欢迎光临中图网 请 | 注册

隐私计算

作者:陈凯
出版社:电子工业出版社出版时间:2022-02-01
开本: 16开 页数: 256
中 图 价:¥87.3(7.4折) 定价  ¥118.0 登录后可看到会员价
加入购物车 收藏
运费6元,满69元免运费
?快递不能达地区使用邮政小包,运费14元起
云南、广西、海南、新疆、青海、西藏六省,部分地区快递不可达
本类五星书更多>

隐私计算 版权信息

  • ISBN:9787121426414
  • 条形码:9787121426414 ; 978-7-121-42641-4
  • 装帧:一般纯质纸
  • 册数:暂无
  • 重量:暂无
  • 所属分类:>

隐私计算 本书特色

适读人群 :本书是为计算机科学、隐私保护、大数据和人工智能相关专业的学生,以及对隐私计算感兴趣的从业者,从事隐私计算研究的研究人员、法律法规制定者和政府监管者编写的。无论是入门还是探究隐私计算,本书都可作为阅读资料的**本书。内容系统完整全面。呈现相对完整的隐私计算知识体系,系统阐述隐私计算关键技术,包括4大发展阶段,5大应用平台,9大落地实践案例。 理论应用价值兼备。系统讲解隐私计算的基础理论和关键技术,包括秘密共享、同态加密、不经意传输、混淆电路、差分隐私、可信执行环境和联邦学习。并介绍了基于隐私计算技术构建的五个前沿隐私计算平台,以及平台的效率问题和常见加速策略。 产业实践案例丰富。本书结合金融营销与风控、广告计费、广告推荐、数据查询、医疗、语音识别及政务等领域的产业应用案例,详细分析了相关技术的适用范围和落地方法,方便读者理解技术的优点和局限性,对实践者具有很高的参考价值。 全新法律法规解读。本书邀请观韬中茂律师事务所的资深律师,对新的中国数据保护法律进行了详细解读,方便读者了解中国新的数据保护制度。 顶级专家学者力荐。中国科学院院士梅宏倾情作序,中国工程院院士高文,中国工程院外籍院士、加拿大皇家科学院院士罗智泉,创新工场董事长兼CEO李开复联袂推荐。 全彩印刷设计精良。本书采用全彩印刷,精致排版设计,提供上乘阅读体验。

隐私计算 内容简介

在大数据和人工智能时代,如何在享受新技术带来的便利性的同时保护自己的隐私,是一个重要的问题。《隐私计算》系统讲解了隐私计算的基础技术和实践案例,全书共有11 章,按层次划分为三部分。**部分全面系统地阐述隐私加密计算技术,包括秘密共享、同态加密、不经意传输和混淆电路。第二部分介绍隐私保护计算技术,包括差分隐私、可信执行环境和联邦学习。第三部分介绍基于隐私计算技术构建的隐私计算平台和实践案例,隐私计算平台主要包括面向联邦学习的FATE 平台和加密数据库的CryptDB 系统等五个平台,以及隐私计算平台的效率问题和常见的加速策略;实践案例部分主要介绍包括金融营销与风控、广告计费、广告推荐、数据查询、医疗、语音识别及政务等领域的应用案例。此外,《隐私计算》还展望了隐私计算未来的研究和落地方向。在附录中介绍了当前新的中国数据保护法律概况。 《隐私计算》可供计算机科学、隐私保护、大数据和人工智能相关专业的学生,以及对隐私计算有兴趣的相关从业者阅读,也适合从事隐私保护相关研究的研究人员、法律法规制定者和政府监管部门阅读。

