隐语训练营第二课笔记

最新推荐文章于 2024-05-22 17:51:55 发布
最新推荐文章于 2024-05-22 17:51:55 发布
阅读量290 收藏
点赞数 3
文章标签： 笔记
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/weixin_43215083/article/details/136951044
版权

数据流转链路主要包括：采集、存储、加工、使用、提供、传输

基于安全可信的技术信任体系 是支撑全行业数据要素安全可控流转的基础

可信云PaaS：通过技术可信代替人员可信 •

运维权限最小化：只允许预期内的行为可以执行， •

完备的信任链：从信任根、硬件平台、操作系统到应用系统整个链路的可信认证 •

远程验证：能够远程验证云上运行环境，甚至执行环境安全隔离 •

可信安全模块：使用基于硬件的可信安全模块

weixin_43215083
关注
  • 3
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
内隐语篇关系识别的堆叠学习
03-05
内隐语篇关系识别的堆叠学习
融合评论分析和隐语义模型的视频推荐算法
02-25
针对网络视频元数据信息缺失严重和多媒体数据本身特征难以提取等问题，提出了融合评论分析和隐语义模型的网络视频推荐算法。从视频评论入手，通过分析用户对不同视频的评论内容以判断其情感倾向并加以量化，继而构建用户对项目的虚拟评分矩阵，弥补了显式评分数据稀疏性问题。考虑到网络视频的多元性和高维度特性，为了深度挖掘用户对网络视频的潜在兴趣，针对虚拟评分矩阵采用隐语义模型( LFM) 对网络视频分类，在传统的用户—项目二元推荐系统基础之上添加虚拟类目信息以进一步发掘用户—类目—项目关联关系。实验在多重标准下进行，对 YouTube 评论集的实验表明，所提推荐方法获得了较高的推荐精度。
融合隐语义模型的聚类协同过滤
10-17
协同过滤算法是推荐系统中应用最广泛的算法，随着用户数量和物品数量的不断增加，传统的协同过滤算法不能满足推荐系统的实时需求。本文提出了一种融合隐语义模型的聚类协同过滤算法。首先利用隐语义模型分解评分矩阵，然后在分解后的矩阵上利用传统的聚类算法聚合相同类别的物品，最后在相同类别的物品之间进行基于项目的协同过滤推荐。实验结果表明，该算法有效减少了推荐时间，同时在一定程度上提高了算法精度。
spark隐语义模型推荐.zip
07-19
spark隐语义模型推荐，代码实现，Python来实现
隐语训练营第二课-数据要素
youzifei的博客
03-22 317
数据要素是推动数字经济发展的核心引擎，是赋能行业数字化转型和智能化升级的重要支撑，也是国家基础性战略资源。数据要素是指那些以电子形式存在的、通过计算的方式参与到生产经营活动并发挥重要价值的数据资源。这个时候就需要找到一种方式来解决数据共享的问题，不让数据出域，同时又可以得到一些数据要素来。在数字经济中，数据要素的角色可与传统的生产要素（如劳动力、资本和土地）相提并论。核心企业是不愿意分享他们的生产数据和经营数据的。
隐语训练营笔记4 安装隐语 + 安装secretnote + 踩坑
weixin_43215083的博客
03-25 261
首先是本人环境，因为学生党手头这台电脑是暗影精灵8 laptop，所以满足8核心+16g的要求。但是这里就有一点踩坑，由于本人套了一层wsl，所以一开始居然节点是dead的。这篇笔记主要记录如何安装隐语和测试secretnote踩坑的一些过程。然后进localhost:8090看一下secretnote的界面。然后本人是在wsl和docker分别安装的secretnote。后来看了一下qa发现注意一下docker的host模式。即写入 127.0.0.1：8090节点dead。这里推荐docker安装。
隐语训练营【第一讲】数据可信流通 运维信任 -＞ 技术信任
m0_60749700的博客
04-07 957
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。深知大多数Linux运维工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！因此收集整理了一份《2024年Linux运维全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
隐语训练营【第一讲】数据可信流通 运维信任 -＞ 技术信任(2)
m0_60749700的博客
04-07 609
最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！
隐语训练营【第一讲】数据可信流通 运维信任 -＞ 技术信任(1)
m0_60749700的博客
04-07 539
了解网络数据流通中的安全问题，直到了隐语的使用方向自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。深知大多数Linux运维工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！因此收集整理了一份《2024年Linux运维全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
第四讲隐语SecretFlow安装部署
03-25
第四讲隐语SecretFlow安装部署
隐私计算实训营 第1期｜第3讲：详解隐私计算框架及技术要点丨笔记
weixin_42296932的博客
03-22 651
