会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

关于联邦学习建模过程中算法交互内容的研究

“联邦学习”（FederatedLearning）正是在这个背景下提出和发展起来的，它主要从技术维度出发，重点研究其中的隐私保护和数据安全问题。联邦学习曾多次以不同的形式出现过，例如，面向隐私保护的机器学习、面向隐私保护的深度学习、协作式机器学习、协作式深度学习、分布式机器学习、分布式深度学习、联邦优化和面向隐私保护的数据分析。联邦学习最初的定义是一种借助多方客户端的私有数据集来训练全局共享模型的分布式机器学习算法框架。从广义上来说，联邦学习指数据所有者不需要上传私有数据集即可结合多方数据来训练全局共享模型的方法，得到的模型的效果和直接整合数据到数据中心或一台机器上进行训练得到的模型的效果相近，同时也保护了数据的安全，避免泄露数据隐私。

  • 2022-01-15
  • 阅读141
  • 下载0
  • 50页
  • docx

推荐算法设计综述

推荐系统能够根据用户的兴趣推荐可能喜欢的条目，目前已经成为互联网中最常见的应用之一[1]，被广泛应用于电商（亚马逊、淘宝、京东）、新闻媒体（今日头条）、内容提供商（豆瓣、微博、优酷）等各个领域。据统计，亚马逊约有30%的销售额、Netflix中约有60%的观看时长、谷歌新闻中约38%的新闻点击都来源于各自的推荐系统，由此可见推荐系统对于互联网来说是至关重要的应用之一。

  • 2022-01-15
  • 阅读111
  • 下载0
  • 24页
  • docx

网络安全态势感知之入侵检测与安全分析

对态势的理解是人们组合、分析、解读和保留信息的过程。在态势提取的基础上，我们可以采取一系列方法和技术来对安全态势进行进一步的理解和处理，这其中包括安全检测和分析、态势指标构建和态势评估等。本文对网络安全检测和分析的相关技术进行介绍和说明。

  • 2022-01-15
  • 阅读116
  • 下载0
  • 22页
  • docx

零知识证明应用到区块链中的技术挑战

区块链是一种以密码学算法为基础的点对点分布式账本技术，然而，公开透明的区块链账本辅以社会学挖掘、数据挖掘等统计学方法，使得用户的隐私面临重大威胁，因而隐私保护成为当前区块链技术研究的热点。总结了已有的隐私保护方案，重点聚焦于零知识证明技术，阐述并分析了零知识证明应用到区块链隐私保护方案中的技术挑战，并给出了具有指导意义的解决方案。

  • 2022-01-17
  • 阅读109
  • 下载0
  • 9页
  • docx

隐私保护分析和安全多方计算

对所存储数据进行加密不足以避免数据泄露。对存储数据加密创建了一个“加密边界”，在该边界之外的数据可以明文访问。由于处理通常需要纯文本数据，因此该边界通常存在于可能发生泄漏的地方。对存储数据加密也不支持必须与其他企业共享数据的场景。由于数据是有用的，它们通常必须在应用程序中以明文形式访问，这大大降低了加密的保护能力。典型的数据掩蔽技术的一个缺点是，它们不广泛地支持对交易或行为数据的保护。对存储数据加密和数据掩蔽技术的这些局限性促使人们越来越关注于寻找新的数据保护技术——特别是将高级技术应用在传统数据加密和数据掩蔽技术无法对数据进行保护的情况下。

  • 2022-01-15
  • 阅读120
  • 下载0
  • 15页
  • docx

联邦学习在证券行业的应用初探

联邦学习的概念在2016年由谷歌率先提出，最初用于解决安卓手机更新本地模型的问题。而近年来随着各个国家对个人隐私和数据安全的重视逐步提高，联邦学习作为机器学习和隐私计算的结合体，为解决数据孤岛问题开辟了一片全新领域。在医疗、金融、零售等领域逐渐涌现出了一些很有价值的应用场景，有部分场景已进入具体的落地应用阶段；在业界也出现了支持联邦学习架构体系的工业级开源框架，如FATE（Federated AI Technology Enabler）。

  • 2022-01-17
  • 阅读139
  • 下载0
  • 9页
  • docx

一文带你了解多方安全计算

在大数据时代，数据已经成为企业之间竞争的核心竞争力。而数据作为一种新资源，只有流动起来才能发挥其真正的价值。但在流动的过程中，数据的使用权与所有权之间存在着一个重要的矛盾：服务者必须在得到消费者的数据后才能提供服务，而消费者却不希望公开他们的私密数据。

  • 2022-01-15
  • 阅读118
  • 下载0
  • 15页
  • docx

一文了解隐私保护基础技术

可干预性是指与隐私相关的任何数据处理涉及的各方，包括处理其个人数据的个人，都可以在必要时进行干预。目的是在过程中提供纠正措施和平衡措施。对于个人而言，介入性包括数据主体的纠正和删除权，或提出索赔或提出争议以在发生不良后果时寻求补救的权利。对于数据控制器，可插入性使他们能够拥有有效的手段来控制其数据处理器以及相应的IT系统，以防止不良后果。此类手段的示例包括：停止正在运行的进程以避免进一步的伤害或允许进行调查的能力，以确保安全擦除包括备份介质上存储的数据项在内的数据，并手动否决自动决策或应用破坏性策略。

  • 2022-01-15
  • 阅读135
  • 下载0
  • 29页
  • docx