隐私计算 目录

推荐序

前言

数学符号


第1 章隐私计算介绍/1

1.1 隐私计算的定义与背景/2

1.1.1 隐私计算的定义与分类/2

1.1.2 隐私计算的发展历程/6

1.2 隐私计算的技术实现/8

1.3 隐私计算平台与案例/10

1.4 隐私计算的挑战/10


第2 章秘密共享/13

2.1 问题模型及定义/15

2.1.1 秘密共享问题模型/15

2.1.2 秘密共享定义/16

2.2 原理与实现/19

2.2.1 秘密共享方案的发展/19

2.2.2 经典秘密共享方案/21

2.2.3 秘密共享方案的同态特性/26

2.3 优缺点分析/28

2.4 应用场景/28

2.4.1 秘密共享在横向联邦学习中的应用/28

2.4.2 秘密共享在纵向联邦学习中的应用/31

2.4.3 秘密共享在安全多方计算中的应用/32



第3 章同态加密/35

3.1 问题模型及定义/36

3.2 原理与实现/39

3.2.1 群/40

3.2.2 环/41

3.2.3 格/41

3.2.4 部分同态加密/42

3.2.5 近似同态加密/44

3.2.6 全同态加密/45

3.2.7 层级同态加密/48

3.3 优缺点分析/50

3.3.1 同态加密的优点/50

3.3.2 同态加密的缺点/51

3.4 应用场景/52

3.4.1 密文检索/52

3.4.2 云机器学习服务/54



第4 章不经意传输/57

4.1 问题模型及定义/58

4.2 不经意传输的实现/58

4.2.1 基于公钥加密的不经意传输/58

4.2.2 不经意传输的扩展与优化/59

4.3 应用场景/61


第5 章混淆电路/63

5.1 问题模型及定义/64

5.2 混淆电路的实现与优化/65

5.2.1 使用不经意传输的简单实现/66

5.2.2 混淆电路计算与门电路/67

5.2.3 任意逻辑门和电路/67

5.2.4 主流的优化方案和代价分析/69

5.3 优缺点分析/71

5.4 应用场景/72

5.4.1 与其他安全多方计算协议混合使用/72

5.4.2 混淆电路实现一般的安全多方计算/73


第6 章差分隐私/75

6.1 问题模型及定义/7

6.1.1 随机回答的问题模型及定义/77

6.1.2 差分隐私的问题模型及定义/78

6.2 实现方法及性质/83

6.2.1 离散值域:随机回答/83

6.2.2 连续值域:拉普拉斯噪声法和高斯噪声法/83

6.2.3 差分隐私的性质/86

6.3 优缺点分析/88

6.4 应用场景/90

6.4.1 传统数据分析/90

6.4.2 机器学习/92


第7 章可信执行环境/97

7.1 可信执行环境简介/98

7.2 原理与实现/99

7.2.1 ARM TrustZone/99

7.2.2 Intel SGX/101

7.2.3 AMD SEV/102

7.2.4 AEGIS/104

7.2.5 TPM/104

7.3 优缺点分析/104

7.4 应用场景/106

7.4.1 移动终端/106

7.4.2 云计算/108

7.4.3 区块链/110



第8 章联邦学习/111

8.1 联邦学习的背景、定义与分类/112

8.1.1 联邦学习的背景/112

8.1.2 联邦学习的定义/113

8.1.3 联邦学习的分类/113

8.1.4 联邦学习的安全性/115

8.2 横向联邦学习/16

8.2.1 横向联邦学习架构、训练与推理/116

8.2.2 联邦平均算法/117

8.2.3 横向联邦学习的隐私安全性/118

8.3 纵向联邦学习/122

8.3.1 纵向联邦学习架构、训练与推理/122

8.3.2 纵向联邦线性回归/123

8.3.3 纵向联邦学习的隐私安全性/125

8.4 联邦迁移学习/125

8.4.1 迁移学习简介/126

8.4.2 联邦迁移学习算法训练和推理/126

8.4.3 联邦迁移学习的安全性/129

8.5 联邦学习的应用场景/129

8.5.1 自然语言处理/130

8.5.2 医疗/130

8.5.3 金融/131

8.6 联邦学习的未来展望/131

8.6.1 隐私与效率、性能的权衡/132

8.6.2 去中心化的联邦学习/132



第9 章隐私计算平台/135

9.1 隐私计算平台概述/136

9.2 FATE 安全计算平台/136

9.2.1 平台概述/136

9.2.2 FATE 中的隐私计算技术/138

9.2.3 平台工作流程/139

9.2.4 应用场景/141

9.3 CryptDB 加密数据库系统/142

9.3.1 系统概述/142

9.3.2 隐私计算技术在CryptDB 中的实现:基于SQL 感知的加密策略/144

