分析和计算。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

隐私计算

多方安全计算

联邦学习

可信执行环境可信执行环境

隐私计算


隐私计算既能够联合各方进行训练学习，又能保证各方私密教据不被泄露。隐私计算技术可归纳为三类

数据加密与再处理、数据不动而模型动、通过可信环境进行大数据分析与管理，

即多方安全计算、联邦机器学习、可信执行环境三大核心技术，下面将分别对三种技术进行介绍，并分析和总结它们的优势与不足。

多方安全计算


多方安全计算是密码学的 子领域，目的是多个参与方从每一方的隐私输入中协同计算某个函教的结果，而不用将这些数据展示出来，

多方安全计算即著名的百万富翁问题! 其目的是解决两人百万富翁在不泄露自己的财产信息的情况下来比较谁更富有。Golgrelch等推广到了多方共同参与的场冒如今多方安全计算衍生出同态加密、秘密共享、不经意传输和混淆电

了解本专栏 订阅专栏 解锁全文
安全多方计算、联邦学习和可信执行环境
ZJQ的博客
06-28 844
隐私计算三大技术流派中，多方安全计算重安全，联邦学习重效率，可信执行环境重通用，随着隐私计算技术的发展和应用，以及领域内研究机构、厂商的不断探索，隐私计算各类技术流派逐渐走向融合，并且将区块链等一些新技术的应用也加入到隐私计算领域。由姚期智院士于1982年首次提出，通过设计特殊的加密算法和协议，在无可信第三方情况下的安全计算约定函数问题，近年来，基于同态加密、秘密分享、不经意传输、混淆电路等基础技术、协议的多方安全计算逐渐得到应用（经典多方安全计算中，多方安全计算主要是在保证数据安全的前提下，实现。
AI系统的隐私计算与安全多方计算
AI智能涌现深度研究
11-23 941
隐私计算，安全多方计算，联邦学习，同态加密，差分隐私，数据安全，数据隐私 1. 背景介绍 随着人工智能（AI）技术的飞速发展，数据已成为驱动AI发展的关键要素。然而，数据本身也蕴含着巨大的隐私风险。在数据共享和协作的过程中，如何保护数据隐私，同时又能充分利用数据价值，成为一个亟待解决
文件（安全多方计算联邦学习白皮书）.zip
05-13
安全多方计算联邦学习白皮书
安全多方计算之十：联邦学习与安全多方计算
聚集机器学习、信息安全
03-31 4611
联邦学习和安全多方计算都是解决数据隐私保护问题的技术，两者既有联系又有区别。 本文针对两种的基本概念、应用场景、区别与联系进行了详细介绍。
隐私计算-联邦学习，多方安全计算，可信计算的区别与联系
Liao_Wenzhe的博客
03-06 8184
联邦学习，多方安全计算，可信计算作为隐私计算三类技术是有各自的特点和差别，核心思想不同，应用侧重方向、数据流动方式、硬件要求等方面有差异，各有自行的演进路径。 1、联邦学习（软件级）: 核心思想:面向模型,"数据不动、模型动",原始数据在本地模型训练,只交互模型的中间计算结果。 应用方向:侧重于多方数据的分布式机器学习模型训练和推理。 数据流动:不交换原始数据 密码技术:密分享、同态加密、差分隐私等 硬件要求:通用硬件 2、多方安全计算（软件级）： 核心思想：面向数据,信任密码学,构建一系列
多方安全计算、联邦学习、可信计算 对比区别
软件工程小施同学 的专栏
01-02 2325
联邦学习打破“数据孤岛”，实现多方数据安全高效流通
英特尔开发人员专区
09-16 1628
三是数据价值共享，多方权益有效保障。借助可信执行环境的可信性和隔离机制，来实现机器学习模型参数的安全汇聚，从而增强联邦学习的安全性，是未来颇具前景的技术方向，也是推动我国数据要素市场化建设的一个很重要的路径。联邦学习正是一种有效的应对方案，它能够实现“数据不动模型动”，通过用户数据不出本地的方式，完成云端模型训练，实现“数据可用不可见”，是隐私保护计算的主流技术之一。随着数据监管力度的加强，以及人们对于数据隐私保护意识的提高，联邦学习作为数据保护的底层技术，其行业的价值和市场的规模都存在巨大的增长的空间。
安全推理新维度：PyTorch可信执行环境在医疗数据的隐私保护推理.pdf
12-28
内容概要：本文深入探讨了PyTorch可信执行环境（TEE）在医疗数据隐私保护推理中的应用。首先，介绍了医疗数据隐私保护的重要性及相关法规政策，分析了当前隐私保护面临的挑战，如数据共享与隐私保护的矛盾、复杂的...
密码学_多方安全计算_隐私保护数据协作分析平台_基于MPC技术实现企业间数据安全共享与联合计算的可信执行环境框架_支持联邦学习与隐私求交等核心算法_提供完整的数据加密传输与计算结果.zip
最新发布
04-29
密码学_多方安全计算_隐私保护数据协作分析平台_基于MPC技术实现企业间数据安全共享与联合计算的可信执行环境框架_支持联邦学习与隐私求交等核心算法_提供完整的数据加密传输与计算结果
隐私计算技术解读：可信执行环境（TEE）概要及应用
DJKJInsightOne的博客
02-21 5236
本文阐释梳理了可信执行环境（TEE）的概念定义及发展脉络，剖析 TEE 与基于密码学的隐私保护技术的对比及其在联邦学习中的应用，最后介绍 TEE 的现有框架和相关应用。
【大模型&隐私计算】大模型的安全由隐私计算来保护（涉及联邦学习、可信执行环境、差分隐私、多方安全计算、同态加密、端云协同、GPU安全加速等技术）
源泉的小广场
09-11 9240
大模型、隐私计算、隐私保护、大模型参数处理、大模型关键参数识别、多方安全计算、差分隐私、TEE、横纵向联邦学习、加密推理、隐私微调
