❤️💕💕CS自学指南,大学教育无论是深度还是广度都没有办法支撑我们的职业素养,这个板块算是自己在CS学习中额外补充和记录的。个人博客:http://nsddd.top
[TOC]
隐私计算是一种技术，允许两个或多个方进行计算，而不必将自己的数据暴露给其他方。这使得它成为处理敏感数据的安全方法，例如个人信息或医疗记录。
有几种常见的隐私计算方法，包括：
- 密码学方法，例如加密分组交换（EGC）和公开密钥加密（PKE）
- 专用设备，例如隐私保护硬件（PPH）
- 混合型方法，例如隐私保护计算（PPC）
数据密集时代，隐私计算挑战：
- 性能：隐私计算的常见问题之一是性能下降。由于需要进行额外的加密和解密步骤，隐私计算的运行速度通常比传统计算慢。
- 可用性：另一个挑战是可用性。为了保护数据隐私，隐私计算通常需要使用专用设备或软件，这可能会导致使用障碍。
- 兼容性：最后一个挑战是兼容性。为了实现隐私计算，常常需要使用特殊的算法和协议，这可能会与现有的软件和系统不兼容。
隐语是一种开源的隐私计算平台，提供了在分布式系统中执行隐私保护计算的工具。
- GitHub 上：https://github.com/secretflow/secretflow
- 隐语官方网站：https://www.secretflow.org.cn/docs/secretflow/zh_CN/
SecretFlow 是一个隐私保护数据分析和机器学习的统一框架。
SecretFlow 提供
- 设备抽象，将多方安全计算（MPC）、同态加密（HE）、可信执行环境（TEE）等隐私计算技术抽象为密文设备，将明文计算抽象为明文设备。
- 基于抽象设备的计算图，使数据分析和机器学习工作流程能够表示为计算图。
- 基于计算图的机器学习/数据分析能力，支持数据水平/垂直/混合分割等场景。
目前，隐私计算技术日益普及。 然而，无论是技术还是市场，都还没有真正成熟。为了应对隐私计算技术和应用的发展不确定性，我们提出了一个通用的隐私计算框架 - SecretFlow。SecretFlow将坚持以下原则，使框架具有最大的包容性和可扩展性，以应对未来隐私计算技术和应用的发展。
- 完备性：支持多种隐私计算技术，可灵活组装，满足不同场景需求。
- 透明性：构建统一的技术框架，尽量让底层技术迭代对上层透明应用，具有高内聚和低耦合。
- 开放性：不同专业方向的人可以轻松参与框架的建设，共同加速隐私计算技术的发展。
- 连接性：不同底层技术支持的场景中的数据可以相互连接。