最新公告
  • 欢迎您光临欧资源网,本站秉承服务宗旨 履行“站长”责任,销售只是起点 服务永无止境!立即加入我们
  • 数据智能产业创新服务媒体——聚焦数智·改变商业

    ”本文由洞察科技创始人兼董事长姚明撰写,投稿参加“2021中国企业数字化智能化转型升级”大型主题策划活动“行业库存季数字化智能化转型升级” “数据猿&上海大数据联盟先锋联合发起”榜单/奖项评选。

    数据智能产业创新服务媒体——聚焦数字智能,改变商业

    2020年4月,中共中央、国务院印发《关于构建更加完善的要素市场化配置体制机制的意见》,首次将数据纳入生产要素,明确了数据国家战略地位,提出加快培育数据要素市场。作为数据要素价值释放的关键环节,数据资源的开放、共享和交换对流通的要求越来越高,已成为企业数字化转型乃至数字经济发展的重要组成部分。

    然而,近年来,数据安全和隐私泄露事件的频发,严重威胁着数据元市场的健康发展,引起了公众的广泛关注。为此,国家先后颁布了《网络安全法》、《数据安全法》、《个人信息保护法》等法律法规。在约束和规范市场的同时,也在一定程度上加剧了企业对数据流通的担忧。法律合规问题和数据孤岛正在增加。

    正是在这样的政策和市场背景下,以安全多方计算、联邦学习等技术为代表的隐私计算技术受到了高度关注。以“数据可用性是无形的”为核心理念,成为数据要素的市场化建设和数据价值的安全释放。技术优化解决方案,迅速形成了新的行业服务领域。据 Gartner 称,到 2025 年,一半的大型企业将使用与隐私计算相关的技术。隐私计算已成为推动数字经济健康发展的重要技术力量之一。

    政策引导,隐私计算行业正在兴起

    国家层面,自2016年起,工信部、人民银行、国家发展改革委、中央网信办、国家能源局等部委在相关政策中明确表态加强隐私计算相关技术研发的文件。应用。

    在地方层面,广东省在今年7月发布的《数据要素市场化配置改革行动方案》中提出建设包括隐私计算在内的新型数据基础设施。

    政策的超前布局,为我国抢占隐私计算技术前沿,探索重点应用领域奠定了基调。在政策环境的帮助下,隐私计算产业迅速形成和发展,相关技术标准和评价体系逐步建立。随着越来越多的企业进入隐私计算行业,从技术研究到应用实践,跨越大数据和人工智能,隐私计算成为数据智能领域最受关注的焦点。

    隐私计算,破解数据孤岛困境

    在我看来,“数据孤岛”一直是制约数据价值充分释放的客观因素,但“数据孤岛”的核心原因是企业担心数据一旦流通就会被复制、缓存和转售。这不仅会造成数据安全和隐私泄露的风险,还会导致数据贬值。同时,越来越严格的法律法规也进一步加剧了企业对数据流动所涉及的法律合规和安全问题的担忧。因此,在加强数据安全和隐私保护的背景下,如何解决数据融合应用与隐私安全保护之间的矛盾,是打破“数据孤岛”,促进数据要素流动的最大挑战。

    隐私计算的全称是隐私保护计算(Privacy-Preserving Computing)或隐私增强计算(Privacy-Enhancing Computing)。(Computable) Invisible (Unobtainable)”,从而消除各数据协作者之间对数据安全和隐私泄露的担忧,从而通过技术手段有效解决“数据孤岛”困境。

    从技术原理上讲,隐私计算的本质是一种多方在安全和信任条件下进行联合计算的技术。在不泄露自身原始数据和业务隐私的前提下,各参与方将通过加密协作机制共同计算和分析数据,实现数据的综合价值,使数据智能从局部洞察发展到全局洞察。

    技术路径,从多态到融合

    隐私计算的技术实现路径包括安全多方计算、联邦学习、可信执行环境三种典型方案,涵盖混淆电路、秘密共享、无意传输、同态加密等底层密码学技术,以及零知识证明,差分隐私等。辅助技术。在实际应用中,每一种技术实现路径都有其适用的场景和特点。

    安全多方计算(MPC),简称MPC,由图灵奖获得者姚启智院士于1982年提出并解决百万富翁问题创立。它通过状态加密、无意传输、混淆电路和秘密共享等算法协议实现。主要适用于统计分析、判断决策、基础查询等常规计算场景。

    Federate Learning,简称FL,本质上是一个多方协作的加密机器学习框架。不同于一般的机器学习,联邦学习可以满足多个机构基于全局保护数据安全和隐私信息的需求。数据资源用于模型训练,适用于大数据建模、预测分析等复杂迭代计算场景。针对不同训练场景下数据集的特点,联邦学习可以分为垂直联邦学习、水平联邦学习、混合联邦学习(也叫迁移学习)三类,分别对应补充特征维度,补充的数量样品,以及同时补充的情况。.

