丰富的线上&线下活动,深入探索云世界
做任务,得社区积分和周边
资深技术专家手把手带教
技术交流,直击现场
让创作激发创新
海量开发者使用工具、手册,免费下载
极速、全面、稳定、安全的开源镜像
开发手册、白皮书、案例集等实战精华
热门
专注于为企业提供数智化转型服务,数据知识挖掘机...方法论、数据技术与产品、最佳行业实践都能聊!
1
回答
如图所示,
《数据安全流通方案/瓴羊隐私计算白皮书》电子书,点击https://developer.aliyun.com/ebook/download/7824 可下载完整版
计算任务全部下发到参与多方各自的本地数据计算环境运行; 同时,计算任务由参与方在 LSCC 集体确认后方可执行。
通过中心化的管理,在数据使用中可以引入监管的机制,采用完全 可记录、可验证、可追溯、可审计、可解释的技术架构,做到数据使用可监管。
应用联合训练得到的模型,在原始数据不出域的前提下,通过交 换参与方的模型预测中间结果,或完全在密文条件下进行计算,对数据集进 行更优、更精准的预测。
所有计算任务由平台 CSCC 统一进行调配管理,优化运行和管 理效率。通过中心化的管理,在数据使用中可以引入监管的机制,采用完全 可记录、可验证、可追溯、可审计、可解释的技术架构,做到数据使用可监 管。
瓴羊隐私计算的产品设计,采用管理中心化、计算(信任)去中心化模式。
如下图所示,
在基础配置里面,需要配置数据密钥(数据加密密钥),数据计算引擎。其中数 据密钥用于在数据上传时,对数据进行加密处理。数据计算引擎又分多方安全 计算引擎、联邦学习计算引擎,其中多方安全计算引擎用于 ID 安全匹配(PSI) 功能、联邦学习计算引擎用于联合机器学习功能,多方安全计算引擎和联邦学 习计算引擎均可设置选用 MaxCompute 或者本地应用服务器作为计算引擎。
数据计算引擎分多方安全 计算引擎、联邦学习计算引擎,其中多方安全计算引擎用于 ID 安全匹配(PSI) 功能、联邦学习计算引擎用于联合机器学习功能,多方安全计算引擎和联邦学 习计算引擎均可设置选用 MaxCompute 或者本地应用服务器作为计算引擎。
因为瓴羊隐私产品生长于阿里数据中台实践,产品提供完整的数据使用路径功能:先分析-> 到学习决策->再分析
也称隐私信息检索,是指查询方隐藏被查询对象关键词或客户 ID 信息,数据服务方提供匹配的查询结果却无法获知具体对应哪个查询对象。
在弱匿名化的前提下进行 ID 安全匹配。用于在不泄漏数据参 与多方原始数据的前提下,得出共有 ID 集,非共有 ID 不会透出。
具有如下功能:
ID安全匹配
隐匿信息查询
联合训练
联合预测
瓴羊隐私计算作为瓴羊开发云核心产品之一,通过数据可用不可见技术提供数据 可用不可见数据安全流通解决方案,可实现产业间高效协同,帮助行业、机构实 现数据价值的共享与协作。
随着包括新零售、汽车、金融等多行业数字化转型加速,数据的价值正在被越来 越多的企业广泛认知,国家亦出台多项政策,明确数据要素的基础性、战略性地位、 要求加强数据资源整合。
应用差分隐私下的联邦学 习计算过程可以通过下图描述:
联邦学习在涉及到模型 训练的场景适用度高效果好,在金融场景有普遍应用。
因为联邦学习使用分布式的 方式让模型在不同数据源进行训练,实现共同建模,而数据又不会离开其生产环 境。在共享的内容中,部分模型参数共享而原始数据不共享,由于共享的是模型 而不是原始数据,可达到最大限度避免数据泄漏的效果。
邦学习(Federated Learning,FL),是机器学习的一种延伸,使用分布式的 方式让模型在不同数据源进行训练,实现共同建模,而数据又不会离开其生产环 境。在共享的内容中,部分模型参数共享而原始数据不共享,由于共享的是模型 而不是原始数据,可达到最大限度避免数据泄漏的效果。联邦学习在涉及到模型 训练的场景适用度高效果好,在金融场景有普遍应用。
2
应用 TEE 实现隐私计算的过程可以通过下图描述:
—步骤 1:各个参与方将自己的数据 x 通过安全链路传输给 TEE。
—步骤 2:TEE 在保证机密性和完整性的条件下完成计算任务。
—步骤 3:TEE 通过安全链路将计算结果发送给各个参与方。
目前可信执行环境的代表性硬件产品主要有 Intel 的 SGX、ARM 的 TrustZone 等,在中心化的大数据平台场景有极佳的适配性。