HEU的设计是为计算任务提供硬件级的支持，以加速全同态加密计算，并降低计算开销，为全同态加密计算提供了高效、安全的硬件支持。资源层之上是计算层，包含了很多隐私保护计算，例如多方安全计算（Secure Multi-Party Computation，MPC）、同态加密、可信执行环境（TEE）、可信密态计算（Trusted-Environment-based Cryptographic Computing，TECC）、差分隐私（DifferentialPrivacy，DP）、脱敏等。
六级解题技巧
syklar&miracle
06-09 1089
深层剖析解的特征 每道都由题干（即问题）与四个选项组成。我对四个选项这样划分：其中一个是答案的选项称为解，其余三个选项不称为选项，而称为干扰项，因为几乎每个选项都被命题者加上了十足的功力，麻痹考生，以达到不容易被考生答对的目的。这样由命题难度梯度决定，解必然有如下特点： “中心思想是解” 对一主题题型“中心思想是解”非常好理解。但大家一定要注意到大多数细节题也符合“中心思想是解”，因为很多细
推荐系统与应用
热门推荐
会思考的蜗牛
06-20 1万+
七月在线4月机器学习算法班课程笔记——No.9 前言　　推荐系统——我早就很感兴趣的一个方向，可以说是机器学习在各个公司广泛应用的一个内容，从求职招聘就可以感觉到。另外，我们也经常在使用推荐系统，比如以推荐为特色的今日头条（你关心的，才是头条），还有淘宝的商品推荐等。曾经试图在网络上了解推荐系统，但都是零散的内容，不是太系统。这次算是有条理的学习了，get到了之前好奇的问题，自然要好好整理。
Git笔记
985小菜鸡
05-21 268
完成以上步骤后，您的本地项目应该已经成功上传到 GitHub 仓库中了。您可以在 GitHub 网站上查看并访问您的项目。，如果您使用的是其他分支，请将其替换为您的分支名称。这里假设您的本地分支是。
【加密与解密（第四版）】第四章笔记
m0_58213960的博客
05-21 682
x64系统通用寄存器的名称，第1个字母从“E”改为“R”(例如“RAX”)，大小扩展到 64 位，数量增加了8个(R8~R15)，扩充了8个128位XMM寄存器(在64位程序中，XMM寄存器经常被用来优化代码)。64位寄存器与x86下的32位寄存器兼容，例如RAX(64位)EAX(低32)、AX(低16位)、AL(低8位)和AH(8~15位)。x64新扩展的寄存器高低位访问，使用WORD、BYTE、DWORD后级，例如R8(64位)R8D(低32位)、R8W(低16位)和R8B(低8位)。
k8s笔记 | helm包管理
weixin_41104307的博客
05-19 620
如果是在 arm64下的话，使用 registry.cn-beijing.aliyuncs.com/pylixm/nfs-subdir-external-provisioner:v4.0.0 这个镜像会报错 exec / nfs-subdir-external-provisioner format error 简单来说就是平台不匹配，解决方案就是自己构建一个匹配的镜像包。由于需要提前创建storageClass manage-nfc-storage，在前面的章节中总共有三个文件。
Vue学习笔记3——事件处理
最新发布
qq_44778824的博客
05-22 353
尽管我们可以直接在方法内调用，但如果方法能更专注于数据逻辑而不用去处理DOM事件的细节会更好。)来监听DOM事件，并在事件触发时执行对应的JavaScript。// 读取data里面数据的方法：this.count。// 所有方法或者函数都放在这里,跟data同级。为解决这一问题，Vue 为。对象和通过事件传递数据。
隐语框架配合TEE实现数据加密
09-01
隐语框架与TEE（可信执行环境）的配合可以实现数据加密。隐语框架主要解决的是数据隐私保护和安全计算的问题，而TEE是一种安全的硬件或软件环境，可以提供可信的执行环境来保护数据和计算过程的安全性。通过将隐语框架与TEE结合，可以实现数据在计算过程中的加密和保护。 在隐语框架中，数据可以使用全密态计算或明密文混合计算的方式进行加密。全密态计算是一种在密文环境中进行计算的方式，数据在计算过程中一直保持加密状态，可以使用Secure Aggregation算法、MPC密态引擎、同态加密等技术来进行计算。而明密文混合计算则是将部分计算从密文环境搬到明文环境，在明文环境中进行计算可以提升计算的性能，同时通过安全退让来保证数据的安全性。 TEE提供了一个可信的执行环境，可以保护计算过程中的数据和代码安全。在隐语框架中，可以使用TEE来实现数据的加密和解密操作，以及进行安全计算。TEE可以提供硬件级的安全保护，例如Intel SGX和ARM TrustZone等，也可以通过软件模拟的方式提供安全执行环境。 通过隐语框架配合TEE实现数据加密，可以在保护数据隐私的前提下，进行安全的计算和数据交换。这种组合可以应用于各种场景，例如联邦学习、数据交易市场等，为数据安全和隐私保护提供了一种可行的解决方案。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [隐私计算技术｜深度解读可信隐私计算框架“隐语”](https://blog.csdn.net/m0_69580723/article/details/126662952)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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