幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

隱私計算/人工智慧前沿技術叢書

  • 作者：陳凱//楊強|責編:宋亞東
  • 出版社：電子工業
  • ISBN：9787121426414
  • 出版日期：2022/02/01
  • 裝幀：平裝
  • 頁數：238
人民幣：RMB 118 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    在大數據和人工智慧時代，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。本書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。第一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。第三部分介紹基於隱私計算技術構建的隱私計算平台和實踐案例，隱私計算平台主要包括面向聯邦學習的FATE平台和加密資料庫的CryptDB系統等五個平台，以及隱私計算平台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，本書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最新的中國數據保護法律概況。
    本書可供電腦科學、隱私保護、大數據和人工智慧相關專業的學生，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。
作者介紹
陳凱//楊強|責編:宋亞東
目錄
推薦序
前言
數學符號
第1章  隱私計算介紹
  1.1  隱私計算的定義與背景
    1.1.1  隱私計算的定義與分類
    1.1.2  隱私計算的發展歷程
  1.2  隱私計算的技術實現
  1.3  隱私計算平台與案例
  1.4  隱私計算的挑戰
第2章  秘密共享
  2.1  問題模型及定義
    2.1.1  秘密共享問題模型
    2.1.2  秘密共享定義
  2.2  原理與實現
    2.2.1  秘密共享方案的發展
    2.2.2  經典秘密共享方案
    2.2.3  秘密共享方案的同態特性
  2.3  優缺點分析
  2.4  應用場景
    2.4.1  秘密共享在橫向聯邦學習中的應用
    2.4.2  秘密共享在縱向聯邦學習中的應用
    2.4.3  秘密共享在安全多方計算中的應用
第3章  同態加密
  3.1  問題模型及定義
  3.2  原理與實現
    3.2.1  群
    3.2.2  環
    3.2.3  格
    3.2.4  部分同態加密
    3.2.5  近似同態加密
    3.2.6  全同態加密
    3.2.7  層級同態加密
  3.3  優缺點分析
    3.3.1  同態加密的優點
    3.3.2  同態加密的缺點
  3.4  應用場景
    3.4.1  密文檢索
    3.4.2  雲機器學習服務
第4章  不經意傳輸
  4.1  問題模型及定義
  4.2  不經意傳輸的實現
    4.2.1  基於公鑰加密的不經意傳輸
    4.2.2  不經意傳輸的擴展與優化
  4.3  應用場景
第5章  混淆電路
  5.1  問題模型及定義
  5.2  混淆電路的實現與優化
    5.2.1  使用不經意傳輸的簡單實現
    5.2.2  混淆電路計算與門電路

    5.2.3  任意邏輯門和電路
    5.2.4  主流的優化方案和代價分析
  5.3  優缺點分析
  5.4  應用場景
    5.4.1  與其他安全多方計算協議混合使用
    5.4.2  混淆電路實現一般的安全多方計算
第6章  差分隱私
  6.1  問題模型及定義
    6.1.1  隨機回答的問題模型及定義
    6.1.2  差分隱私的問題模型及定義
  6.2  實現方法及性質
    6.2.1  離散值域：隨機回答
    6.2.2  連續值域：拉普拉斯雜訊法和高斯雜訊法
    6.2.3  差分隱私的性質
  6.3  優缺點分析
  6.4  應用場景
    6.4.1  傳統數據分析
    6.4.2  機器學習
第7章  可信執行環境
  7.1  可信執行環境簡介
  7.2  原理與實現
    7.2.1  ARM TrustZone
    7.2.2  Intel SGX
    7.2.3  AMD SEV
    7.2.4  AEGIS
    7.2.5  TPM
  7.3  優缺點分析
  7.4  應用場景
    7.4.1  移動終端
    7.4.2  雲計算
    7.4.3  區塊鏈
第8章  聯邦學習
  8.1  聯邦學習的背景、定義與分類
    8.1.1  聯邦學習的背景
    8.1.2  聯邦學習的定義
    8.1.3  聯邦學習的分類
    8.1.4  聯邦學習的安全性
  8.2  橫向聯邦學習
    8.2.1  橫向聯邦學習架構、訓練與推理
    8.2.2  聯邦平均演算法
    8.2.3  橫向聯邦學習的隱私安全性
  8.3  縱向聯邦學習
    8.3.1  縱向聯邦學習架構、訓練與推理
    8.3.2  縱向聯邦線性回歸
    8.3.3  縱向聯邦學習的隱私安全性
  8.4  聯邦遷移學習
    8.4.1  遷移學習簡介
    8.4.2  聯邦遷移學習演算法訓練和推理
    8.4.3  聯邦遷移學習的安全性
  8.5  聯邦學習的應用場景

    8.5.1  自然語言處理
    8.5.2  醫療
    8.5.3  金融
  8.6  聯邦學習的未來展望
    8.6.1  隱私與效率、性能的權衡
    8.6.2  去中心化的聯邦學習
第9章  隱私計算平台
  9.1  隱私計算平台概述
  9.2  FATE 安全計算平台
    9.2.1  平台概述
    9.2.2  FATE 中的隱私計算技術
    9.2.3  平台工作流程
    9.2.4  應用場景
  9.3  CryptDB 加密資料庫系統
    9.3.1  系統概述
    9.3.2  隱私計算技術在CryptDB 中的實現：基於SQL 感知的加密策略
    9.3.3  基於密文的查詢方法
    9.3.4  應用場景
  9.4  MesaTEE 安全計算平台Teaclave
    9.4.1  飛槳深度學習平台與安全計算
    9.4.2  PaddleFL 聯邦學習框架
    9.4.3  MesaTEE 平台概述
    9.4.4  MesaTEE 底層可信執行環境
    9.4.5  FaaS 服務
    9.4.6  執行器MesaPy
    9.4.7  應用場景——MesaTEE 與飛槳
  9.5  Conclave 查詢系統
    9.5.1  系統概述
    9.5.2  Conclave 隱私安全技術介紹
    9.5.3  Conclave 查詢編譯
    9.5.4  應用場景
  9.6  PrivPy 隱私計算平台
    9.6.1  PrivPy 平台概述
    9.6.2  平台後端安全計算介紹
    9.6.3  用戶編程介面
    9.6.4  應用場景
  9.7  隱私計算平台效率問題和加速策略
    9.7.1  隱私計算技術中的效率問題
    9.7.2  異構加速隱私計算
    9.7.3  網路優化解決數據傳輸問題
第10章  隱私計算案例解析
  10.1  隱私計算在金融營銷與風控中的應用
  10.2  隱私計算在廣告計費中的應用
  10.3  隱私計算在廣告推薦中的應用
  10.4  隱私計算在數據查詢中的應用
  10.5  隱私計算在醫療領域的應用：基因研究
  10.6  隱私計算在醫療領域的應用：醫藥研究
  10.7  隱私計算在語音識別領域的應用
  10.8  隱私計算在政務部門的應用
  10.9  隱私計算在用戶數據統計的應用

第11 章  隱私計算未來展望
參考文獻
附錄A 中國數據保護法律概況
  A.1  《個人信息保護法》與數據保護
    A.1.1  適用範圍
    A.1.2  個人信息處理原則
    A.1.3  個人信息保護影響評估制度
    A.1.4  禁止「大數據殺熟」的演算法歧視
    A.1.5  個人信息跨境提供規則
    A.1.6  個人信息主體權利
  A.2  《數據安全法》與數據保護
    A.2.1  適用範圍和域外效力
    A.2.2  數據分類分級保護制度
    A.2.3  數據安全保護義務
  A.3  《網路安全法》與數據保護

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032