    可信执行环境,简称 TEE,通过硬件执行环境的限制,隔离和保护数据和计算。隔离的具体实现包括中断隔离、RAM隔离和外设隔离、芯片内部RAM和ROM隔离等。隔离的目的是将一个CPU物理核分为安全状态和非安全状态。当物理内核处于非安全状态时,只能访问非安全外设和内存;当物理内核处于安全状态时,两个安全资源都可以访问。非安全资源。可信执行环境需要硬件厂商授权,适用于对计算速度要求高但对数据保护和安全合规性要求不高的应用场景。

    这三种技术实现路径既有共性,也有不同。在应用场景中,适用于多方数据的联合计算,但安全多方计算不仅限于机器学习建模,还可以进行基础运算、集合运算等;在模型训练过程中,联邦学习更侧重于机器学习建模。还可与安全多方计算结合,进一步保护数据安全和隐私;基于可信执行环境进行联合计算时,需要对原始数据进行加密后才能离开私有域。关于硬件芯片本身,TEE虽然可以实现相对更快的算力,但相比MPC和FL,它的原始数据逻辑上是脱离了私有域的,

    过去一段时间,业界对以上三种技术的实现路径有很多比较和争论,但我们团队始终坚持多技术融合路线,倡导面向计算场景的自适应计算引擎,这已成为当前的整体。行业技术发展趋势。

    除了隐私计算技术在安全多方计算、联邦学习、可信执行环境三个方向的实现路径外,隐私计算还经常与差分隐私、数据脱敏、数据脱敏等其他数据安全技术结合使用。匿名化。区块链技术作为增强多方信任的辅助工具。

    应用元年,行业尚处于起步阶段

    2020 年被认为是隐私计算元年。行业发展一年多以来,隐私计算技术已在多个行业得到应用。业务场景推广。与此相对应,国内多项隐私计算相关技术标准陆续发布,并从基础功能标准向性能专用、安全专用、技术集成等方向扩展,加快构建更加完善的隐私计算标准。系统。在数据安全和隐私保护的浪潮下,隐私计算逐渐成为各方的新风口,吸引着越来越多的企业进入这个行业。

    根据公司类型,行业公司大致可分为专业隐私计算公司、大数据服务或金融科技公司、泛区块链公司和互联网巨头。

    从产品功能来看,上述公司的隐私计算平台产品数量近两年呈现爆发式增长趋势,从最初的几家发展到如今的几十家。从平台技术的角度来看,包括开源和闭源,大部分产品都是基于联邦学习、安全多方计算、可信执行环境中的一种,或者集成其中一些技术来提供隐私计算服务。具有节点管理、资源管理、数据处理、联合计算、联合建模、匿名查询等基本功能,可以满足用户的一般需求。

    根据业务模式,主要分为三种:一种是软硬件产品部署和项目建设的收费模式;另一个是数据资源访问,根据不同业务场景提供的原生数据收费;三是基于平台使用的计费模式和数据价值解读的咨询服务,为数据智能运营服务提供不同的计费模式。

    行业赋能,数据流通范式安全升级

    隐私计算技术的应用场景非常广泛,目前主要集中在数据使用量大、数据协同需求大的政务、金融、医疗等领域。

    在政务领域,隐私计算可以为政务数据、金融数据、互联网企业等社会数据的融合提供解决方案,助力政务数据有针对性地向金融领域开放,促进实体经济发展。此外,以隐私计算技术为支撑的银企对接服务平台创新模式已成为政务金融领域数据安全流通的典型案例。

    科学函数计算器在线_手机上的科学计算器函数用法_科学函数计算器手机版

    在金融领域,隐私计算主要用于金融机构内部和外部的数据协同,使其业务在不泄露客户信息或获取第三方原始信息的情况下降低成本、提高效率。

    此外,医疗保健也是隐私计算技术具有价值的重要领域。隐私计算可以在医学影像识别、疾病筛查、AI辅助诊疗、智能会诊等场景提供安全的数据协同机制。例如,多个医疗机构可​​以通过横向联合学习联合构建目标检测模型,可用于通过医学图像辅助疾病检查。

    除了政务、金融、医疗等领域的应用场景,隐私计算技术也开始向更多行业扩散,并逐步在智慧能源、智能终端、智慧城市等更多场景实现探索性应用.

