隐私计算

• 多方安全计算

  在多个参与方之间保护隐私的计算方法，使得每个参与方在计算时不会暴露彼此的敏感信息给其他参与方。

• 联邦学习

  一种分布式机器学习算法，帮助多个参与方在不交换原始数据前提下，完成共享模型训练，实现数据可用但不可见。

• 可信执行环境

  基于硬件安全机制，将参与计算的代码和数据加载至一个受CPU保护的可信环境中，在机密性和完整性上提供保护。

• 同态加密

  一种加密算法，在密文上进行操作得到的结果仍为密文，经过解密后，与对明文数据进行相应操作得到的结果一致。

• 差分隐私

  一种保护个人隐私的技术，在分析前向数据添加噪声或随机性，使攻击者难以确定特定个体数据是否包含在分析中。

• 合成数据

  一种隐私保护的数据合成技术，先对源数据集进行脱敏处理，再进一步生成与源数据具有相同统计分布的新数据集。