中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
隱私計算 版權信息
- ISBN：9787121426414
- 條形碼：9787121426414 ; 978-7-121-42641-4
- 裝幀：一般純質紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
隱私計算 本書特色
適讀人群 ：本書是為計算機科學、隱私保護、大數據和人工智能相關專業的學生，以及對隱私計算感興趣的從業者，從事隱私計算研究的研究人員、法律法規制定者和政府監管者編寫的。無論是入門還是探究隱私計算，本書都可作為閱讀資料的**本書。內容系統完整全面。呈現相對完整的隱私計算知識體系，系統闡述隱私計算關鍵技術，包括4大發展階段，5大應用平臺，9大落地實踐案例。 理論應用價值兼備。系統講解隱私計算的基礎理論和關鍵技術，包括秘密共享、同態加密、不經意傳輸、混淆電路、差分隱私、可信執行環境和聯邦學習。并介紹了基于隱私計算技術構建的五個前沿隱私計算平臺，以及平臺的效率問題和常見加速策略。 產業實踐案例豐富。本書結合金融營銷與風控、廣告計費、廣告推薦、數據查詢、醫療、語音識別及政務等領域的產業應用案例，詳細分析了相關技術的適用范圍和落地方法，方便讀者理解技術的優點和局限性，對實踐者具有很高的參考價值。 全新法律法規解讀。本書邀請觀韜中茂律師事務所的資深律師，對新的中國數據保護法律進行了詳細解讀，方便讀者了解中國新的數據保護制度。 頂級專家學者力薦。中國科學院院士梅宏傾情作序，中國工程院院士高文，中國工程院外籍院士、加拿大皇家科學院院士羅智泉，創新工場董事長兼CEO李開復聯袂推薦。 全彩印刷設計精良。本書采用全彩印刷，精致排版設計，提供上乘閱讀體驗。
隱私計算 內容簡介
在大數據和人工智能時代，如何在享受新技術帶來的便利性的同時保護自己的隱私，是一個重要的問題。《隱私計算》系統講解了隱私計算的基礎技術和實踐案例，全書共有11 章，按層次劃分為三部分。**部分全面系統地闡述隱私加密計算技術，包括秘密共享、同態加密、不經意傳輸和混淆電路。第二部分介紹隱私保護計算技術，包括差分隱私、可信執行環境和聯邦學習。第三部分介紹基于隱私計算技術構建的隱私計算平臺和實踐案例，隱私計算平臺主要包括面向聯邦學習的FATE 平臺和加密數據庫的CryptDB 系統等五個平臺，以及隱私計算平臺的效率問題和常見的加速策略；實踐案例部分主要介紹包括金融營銷與風控、廣告計費、廣告推薦、數據查詢、醫療、語音識別及政務等領域的應用案例。此外，《隱私計算》還展望了隱私計算未來的研究和落地方向。在附錄中介紹了當前新的中國數據保護法律概況。 《隱私計算》可供計算機科學、隱私保護、大數據和人工智能相關專業的學生，以及對隱私計算有興趣的相關從業者閱讀，也適合從事隱私保護相關研究的研究人員、法律法規制定者和政府監管部門閱讀。
隱私計算 目錄
推薦序
前言
數學符號
第1 章隱私計算介紹/1
1.1 隱私計算的定義與背景/2
1.1.1 隱私計算的定義與分類/2
1.1.2 隱私計算的發展歷程/6
1.2 隱私計算的技術實現/8
1.3 隱私計算平臺與案例/10
1.4 隱私計算的挑戰/10
第2 章秘密共享/13
2.1 問題模型及定義/15
2.1.1 秘密共享問題模型/15
2.1.2 秘密共享定義/16
2.2 原理與實現/19
2.2.1 秘密共享方案的發展/19
2.2.2 經典秘密共享方案/21
2.2.3 秘密共享方案的同態特性/26
2.3 優缺點分析/28
2.4 應用場景/28
2.4.1 秘密共享在橫向聯邦學習中的應用/28
2.4.2 秘密共享在縱向聯邦學習中的應用/31
2.4.3 秘密共享在安全多方計算中的應用/32
第3 章同態加密/35
3.1 問題模型及定義/36
3.2 原理與實現/39
3.2.1 群/40
3.2.2 環/41
3.2.3 格/41
3.2.4 部分同態加密/42
3.2.5 近似同態加密/44
3.2.6 全同態加密/45
