第3讲笔记:详解隐私计算框架及技术要点

简介: 隐语架构是一个分层设计,支持不同技术路线,具有高内聚、低耦合特性,允许各层次的技术人员发挥所长。它包括产品层、算法层和计算层。产品层有SecretPad和SecretNote,提供轻量化安装和全栈产品,支持MPC、TEE等。算法层涉及PSI、PIR协议和SCQL,用于安全数据分析,屏蔽底层复杂性。计算层包含RayFed分布式调度框架和SPU密态计算核心,提供高性能密态计算能力和机器学习算法支持。

一、隐语架构概览
隐语分层架构设计,可以支持不同的技术路线,同时使得层内高内聚,层间低耦合,增强了开放性,不同技术路线的研究人员都可以在对应的层发挥自己的优势。
image.png
二、隐语架构拆解
1、产品层
• SecretPad:轻量化安装, 可以快速体验隐语的功能
• 多部署形态:目前有中心模式,之后会发行P2P模式
• 全栈产品:支持MPC,TEE,SCQL等
• SecretNote:Notebook形式,可以跟踪运行状态,进行交互式建模,以及多节点的管理和交互
2、算法层——高性能,易用的协议模块
• PSI:一种特殊的MPC协议,求两方数据的交集,除此之外不泄露其他信息
• 丰富的协议:半诚实模型(两方/多方);恶意模型
• 性能和协议优化
• 多层入口:白屏用户/开发人员
• PIR:用户查询服务端数据库中的数据,但服务端不知道用户查询的是哪些数据
• 丰富的协议:Sealed PIR;Label PIR...
• 性能和协议优化
• 多层入口:白屏用户/开发人员
• Data Analysis——SCQL
image.png
• 多方安全数据分析系统,可以使互不信任的参与方在保护自己数据隐私的前提下,完成多方数据分析任务
• 屏蔽了底层协议
• 核心特性
• 半诚实安全模型
• 支持≥2的参与方
• 兼容MySQL,支持常用的SQL语法和算子
• 数据使用授权管控
• 支持多种密态协议
• 联邦学习
• 在原始数据不出域的前提下,交换中间数据完成机器学习建模
• 包含水平联邦和垂直联邦(主要是拆分学习,Split Learning)
• 具备安全攻防保障的明密文混合的机器学习算法和框架
• 安全风险度量体系
• 攻防框架
• 攻防算法
• 性能优化
• 包含常见算法
3、计算层
• 混合编译调度-RayFed
• 在Ray基础之上所构建的专注于跨机构的分布式计算调度框架
• 面向跨机构场景
• 密态引擎-SPU(Secure Process Unit)
image.png
• 隐语密态计算核心模块之一
• 桥接上层算法和底层安全协议
• 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
• 面向机器学习研发人员, 密码协议研发人员, 编译器研发人员
• 核心特性
• 对接主流AI前端
• 支持多种机器学习算法
• 高性能MPC协议虚拟机
• 有丰富的MPC协议, 适配多种场景
• 支持协议扩展
• 多种数据并行, 指令并行优化

相关文章
|
分布式计算 算法 调度
课3-详解隐私计算框架的架构和技术要点
隐语架构涵盖产品、算法、计算、资源和硬件五层,旨在实现互联互通和跨域管控。产品层包括SecretPad等,简化用户和集成商体验。算法层涉及PSI/PIR、SCQL和联邦学习,提供隐私保护的数据分析和学习。计算层如RayFed、SPU、HEU等,支持分布式计算和密态处理。资源层的KUSCIA用于跨机构任务编排,硬件层涉及FPGA等加速器。互联互通支持黑盒和白盒模式,确保不同平台协作。跨域管控则强调数据流转控制,保护数据权益。
|
机器学习/深度学习 算法 数据可视化
# 隐私计算实训营note#3 详解隐私计算框架及技术要点
这一讲的内容是介绍蚂蚁的SecretFlow框架[第3讲:详解隐私计算框架及技术要点](https://www.bilibili.com/video/BV1dJ4m1b7AX/)。
看见“信任”,可信计算史上最全解析
等保2.0将可信提升到一个新的强度。在等保一到四级都有可信的要求,主要在三个领域:计算环境可信、网络可信、接入可信。
看见“信任”,可信计算史上最全解析
|
机器学习/深度学习 算法 安全
隐私计算训练营第三讲-详解隐私计算的架构和技术要点
SecretFlow 是一个隐私保护的统一框架,用于数据分析和机器学习,支持MPC、HE、TEE等隐私计算技术。它提供设备抽象、计算图表示和基于图的ML/DL能力,适应数据水平、垂直和混合分割场景。产品层包括SecretPad(快速体验核心能力)和SecretNote(开发工具)。算法层涉及PSI、PIR、数据分析和联邦学习(水平、垂直、混合)。此外,SecretFlow还有YACL密码库和Kusica任务调度框架,Kusica提供轻量化部署、跨域通信和统一API接口。
601 0
|
10月前
|
机器学习/深度学习 安全 算法
《联邦学习:打破数据孤岛,实现隐私保护下的跨机构协作》
联邦学习是一种分布式机器学习技术,核心理念为“数据不动模型动”,即在不交换原始数据的前提下,各机构基于本地数据独立训练模型,并通过加密方式上传模型参数更新至中央服务器进行聚合,从而提升全局模型性能。它分为横向、纵向和联邦迁移学习三种类型,分别适用于不同场景下的数据协作。联邦学习有效解决了数据隐私保护与跨机构协作的难题,在医疗、金融等领域展现出巨大潜力,推动了智能化变革。尽管仍面临通信效率、安全性和可解释性等挑战,但其前景广阔。
1007 25
|
机器学习/深度学习 人工智能 安全
一文搞懂隐私计算
一文搞懂隐私计算
4534 0
|
消息中间件 存储 缓存
QPS多少,才算高并发 ?
本文详解高并发概念及 QPS 标准,大厂面试高频点,建议掌握收藏。关注【mikechen的互联网架构】,10年+BAT架构经验分享。
QPS多少,才算高并发 ?
|
算法 安全 大数据
隐私计算实训营第5讲-------隐私求交和隐语PSI介绍以及开发实践
隐私求交(Private Set Intersection, PSI)是利用密码学技术在不暴露数据集以外信息的情况下找到两集合的交集。隐语SPU支持三种PSI算法:ECDH(适合小数据集)、KKRT(基于Cuckoo Hashing和OT Extension,适合大数据集)和BC22PCG(使用伪随机相关生成器)。ECDH基于椭圆曲线 Diffie-Hellman,KKRT利用OT Extension实现高效处理,而BC22PCG通过压缩满足特定相关性的随机数减少通信量。此外,还有基于Oblivious Pseudo-Random Function (OPRF)的PSI协议。
1323 0
|
Rust 安全 Java
探索Rust语言的并发编程模型
探索Rust语言的并发编程模型
334 2
|
机器学习/深度学习 SQL 人工智能
隐私计算框架“隐语”介绍及展望(附ppt)
隐私计算框架“隐语”介绍及展望(附ppt)
1064 0

热门文章

最新文章