基于多方安全计算机器学习

于 2023-01-31 16:23:00 发布
阅读量315 收藏 1
点赞数
分类专栏： Security 文章标签： 人工智能 逻辑回归 安全架构 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/weixin_51591328/article/details/128818009
版权

隐私保护机器学习技术

在这里插入图片描述

机器学习

在这里插入图片描述

MPC

在这里插入图片描述
在这里插入图片描述

秘密分享加法和乘法

在这里插入图片描述

传统秘密分享技术的缺点

在这里插入图片描述

协议优化

在这里插入图片描述

最低0.47元/天 解锁文章
柒拾柒_L
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
安全多方计算及其在机器学习中的应用
10-21
随着人工智能、大数据等技术的发展，数据采集、数据分析等应用日渐普及，隐私泄露问题越来越严重.数据保护技术的缺乏限制了企业之间数据的互通，导致形成“数据孤岛”.
机器学习与安全多方计算
qq_42328228的博客
11-24 2605
基础知识 机器学习隐私泄露问题的必要性来源于:(1)训练数据集中有敏感信息;(2)机器学习训练或者预测阶段存在不可信参与方； 机密性与完整性、可用性一同构成机器学习模型的评价指标：（1）机密性威胁是指攻击者获取模型或模型训练集数据的隐私信息；（2）完整性威胁是指攻击者有目的性地诱导模型的输出结果；（3）可用性威胁是指攻击者阻止 访问模型或妨碍普通用户对模型的正常请求； 差分隐私局限性：隐私预算开销过大，模型可用性有限； 同态加密局限性：(1)机器学习模型训练过程中涉及的数据和参数通常是浮点数的形式,而同态
MPC系列-安全多方计算背景
qq_38798147的博客
12-04 795
一.安全多方计算应用场景 1982年姚期智院士的论文所提出的百万富翁问题产生了安全双方计算问题。也就是在没有第三方参与情况下，比较谁更有钱。 1987年Goldreich对安全多方计算进行讨论：提出可以计算任意函数的计算意义下安全的安全多方计算协议。 1989年Beaver通过研究信息安全模型下的安全多方科学问题：提出可以实现信息论安全，复杂程度为常数轮的安全多方算数运算协议。 机器学习:想要一个好的模型，就需要大量数据进行训练，训练...
fedlearner:多方协作式机器学习框架
03-26
Fedlearner:trade_mark: Fedlearner是协作式机器学习框架，可对机构之间分布的数据进行联合建模。 商标使用政策 Fedlearner欢迎所有人为您自己的项目构建或修改Fedlearner开源软件。 该软件的许可不授予使用许可人商标或产品名称的许可。 但是，在以下情况下，您可以使用商标或产品名称： 您使用文字标记来指代Fedlearner程序，产品或技术； 您在文本中使用文字标记来表示您的项目与Fedlearner项目的兼容性； 您在文本中使用文字标记表示您的项目是基于Fedlearner技术构建的。 如果您想使用Fedlearner商标， 将商标与您自己的品牌，商标，产品，项目，服务或域名结合在一起； 用于任何其他商业用途； 作为动词或名词，而不是仅作为形容词，后跟通用名称/名词； 修改，缩写或变更形式，或复数或所有格形式； 请随时与我们联系以获得明确许可。 如果
安全多方计算以及密钥共享
08-14
Protocols for Multi-Party Computations Overview Passive secure protocol Active secure protocol
CrypTen是一个基于PyTorch的隐私保护机器学习框架-python
06-21
它目前实施安全多方计算作为其安全计算后端，并为 ML 研究人员提供三个主要好处：首先是机器学习。 该框架通过 CrypTensor 对象呈现协议，该对象外观和感觉与 PyTorch Tensor 完全相同。 这允许用户使用类似于 ...
中国隐私计算产业发展报告（2020-2021）.pdf