差分隐私？联邦学习？安全多方计算？它们之间是什么关系？
谈论现实
11-20 2万+
差分隐私与其他隐私计算技术的联系写在前面的话隐私计算什么是隐私计算？隐私计算发展趋势隐私计算的技术隐私计算体系结构安全多方计算联邦学习可行执行环境差分隐私比较应用场景发展趋势发展展望总结补充 写在前面的话 本文纯属个人笔记，仅供参考。 隐私计算 什么是隐私计算？ 隐私计算（Privacy-preserving computation）是指在保证数据提供方不泄露原始数据的前提下，对数据进行分析计算的一系列信息技术，保障数据在流通与融合过程中的“可用不可见”。 简单来说就是一个技术体系，其目的是实现数据可用
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 4913
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.
联邦学习与多方安全计算
03-16
数据要素流通是国家与各行业目前重点发展的应用与技术新方向，也是数字经济的新型基础设施以及下一代云中心化互联互通网络的核心内容。本课程系统介绍数据要素流通的核心技术：隐私计算的技术、架构与应用，内容包括：隐私计算的主体多方安全计算与联邦学习方法的原理，主要组件的技术实现或者编程方法，基于隐私计算的数据要素流通系统架构、组成与流程，面向各行业的具体应用场景等。通过本课程的学习，可以使学员深入浅出地、全面地掌握隐私计算技术与数据要素流通的概念、架构、使用以及在各自实践中定位。
数据安全：一文读懂隐私计算
fuyipingwml1976124的博客
04-22 2699
让我们从一个生动的故事入手：想象两位百万富翁偶然在街头相遇，他们各自都想夸耀自己的财富，又不愿透露具体的财务状况。他们面临的挑战是，如何确定谁更富有而不泄露各自的具体数字。这其实是隐私计算技术面临的一种经典问题。隐私计算是一组技术和方法，它们使我们能够在保护数据主体隐私的前提下，安全地存储、处理和分析数据。这些技术确保数据在加密或其他形式的保护下进行处理，从而在整个处理过程中保障数据内容的安全与隐...
【联邦学习】读书笔记（二） 隐私保护技术
热门推荐
一定要站在自己热爱的生活里闪闪发光
11-22 3万+
本文的隐私保护技术，包括三种方法。 安全多方计算 同态加密 差分隐私 1.安全多方计算 安全多方计算最初是针对一个安全两方计算问题，即所谓的“百万富翁问题”被提出的，并于1982年有姚期智提出和推广。 安全多方计算允许我们计算私有输入值的函数，从而使每一方只能得到其相应的函数输出值，而不能得到其他方的输入值与输出值。 安全多方计算能够通过三种不同的框架来实现： 不经意传输（Oblivious Transfer，OT） 秘密共享（Secret Sharing，SS） 阈值同态加密（Th.
隐私计算中可信执行环境的一知半解
我相信......
11-13 902
隐私计算是使数据“可用不可见”的技术，它包括了密码学、人工智能、安全硬件等众多领域交叉的学科体系。对于隐私计算而言，业界通常分为三大路径技术：以安全多方计算为代表的密码学路径、以可信任执行环境为代表的硬件路径和以联邦学习为代表的人工智能路径。老码农在了解了《从隐私到隐私计算》之后，对《隐私计算之全同态加密》和《隐私计算中的联邦学习》学习之后，如果不再了解一下可信执行环境，总觉得有点怅然若失。尽管“...
隐私计算中可信执行环境多维认识
叫好与叫座虽然不是对立面，但想在同一个作品中达到双重效果很难。
12-04 1016
隐私计算是使数据“可用不可见”的技术，它包括了密码学、人工智能、安全硬件等众多领域交叉的学科体系。对于隐私计算而言，业界通常分为三大路径技术：以安全多方计算为代表的密码学路径、以可信任执行环境为代表的硬件路径和以联邦学习为代表的人工智能路径。老码农在了解了《从隐私到隐私计算》之后，对《隐私计算之全同态加密》和《隐私计算中的联邦学习》学习之后，如果不再了解一下可信执行环境，总觉得有点怅然若失。尽管“纸上得来终觉浅”，但与“一无所知”相比， 聊胜于无，略觉心安。（三篇文章按照顺序在文末）可信执行环境的核心思想是
《联邦学习》——个人笔记（二）
Lavener_Love的博客
10-22 1451
第二章 隐私、安全及机器学习 2.1面向隐私保护的机器学习 Privacy-Preserving Machine Learning ,PPML 包括以下几种方法： 安全多方计算（Secure Multi-party Computation, MPC） 供隐私保护模型训练和预测使用的同态加密方法（Homomorphic Encryption, HE） 用于防止数据泄露的差分隐私方法（Differential Privacy,DP） 2.2面向隐私保护的机器学习与安全机器学习 二者区别主要在于他
腾讯探索隐私计算：安全与融合并行
其次，详细剖析了隐私计算的技术框架，涵盖了联邦学习、可信计算、安全多方计算等核心技术，并探讨了区块链与隐私计算的融合潜力。接着，书中列举了隐私计算在金融、医疗、广告等重点行业的实际应用案例，展示了其在...
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

打赏作者

ZhangJiQun&MXP

等到80岁回首依旧年轻

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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