3.2.7 層級同態加密/48
3.3 優缺點分析/50
3.3.1 同態加密的優點/50
3.3.2 同態加密的缺點/51
3.4 應用場景/52
3.4.1 密文檢索/52
3.4.2 云機器學習服務/54
第4 章不經意傳輸/57
4.1 問題模型及定義/58
4.2 不經意傳輸的實現/58
4.2.1 基于公鑰加密的不經意傳輸/58
4.2.2 不經意傳輸的擴展與優化/59
4.3 應用場景/61
第5 章混淆電路/63
5.1 問題模型及定義/64
5.2 混淆電路的實現與優化/65
5.2.1 使用不經意傳輸的簡單實現/66
5.2.2 混淆電路計算與門電路/67
5.2.3 任意邏輯門和電路/67
5.2.4 主流的優化方案和代價分析/69
5.3 優缺點分析/71
5.4 應用場景/72
5.4.1 與其他安全多方計算協議混合使用/72
5.4.2 混淆電路實現一般的安全多方計算/73
第6 章差分隱私/75
6.1 問題模型及定義/7
6.1.1 隨機回答的問題模型及定義/77
6.1.2 差分隱私的問題模型及定義/78
6.2 實現方法及性質/83
6.2.1 離散值域：隨機回答/83
6.2.2 連續值域：拉普拉斯噪聲法和高斯噪聲法/83
6.2.3 差分隱私的性質/86
6.3 優缺點分析/88
6.4 應用場景/90
6.4.1 傳統數據分析/90
6.4.2 機器學習/92
第7 章可信執行環境/97
7.1 可信執行環境簡介/98
7.2 原理與實現/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 優缺點分析/104
7.4 應用場景/106
7.4.1 移動終端/106
7.4.2 云計算/108
7.4.3 區塊鏈/110
第8 章聯邦學習/111
8.1 聯邦學習的背景、定義與分類/112
8.1.1 聯邦學習的背景/112
8.1.2 聯邦學習的定義/113
8.1.3 聯邦學習的分類/113
8.1.4 聯邦學習的安全性/115
8.2 橫向聯邦學習/16
8.2.1 橫向聯邦學習架構、訓練與推理/116
8.2.2 聯邦平均算法/117
8.2.3 橫向聯邦學習的隱私安全性/118
8.3 縱向聯邦學習/122
8.3.1 縱向聯邦學習架構、訓練與推理/122
8.3.2 縱向聯邦線性回歸/123
8.3.3 縱向聯邦學習的隱私安全性/125
8.4 聯邦遷移學習/125
8.4.1 遷移學習簡介/126
8.4.2 聯邦遷移學習算法訓練和推理/126
8.4.3 聯邦遷移學習的安全性/129
8.5 聯邦學習的應用場景/129
8.5.1 自然語言處理/130
8.5.2 醫療/130
8.5.3 金融/131
8.6 聯邦學習的未來展望/131
8.6.1 隱私與效率、性能的權衡/132
8.6.2 去中心化的聯邦學習/132
第9 章隱私計算平臺/135
9.1 隱私計算平臺概述/136
9.2 FATE 安全計算平臺/136
9.2.1 平臺概述/136
9.2.2 FATE 中的隱私計算技術/138
9.2.3 平臺工作流程/139
9.2.4 應用場景/141
9.3 CryptDB 加密數據庫系統/142
9.3.1 系統概述/142
9.3.2 隱私計算技術在CryptDB 中的實現：基于SQL 感知的加密策略/144
9.3.3 基于密文的查詢方法/145
9.3.4 應用場景/147
9.4 MesaTEE 安全計算平臺Teaclave/148
9.4.1 飛槳深度學習平臺與安全計算/148
9.4.2 PaddleFL 聯邦學習框架/149
9.4.3 MesaTEE 平臺概述/150
9.4.4 MesaTEE 底層可信執行環境/150
9.4.5 FaaS 服務/152
9.4.6 執行器MesaPy/153
9.4.7 應用場景——MesaTEE 與飛槳/154
9.5 Conclave 查詢系統/155
9.5.1 系統概述/155
9.5.2 Conclave 隱私安全技術介紹/156