09-22
3. 隐私计算的应用场景：隐私计算可以应用于数据交易、数据共享、数据分析、人工智能和机器学习等领域。它可以帮助企业和组织实现数据的安全共享和交易，保护数据隐私的同时也满足业务需求。 4. 隐私计算的技术架构...
FATE是基于联邦机器学习技术的一个框架，其旨在提供安全的计算框架来支持联邦 AI 生态
08-07
FATE (Federated AI Technology ... FATE项目使用多方安全计算 (MPC) 以及同态加密 (HE) 技术构建底层安全计算协议，以此支持不同种类的机器学习的安全计算，包括逻辑回归、基于树的算法、深度学习和迁移学习等。
《蚂蚁隐私计算技术手册》
最新发布
01-10
基于此，在满足数据安全、隐私保护和监管合规前提下，链接数据孤岛、实现多方协同、释放数据要素价值就成了当前大数据技术发展应用的一大挑战，而隐私计算为解决这一难题提供了有效的技术方案。隐私计算又称为隐私...
隐私计算产品评估体系 综述
11-24
该体系将为数据分析和机器学习提供了一个安全可靠的解决方案，保护数据的隐私和安全。 隐私计算产品评估体系的发展前景非常广阔。随着隐私计算技术的继续发展和成熟，隐私计算产品评估体系将对隐私计算产业的发展...
(阅读笔记)同态加密和安全多方计算结合做逻辑回归
AdijeShen的博客
08-03 4340
文章目录Efficient Privacy Preserving Logistic Regression Inference and Training引论动机贡献系统模型预备知识逻辑回归同态加密安全多方计算：两方加法秘密共享主要技术内积（针对向量内积的HE打包）矩阵-向量乘法[^1]系数提取MPC和HE的混合模型MPC中模数和缩放倍数替换HE和MPC转换MPC PBoot(Protocol based bootstrapping)协议使用Hybrid Model做逻辑回归的训练和预测预测训练实验结果思考我觉
一篇关于机器学习中的稀疏矩阵的介绍
hzp666的博客
11-22 819
一个非常大的矩阵的例子是，因为它太大而不能存储在内存中，这是一个显示从一个网站到另一个网站的链接的链接矩阵。一个更小的稀疏矩阵的例子可能是一个单词或术语的出现矩阵，在一本书中与所有已知的英语单词对应。在下面的例子中，我们将一个3×6的稀疏矩阵定义为一个稠密数组，将它转换为CSR稀疏表示，然后通过调用todense()函数将它转换回一个稠密数组。被压缩的稀疏行，也称为CSR，通常被用来表示机器学习中的稀疏矩阵，因为它支持的是有效的访问和矩阵乘法。稀疏矩阵与大多数非零值的矩阵不同，非零值的矩阵被称为稠密矩阵。
安全多方计算MPC学习笔记
热门推荐
小熊划水博
07-31 2万+
参考：https://blog.csdn.net/juzhenyuan/article/details/80913777 MPC Secure Multi-Party Computation 安全多方计算 一种保护数据安全隐私的多方计算算法。 GC Garbled Circuit 加密电路 ...
安全多方学习开源框架调研
OpenMpc的博客
11-30 2219
在数据隐私保护法律（如中国的《数据安全法》和《个人信息保护法》以及欧盟的 GDPR 等）日趋完善的大环境下，如何在合法合规的前提下为数据孤岛搭建平台桥梁是一个亟需解决的问题。安全多方学习是指基于安全多方计算实现的隐私保护机器学习的方法和框架，已有一批框架已经开源。本文调研了 FudanMPL, Primihub, 隐语，EzPC，MP-SPDZ 以及 Piranha 六个目前国内外主流的开源安全多方学习框架，并从安全模型，应用场景的完备性，框架的易用性以及是否存在特定优化四个角度对上述框架进行了简要评估。
安全多方计算（MPC）从入门到精通：经典案例
weixin_30276935的博客
07-05 2163
简介：在上一节《安全多方计算（MPC）从入门到精通：JUGO－IDE及SDK》中，已经介绍了JUGO－IDE及SDK相关的内容，本节也是本系列的最后一篇文章，我们将介绍MPC的经典案例，以及这些案例的代码及实现流程。 1.业务逻辑 　　该案例为经典的MPC百万富翁问题的一个演示，百万富翁问题是由华裔计算机科学家、图灵奖获得者姚期智教授首先提出的。该问题表述为：两个百万富翁Alice和Bob想知...