    未来已来,构建全球互通的数据智能联邦网络

    在我看来,未来的数字世界是建立在数据元素全流通、隐私计算的基础之上,作为能够完美解决数据“流通与安全”的最优技术方案,其市场潜力无疑是巨大的。 . 然而,作为一项新兴技术,隐私计算在快速发展的同时也面临着诸多挑战,例如:

    (一)隐私计算作为基础设施技术,是新数据基础设施的重要组成部分,对参与者的数据标准化和数据质量要求很高,这仍然是一个普遍的问题;

    (二)隐私计算的安全合规需要对数据安全相关的法律法规进行相应的解释,比如数据安全的分类分级如何对应隐私计算的技术指标;

    (三)由于隐私计算技术的加密机制复杂,交互次数多,当要流通的数据量巨大或结构特别复杂时,性能仍需大幅度提升;

    (四)隐私计算的本质是多方协作模式下的安全计算技术,因此需要提高各参与者之间的信任,消除信任风险问题;

    (五)隐私计算是一种数据元素流通的协议层技术。由于不同厂商在算法原理和技术实现上的差异,打破“数据孤岛”后会形成“计算孤岛”。因此,必须解决跨平台的互联互通问题。

    前两点需要隐私计算行业与监管机构等行业共同推动,后三点是隐私计算行业内部的挑战。

    第三点手机上的科学计算器函数用法,隐私计算行业的大部分厂商都在进行有针对性的算法和算力优化,包括算法创新和硬件加速。

    针对第三方可信度问题,业内厂商都在进行理论研究和技术实践,比如研究没有可信第三方的联邦学习算法,引入区块链作为工具来增强多方信任。

    对于异构隐私计算平台之间的互联互通手机上的科学计算器函数用法,已经确定了相应的技术标准框架,详细规则正在逐步完善中。我们在一些具体的案例中也进行了前瞻性的实现,从资源层到算法层再到原语,这将影响未来数据智能网络如何从“局域网”向“广域网”发展。

    展望未来,在日益严格的数据安全保护法规建设、更清晰的隐私计算政策指引、更完善的技术标准体系下,隐私计算将在技术深度、产品功能、性能安全性、安全性等多方面发展。应用场景。不断演进,不断赋能企业数字化、智能化转型升级。通过构建企业坚实的数据安全基础和数据流通基础设施,构建以技术信任为纽带的互联互通的全球数据智能网络,真正实现全社会数据价值的安全。释放。

    作者简介

    洞察科技创始人兼董事长姚明。原中诚信征信副总裁、CTO,曾任中国互联网金融协会征信委员会委员,CFT50智能风控委员会副主任,清华大学X-Lab区块链公开课特约导师,大连理工大学大数据公开课特聘导师,职业生涯始于著名科技殿堂贝尔实验室。他是中国大数据征信行业和隐私计算与区块链技术融合的第一实践者。

    ❷创新服务企业名单

    ❸ 创新服务产品清单

    ❹ 最有价值的投资榜单

    ❺创新技术突破榜

    ☆条漫:《看完大佬发的朋友圈,我相信:明天会更好!》

    联络资料猿

    北京地区负责人:夏

    电话:18500447861(微信)

    邮箱:summer@datayuan.cn

    国家负责人:Yaphet

    电话:18600591561(微信)

    邮箱:yaphet@datayuan.cn

    站内大部分资源收集于网络,若侵犯了您的合法权益,请联系我们删除!
    欧资源网 » 数据智能产业创新服务媒体——聚焦数智·改变商业

    常见问题FAQ

    免费下载或者VIP会员专享资源能否直接商用?
    本站所有资源版权均属于原作者所有,这里所提供资源均只能用于参考学习用,请勿直接商用。若由于商用引起版权纠纷,一切责任均由使用者承担。更多说明请参考 VIP介绍。
    提示下载完但解压或打开不了?
    最常见的情况是下载不完整: 可对比下载完压缩包的与网盘上的容量,若小于网盘提示的容量则是这个原因。这是浏览器下载的bug,建议用百度网盘软件或迅雷下载。若排除这种情况,可在对应资源底部留言,或 联络我们.。
    找不到素材资源介绍文章里的示例图片?
    对于PPT,KEY,Mockups,APP,网页模版等类型的素材,文章内用于介绍的图片通常并不包含在对应可供下载素材包内。这些相关商业图片需另外购买,且本站不负责(也没有办法)找到出处。 同样地一些字体文件也是这种情况,但部分素材会在素材包内有一份字体下载链接清单。
    欧资源网
    一个高级程序员模板开发平台

    发表评论