9.5.3 Conclave 查詢編譯/158
9.5.4 應用場景/161
9.6 PrivPy 隱私計算平臺/161
9.6.1 PrivPy 平臺概述/161
9.6.2 平臺后端安全計算介紹/163
9.6.3 用戶編程接口/165
9.6.4 應用場景/166
9.7 隱私計算平臺效率問題和加速策略/166
9.7.1 隱私計算技術中的效率問題/167
9.7.2 異構加速隱私計算/168
9.7.3 網絡優化解決數據傳輸問題/171
第10 章隱私計算案例解析/175
10.1 隱私計算在金融營銷與風控中的應用/176
10.2 隱私計算在廣告計費中的應用/182
10.3 隱私計算在廣告推薦中的應用/185
10.4 隱私計算在數據查詢中的應用/187
10.5 隱私計算在醫療領域的應用：基因研究/189
10.6 隱私計算在醫療領域的應用：醫藥研究/193
10.7 隱私計算在語音識別領域的應用/194
10.8 隱私計算在政務部門的應用/196
10.9 隱私計算在用戶數據統計的應用/ 203
第11 章隱私計算未來展望/209
參考文獻214
附錄A 中國數據保護法律概況/233
A.1 《個人信息保護法》與數據保護/234
A.1.1 適用范圍/234
A.1.2 個人信息處理原則/234
A.1.3 個人信息保護影響評估制度/235
A.1.4 禁止“大數據殺熟”的算法歧視/235
A.1.5 個人信息跨境提供規則/236
A.1.6 個人信息主體權利/236
A.2 《數據安全法》與數據保護/ 237
A.2.1 適用范圍和域外效力/237
A.2.2 數據分類分級保護制度/237
A.2.3 數據安全保護義務/237
A.3 《網絡安全法》與數據保護/ 238
展開全部
隱私計算 作者簡介
陳 凱 香港科技大學計算機科學與工程系副教授、博導、研究生部主任，智能網絡與系統實驗室（iSING Lab）主任，香港科大-微信人工智能技術聯合實驗室（WHAT Lab）主任，香港人工智能與機器人學會（HKSAIR）執行副理事長，香港主題研究計劃（Theme-based Reseach Scheme）首席科學家。主要研究方向包括數據中心網絡、云計算、大數據和人工智能底層系統和基礎架構。擔任ACM SIGCOMM、USENIX NSDI、IEEE INFOCOM、IEEE/ACM Transactions on Networking、Big Data、Cloud Computing等國際會議和期刊的程序委員會委員和編委，亞太網絡研討會（APNet）的發起人和執行委員會主席。陳凱本科和碩士畢業于中國科學技術大學，獲得中國科學院院長獎，博士畢業于美國西北大學。 楊 強 加拿大工程院及加拿大皇家科學院兩院院士，微眾銀行首席人工智能官，香港科技大學講席教授，AAAI 2021大會主席，中國人工智能學會（CAAI）榮譽副理事長，香港人工智能與機器人學會（HKSAIR）理事長以及智能投研技術聯盟（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創始主編，以及多個國際人工智能和數據挖掘領域雜志編委。曾獲2019年度“吳文俊人工智能科學技術獎”杰出貢獻獎，2017年ACM SIGKDD杰出服務獎。楊強畢業于北京大學，于1989年在馬里蘭大學獲得計算機博士學位，之后在加拿大滑鐵盧大學和Simon Fraser大學任教，他的研究領域包括人工智能、數據挖掘和機器學習等。他曾任華為諾ya方舟實驗室主任，第四范式公司聯合創始人，香港科技大學計算機與工程系系主任以及國際人工智能聯合會（IJCAI）理事會主席。領銜全球遷移學習和聯邦學習研究及應用，最近的著作有《遷移學習》、《聯邦學習》和《聯邦學習實戰》等。
書友推薦
- >
隨園食單
- >
羅曼·羅蘭讀書隨筆-精裝
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
莉莉和章魚
- >
自卑與超越
- >
巴金－再思錄
- >
中國歷史的瞬間
- >
李白與唐代文化
本類暢銷