安全多方计算-入门学习笔记(三)
qq_32938957的博客
07-13 4381
四、基于非噪音的安全多方计算介绍 1概念 非噪音方法一般是通过密码学方法将数据编码或加密，得到一些奇怪的数字，而且这些奇怪的数字有一些神奇的性质，比如看上去很随机但其实保留了原始数据的线性关系，或者顺序明明被打乱但人们却能从中很容易找到与原始数据的映射关系(但是对于数据量大的内容，其处理需要消耗的资源非常多)。 2.方法分类 主要包括三种：混淆电路（Garbled Circuit）、同态加...
多模态机器学习综述翻译(转载)
hello
10-08 2万+
文章：《Multimodal Machine Learning: A Survey and Taxonomy》多模态机器学习综述【摘要】我们对世界的体验是多模式的 - 我们看到物体，听到声音，感觉到纹理，闻到气味和尝到味道。模态是指某种事物发生或经历的方式，并且当研究问题包括多种这样的形式时，研究问题被描述为多模态。为了使人工智能在理解我们周围的世界方面取得进展，它需要能够一起解释这种多模信号。多模式机器学习旨在构建可以处理和关联来自多种模态信息的模型。这是一个充满活力的多学科领域，具有越来越重要的意义和非
解决几乎任何机器学习问题的方法
wilbertzhou的专栏
06-03 3551
作者：Abhishek Thakur 一位数据科学家平均每天处理大量数据，有人说，超过60-70％的时间花在了数据采集、数据清理、数据整理上，使得机器学习模型可以应用于这些数据。本文重点介绍第二部分，即应用机器学习模型，包括预处理步骤。这篇文章中讨论的流水线是我参与过的一百多次机器学习竞赛的结果。必须指出，这里的讨论虽然普通，但非常有用，也存在非常复杂的方法，可供专业人员练习。我们将在这里使用py...
多方安全计算简介
weixin_49272514的博客
05-10 1621
  随着机器学习应用的快速发展，与之相关的数据安全与隐私问题受到更多关注。诸多厂商开始采用联邦学习技术来增强机器学习应用中对数据的隐私保护，但是联邦学习的安全性对于某些隐私保护机器学习的应用是不够的。事实上，为了防止模型复制它接收到的数据，数据本身是需要保密的，但同时需要使用该数据进行训练和预测。实现这个目标的一种方式是使用秘密共享式的多方安全计算，这种方法有着显著的优势但也一定程度上牺牲了效率。本文将介绍多方安全计算（MPC），并探讨它如何帮助我们实现输入隐私性。   广义上说，MPC是多个参与方共同计算
安全多方计算与联邦学习相结合
05-12
安全多方计算（Secure Multi-Party Computation，简称SMPC）和联邦学习（Federated Learning）都是隐私保护的机器学习方法，它们可以结合起来进一步提高隐私保护的效果。 SMPC是一种保证参与方隐私的计算方法，它允许多方协作完成计算任务，但不会暴露各方的输入数据。SMPC的实现方式包括基于加密算法的方法、基于秘密共享的方法等。在机器学习中，SMPC可以用于保护模型训练过程中的隐私数据，比如在训练神经网络时，各方可以共同参与计算，但不会直接共享数据。 联邦学习是一种分布式机器学习方法，它允许多个设备或数据中心在不共享原始数据的情况下训练模型。在联邦学习过程中，每个参与方将本地的模型更新上传到中央服务器，然后中央服务器将这些更新整合起来得到新的全局模型，并将更新后的全局模型下发给各个参与方。联邦学习的优点是可以避免数据共享带来的隐私风险，同时也可以利用分布式计算的优势提高效率。 将SMPC和联邦学习相结合，可以在保护隐私的前提下，更好地利用分布式计算资源，提高模型训练的效率和准确度。具体来说，可以采用联邦学习的方式进行模型训练，而在模型训练过程中使用SMPC来保护各方的隐私数据。这样既能确保各方数据的隐私性，又能充分利用各方的计算资源，提高模型训练的效率。

“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