9.3.3 基于密文的查询方法/145

9.3.4 应用场景/147

9.4 MesaTEE 安全计算平台Teaclave/148

9.4.1 飞桨深度学习平台与安全计算/148

9.4.2 PaddleFL 联邦学习框架/149

9.4.3 MesaTEE 平台概述/150

9.4.4 MesaTEE 底层可信执行环境/150

9.4.5 FaaS 服务/152

9.4.6 执行器MesaPy/153

9.4.7 应用场景——MesaTEE 与飞桨/154

9.5 Conclave 查询系统/155

9.5.1 系统概述/155

9.5.2 Conclave 隐私安全技术介绍/156

9.5.3 Conclave 查询编译/158

9.5.4 应用场景/161

9.6 PrivPy 隐私计算平台/161

9.6.1 PrivPy 平台概述/161

9.6.2 平台后端安全计算介绍/163

9.6.3 用户编程接口/165

9.6.4 应用场景/166

9.7 隐私计算平台效率问题和加速策略/166

9.7.1 隐私计算技术中的效率问题/167

9.7.2 异构加速隐私计算/168

9.7.3 网络优化解决数据传输问题/171



第10 章隐私计算案例解析/175

10.1 隐私计算在金融营销与风控中的应用/176

10.2 隐私计算在广告计费中的应用/182

10.3 隐私计算在广告推荐中的应用/185

10.4 隐私计算在数据查询中的应用/187

10.5 隐私计算在医疗领域的应用:基因研究/189

10.6 隐私计算在医疗领域的应用:医药研究/193

10.7 隐私计算在语音识别领域的应用/194

10.8 隐私计算在政务部门的应用/196

10.9 隐私计算在用户数据统计的应用/ 203



第11 章隐私计算未来展望/209


参考文献214



附录A 中国数据保护法律概况/233

A.1 《个人信息保护法》与数据保护/234

A.1.1 适用范围/234

A.1.2 个人信息处理原则/234

A.1.3 个人信息保护影响评估制度/235

A.1.4 禁止“大数据杀熟”的算法歧视/235

A.1.5 个人信息跨境提供规则/236

A.1.6 个人信息主体权利/236

A.2 《数据安全法》与数据保护/ 237

A.2.1 适用范围和域外效力/237

A.2.2 数据分类分级保护制度/237

A.2.3 数据安全保护义务/237

A.3 《网络安全法》与数据保护/ 238


展开全部

隐私计算 作者简介

陈 凯 香港科技大学计算机科学与工程系副教授、博导、研究生部主任,智能网络与系统实验室(iSING Lab)主任,香港科大-微信人工智能技术联合实验室(WHAT Lab)主任,香港人工智能与机器人学会(HKSAIR)执行副理事长,香港主题研究计划(Theme-based Reseach Scheme)首席科学家。主要研究方向包括数据中心网络、云计算、大数据和人工智能底层系统和基础架构。担任ACM SIGCOMM、USENIX NSDI、IEEE INFOCOM、IEEE/ACM Transactions on Networking、Big Data、Cloud Computing等国际会议和期刊的程序委员会委员和编委,亚太网络研讨会(APNet)的发起人和执行委员会主席。陈凯本科和硕士毕业于中国科学技术大学,获得中国科学院院长奖,博士毕业于美国西北大学。 杨 强 加拿大工程院及加拿大皇家科学院两院院士,微众银行首席人工智能官,香港科技大学讲席教授,AAAI 2021大会主席,中国人工智能学会(CAAI)荣誉副理事长,香港人工智能与机器人学会(HKSAIR)理事长以及智能投研技术联盟(ITL)主席。他是AAAI/ACM/CAAI/IEEE/IAPR/AAAS Fellow,也是IEEE Transactions on Big Data和ACM Transactions on Intelligent Systems and Technology创始主编,以及多个国际人工智能和数据挖掘领域杂志编委。曾获2019年度“吴文俊人工智能科学技术奖”杰出贡献奖,2017年ACM SIGKDD杰出服务奖。杨强毕业于北京大学,于1989年在马里兰大学获得计算机博士学位,之后在加拿大滑铁卢大学和Simon Fraser大学任教,他的研究领域包括人工智能、数据挖掘和机器学习等。他曾任华为诺ya方舟实验室主任,第四范式公司联合创始人,香港科技大学计算机与工程系系主任以及国际人工智能联合会(IJCAI)理事会主席。领衔全球迁移学习和联邦学习研究及应用,最近的著作有《迁移学习》、《联邦学习》和《联邦学习实战》等。

商品评论(0条)
暂无评论……
书友推荐
编辑推荐
返回顶部
中图网
在线客服