隐私计算技术点和术语
所属分类 privacy-compute
浏览量 697
隐私计算技术体系
算法应用 联合统计 联合查询 联合建模 联合预测
基础层 混淆电路 秘密分享 不经意传输 同态加密 差分隐私 其他密码学算法
底层硬件 通用硬件 可信硬件
多方安全计算 联邦学习 可信硬件
FL 联邦学习 FederatedLearning 分布式加密机器学习新范式,在保护数据隐私的前提下实现跨机构AI协作
联邦学习过程中出现的数据和模型的隐私泄露和安全攻击如何防护
如何对非独立同分布、参差不齐的质量的数据建模
如何降低通信复杂度以及计算复杂度
如何评估各参与方的贡献,即联邦奖励机制问题
如何实现不同联邦学习平台间的互联互通以及联邦学习的可解释性等问题
MPC, GC, SS, OT
PPC 隐私保护计算 Privacy Preserving Computation
MPC 多方安全计算 Secure Multi-party Computation
GC 混淆电路 Garbled Circuit
OT 不经意传输 Oblivious transfer
OT 可以实现 PIS 和 PIR 隐私信息检索 Private Information Retrieval
PSI 隐私集合求交 Private Set Intersection
SS SecretSharing
HE 同态加密 Homomorphic Encryption
ZKP 零知识证明 Zero-Knowledge Proof
DP 差分隐私 Differential privacy
TEE 可信执行环境 Trusted ExecutionEnvironment
RichOS 普通操作系统 Rich Operating System
SE 安全元件 Secure Element
CA 证书授权中心 Certificate Authority
隐私计算相关技术比较
MPC 多方安全计算 通用性高 计算和通信开销大 安全性高 研究时间长 久经考验 性能不断提升
TEE 可信执行环境 通用性高 性能强 开发和部署难度大 需要信任硬件厂商
FL 联邦学习 综合运用 MPC DP HE 方法 主要运用于 AI模型训练和预测
HE 同态加密 计算开销大 通信开销小 安全性高 可用于联邦学习安全聚合 构造MPC协议
ZKP 零知识证明 广泛运用于 各类安全协议设计 是各类认证协议的基础
DP 差分隐私 计算和通信性能与直接明文计算几乎无区别 安全性损失依赖噪声大小
BC 区块链 基于带时间戳的区块链存储技术 智能合约 分布式共识等技术辅助隐私计算 保证原始数据 计算过程及结果可验证
隐私计算简介
上一篇
下一篇
隐私计算简介
设计模式小结
Java Builder 模式 实例
反编译工具 JD-GUI 启动报错
lombok常用注解
mysql insert 性能优化