多方安全计算包含 多种底层密码学技术,包括不经意传输(Oblivious Transfer)、混淆电路(Garbled Circuit)、同态加密(Homomorphic Encryption)等。
主要研究在无可信第三方情况下,利用密码学的方式, 让各方数据安全的进行计算,而各自又不会得到对方的信息。
可信执行环境(Trusted execution environment,TEE),是指构建一个可信空 间用于进行计算,这个空间独立于操作系统而存在,是一个可信的隔离环境,数 据仅在这个安全环境内进行计算,通过空间隔离来保障其安全性,即使是平台的 管理员也无法访问该空间。
安全多方计算(Multi-Party Secure Computation,MPC)由中国科学院院士姚 期智教授在 1982 年提出。
主要研究在无可信第三方情况下,利用密码学的方式, 让各方数据安全的进行计算,而各自又不会得到对方的信息。多方安全计算包含 多种底层密码学技术,包括不经意传输(Oblivious Transfer)、混淆电路(Garbled Circuit)、同态加密(Homomorphic Encryption)等。安全多方计算的定义可 以通过下图描述:
隐私计算面对不同的场景,有多种技术路线可以适配。当用户对隐私计算有需求 时,可以综合结合使用多种技术来实现。
安全多方计算
可信执行环境
联邦学习
私计算(Privacy-Enhancing Computation)亦可称为隐私计算,它是一类技 术的统称,用于数据融通共享处理过程中的数据安全与隐私保护。“隐私计算”可 以理解为是在隐私保护的前提下,完成对数据的计算工作。面向敏感数据有使用 需求而又不能明文出域的情况,隐私计算保障数据的隐私性和安全性,并使得数 据参与了计算但是所有的参与者无法获取到敏感数据明文,达到数据“可用不可 见”的效果。
这样的隐私计算平台能实现数据价值的可通可用不可溯,做到数据可用不可见,且可开放相关的日志以便被第三方机构或政府机构进 行审计。
它能实现数据价值的可通可用不可溯,做到数据可用不可见。同时,类似像瓴羊隐 私计算这样的隐私计算平台,可开放相关的日志以便被第三方机构或政府机构进 行审计。
发展数字经济是国家战略
数据产业面临数据安全和隐私合规问题的挑战。
隐私计算技术已经成为数据应用新方式的探究方向。
这本书的内容包括瓴羊隐私计算的3大核心技术能力、隐私计算技术背后的决策和思考、各行业隐私计算的应用场景示例等。
下载链接:https://developer.aliyun.com/ebook/download/7824,这本电子书收录于开发者藏经阁,有兴趣的可以看下,还有很多技术类电子书:https://developer.aliyun.com/ebook
文章 瓴羊企业智能 2022-10-20 553浏览量
文章 瓴羊企业智能 2022-10-19 534浏览量
文章 瓴羊企业智能 2022-10-18 440浏览量
文章 瓴羊企业智能 2022-09-30 506浏览量
文章 瓴羊企业智能 2022-09-13 1097浏览量
文章 瓴羊企业智能 2022-09-01 988浏览量
文章 瓴羊智能服务 2022-08-31 679浏览量
文章 瓴羊企业智能 2022-08-17 2073浏览量
文章 瓴羊企业智能 2022-08-11 410浏览量
文章 瓴羊企业智能 2022-08-04 409浏览量
文章 瓴羊智能服务 2022-07-21 723浏览量
瓴羊是阿里巴巴中台能力的全面开放和对外输出,集成了数据、业务、服务中台系统多年的能力和经验,旨在数字经济时代,面对企业客户提供分析、营销、产销、客服等多领域智能产品和服务,助力企业在商业社会中决胜当下,跑赢未来。 目前设有官方钉钉交流群、官网渠道,欢迎欢迎志同道合者一起交流成长!
【加入交流群】瓴羊智能服务交流群: https://h5.dingtalk.com/invite-page/index.html?bizSource=____source____&corpId=dingda5d69402c1b0a5eee0f45d8e4f7c288&inviterUid=9174C2FB103DE76C&encodeDeptId=0054DC2B53AFE745