课程简介
本课程在于帮助学员掌握隐私计算（privacy computing）技术的概念、原理、技术组成与应
⽤场景和应⽤⽅式，了解该技术的起源、背景、发展和现状；掌握相关框架和⽅案。
目标收益
完成本课程学习后，学员能够理解并掌握隐私计算基本概念、相关技术（安全多⽅计算、联
邦学习、可信执⾏环境、区块链）的核⼼原理和基本算法，并能针对适⽤的应⽤场景进⾏解
决⽅案设计
培训对象
课程大纲
| 隐私计算背景 |
-政策背景 -市场问题和潜⼒ -研发动态 |
| 隐私计算概念 |
-”数据可⽤不可⻅，数据不动模型动“ -“数据可⽤不可⻅，数据可控可计量” - “不共享数据，⽽是共享数据价值” |
| 隐私计算技术组成 |
-联邦学习 Federated Learning, FL -安全多⽅计算 Secure Multiparty Computation, MPC / SMPC -可信执⾏环境 Trusted Execution Environment, TEE -区块链 Block chain |
| 联邦学习 Federated Learning, FL |
-为什么需要联邦学习 -什么是联邦学习 ①联邦学习优、劣势 ②横向联邦学习 ③纵向联邦学习 ④联邦学习迁移学习 -联邦优化 ①⾮独⽴全同数据 Non-IID ②⾮平衡性 Unbalanced ③⼤规模分布 Massively distributed ④受限的通信 Limited communication -联邦学习算法 FederatedAveraging -联邦学习技术挑战 ①在设备训练 On device training ②隐私保护 -联邦学习应⽤场景 -联邦学习框架 ①TensorFlow Federated ②FATE (Federated AI Technology Enabler) |
| 安全多⽅计算 Secure Multiparty Computation, MPC / SMPC |
-加密性和共享性⽭盾 ·同态加密 -安全多⽅计算典型架构 -安全多⽅计算应⽤示例 |
| 可信执⾏环境 Trusted Execution Environment, TEE |
-基于硬件的可信计算技术 -基于软件的可信计算技术 |
| 区块链+隐私计算 |
-计算任务数据全⽣命周期的安全性 -计算任务过程可追溯性 -Phala ⽹络 ·波卡计算中的隐私计算平⾏链 |
| 隐私计算应⽤ |
-政务领域 -⾦融领域 -医疗领域 -⼴告领域 |
|
隐私计算背景 -政策背景 -市场问题和潜⼒ -研发动态 |
|
隐私计算概念 -”数据可⽤不可⻅，数据不动模型动“ -“数据可⽤不可⻅，数据可控可计量” - “不共享数据，⽽是共享数据价值” |
|
隐私计算技术组成 -联邦学习 Federated Learning, FL -安全多⽅计算 Secure Multiparty Computation, MPC / SMPC -可信执⾏环境 Trusted Execution Environment, TEE -区块链 Block chain |
|
联邦学习 Federated Learning, FL -为什么需要联邦学习 -什么是联邦学习 ①联邦学习优、劣势 ②横向联邦学习 ③纵向联邦学习 ④联邦学习迁移学习 -联邦优化 ①⾮独⽴全同数据 Non-IID ②⾮平衡性 Unbalanced ③⼤规模分布 Massively distributed ④受限的通信 Limited communication -联邦学习算法 FederatedAveraging -联邦学习技术挑战 ①在设备训练 On device training ②隐私保护 -联邦学习应⽤场景 -联邦学习框架 ①TensorFlow Federated ②FATE (Federated AI Technology Enabler) |
|
安全多⽅计算 Secure Multiparty Computation, MPC / SMPC -加密性和共享性⽭盾 ·同态加密 -安全多⽅计算典型架构 -安全多⽅计算应⽤示例 |
|
可信执⾏环境 Trusted Execution Environment, TEE -基于硬件的可信计算技术 -基于软件的可信计算技术 |
|
区块链+隐私计算 -计算任务数据全⽣命周期的安全性 -计算任务过程可追溯性 -Phala ⽹络 ·波卡计算中的隐私计算平⾏链 |
|
隐私计算应⽤ -政务领域 -⾦融领域 -医疗领域 -⼴告领域 |
近期公开课推荐
