[正版] 隐私计算 隐私计算的基础技术 差分隐私 可信执行环境 联邦学习 隐私计算未来的研究和落地方向书籍

         店铺公告

  为保障消费者合理购买需求及公平交易机会，避免因非生活消费目的的购买货囤积商品，抬价转售等违法行为发生，店铺有权对异常订单不发货且不进行赔付。异常订单：包括但不限于相同用户ID批量下单，同一用户（指不同用户ID，存在相同/临近/虚构收货地址，或相同联系号码，收件人，同账户付款人等情形的）批量下单（一次性大于5本），以及其他非消费目的的交易订单。

温馨提示：请务必当着快递员面开箱验货，如发现破损，请立即拍照拒收，如验货有问题请及时联系在线客服处理，（如开箱验货时发现破损，所产生运费由我司承担，一经签收即为货物完好，如果您未开箱验货，一切损失就需要由买家承担，所以请买家一定要仔细验货），

关于退货运费：对于下单后且物流已发货货品在途的状态下，原则上均不接受退货申请，如顾客原因退货需要承担来回运费，如因产品质量问题（非破损问题）可在签收后，联系在线客服。

  本店存在书、古旧书、收藏书、二手书等特殊商品，因受采购成本限制,可能高于定价销售，明码标价，介意者勿拍!

1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍，避免价格争议!

2.店铺无纸质均开具电子，请联系客服开具电子版

编辑推荐

作者**。香港科技大学陈凯教授，加拿大工程院及加拿大皇家科学院两院院士、微众银行首席人工智能官杨强教授，联合撰写

专家力荐。中国科学院院士梅宏倾情作序，中国工程院院士高文，中国工程院外籍院士、加拿大皇家科学院院士罗智泉，创新工场董事长兼CEO李开复联袂推荐。

系统全面。系统阐述隐私计算技术，4大发展阶段，5大应用平台，9大落地实践案例，全新法律法规解读

案例丰富。从不同应用案例的特点出发，分析了相关技术的适用范围和场景，方便读者理解技术的优点和局限性，对实践者具有很高的参考价值。

印刷精良。本书采用全彩印刷，精致排版设计，提供上乘阅读体验。

内容提要

在大数据和人工智能时代，如何在享受新技术带来的便利性的同时保护自己的隐私，是一个重要的问题。本书系统讲解了隐私计算的基础技术和实践案例，全书共有11 章，按层次划分为三部分。**部分全面系统地阐述隐私加密计算技术，包括秘密共享、同态加密、不经意传输和混淆电路。第二部分介绍隐私保护计算技术，包括差分隐私、可信执行环境和联邦学习。第三部分介绍基于隐私计算技术构建的隐私计算平台和实践案例，隐私计算平台主要包括面向联邦学习的FATE 平台和加密数据库的CryptDB 系统等五个平台，以及隐私计算平台的效率问题和常见的加速策略；实践案例部分主要介绍包括金融营销与风控、广告计费、广告推荐、数据查询、医疗、语音识别及政务等领域的应用案例。此外，本书还展望了隐私计算未来的研究和落地方向。在附录中介绍了当前*新的中国数据保护法律概况。

《隐私计算》可供计算机科学、隐私保护、大数据和人工智能相关专业的学生，以及对隐私计算有兴趣的相关从业者阅读，也适合从事隐私保护相关研究的研究人员、法律法规制定者和政府监管部门阅读。

目录

推荐序

前言

数学符号

第1 章隐私计算介绍/1

1.1 隐私计算的定义与背景/2

1.1.1 隐私计算的定义与分类/2

1.1.2 隐私计算的发展历程/6

1.2 隐私计算的技术实现/8

1.3 隐私计算平台与案例/10

1.4 隐私计算的挑战/10

第2 章秘密共享/13

2.1 问题模型及定义/15

2.1.1 秘密共享问题模型/15

2.1.2 秘密共享定义/16

2.2 原理与实现/19

2.2.1 秘密共享方案的发展/19

2.2.2 经典秘密共享方案/21

2.2.3 秘密共享方案的同态特性/26

2.3 优缺点分析/28

2.4 应用场景/28

2.4.1 秘密共享在横向联邦学习中的应用/28

2.4.2 秘密共享在纵向联邦学习中的应用/31

2.4.3 秘密共享在安全多方计算中的应用/32

第3 章同态加密/35

3.1 问题模型及定义/36

3.2 原理与实现/39

3.2.1 群/40

3.2.2 环/41

3.2.3 格/41

3.2.4 部分同态加密/42

3.2.5 近似同态加密/44

3.2.6 全同态加密/45

3.2.7 层级同态加密/48

3.3 优缺点分析/50

3.3.1 同态加密的优点/50

3.3.2 同态加密的缺点/51

3.4 应用场景/52

3.4.1 密文检索/52

3.4.2 云机器学习服务/54

第4 章不经意传输/57

4.1 问题模型及定义/58

4.2 不经意传输的实现/58

4.2.1 基于公钥加密的不经意传输/58

4.2.2 不经意传输的扩展与优化/59

4.3 应用场景/61

第5 章混淆电路/63

5.1 问题模型及定义/64

5.2 混淆电路的实现与优化/65

5.2.1 使用不经意传输的简单实现/66

5.2.2 混淆电路计算与门电路/67

5.2.3 任意逻辑门和电路/67

5.2.4 主流的优化方案和代价分析/69

5.3 优缺点分析/71

5.4 应用场景/72

5.4.1 与其他安全多方计算协议混合使用/72

5.4.2 混淆电路实现一般的安全多方计算/73

第6 章差分隐私/75

6.1 问题模型及定义/7

6.1.1 随机回答的问题模型及定义/77

6.1.2 差分隐私的问题模型及定义/78

6.2 实现方法及性质/83

6.2.1 离散值域：随机回答/83

6.2.2 连续值域：拉普拉斯噪声法和高斯噪声法/83

6.2.3 差分隐私的性质/86

6.3 优缺点分析/88

6.4 应用场景/90

6.4.1 传统数据分析/90

6.4.2 机器学习/92

第7 章可信执行环境/97

7.1 可信执行环境简介/98

7.2 原理与实现/99

7.2.1 ARM TrustZone/99

7.2.2 Intel SGX/101

7.2.3 AMD SEV/102

7.2.4 AEGIS/104

7.2.5 TPM/104

7.3 优缺点分析/104

7.4 应用场景/106

7.4.1 移动终端/106

7.4.2 云计算/108

7.4.3 区块链/110

第8 章联邦学习/111

8.1 联邦学习的背景、定义与分类/112

8.1.1 联邦学习的背景/112

8.1.2 联邦学习的定义/113

8.1.3 联邦学习的分类/113

8.1.4 联邦学习的安全性/115

8.2 横向联邦学习/16

8.2.1 横向联邦学习架构、训练与推理/116

8.2.2 联邦平均算法/117

8.2.3 横向联邦学习的隐私安全性/118

8.3 纵向联邦学习/122

8.3.1 纵向联邦学习架构、训练与推理/122

8.3.2 纵向联邦线性回归/123

8.3.3 纵向联邦学习的隐私安全性/125

8.4 联邦迁移学习/125

8.4.1 迁移学习简介/126

8.4.2 联邦迁移学习算法训练和推理/126

8.4.3 联邦迁移学习的安全性/129

8.5 联邦学习的应用场景/129

8.5.1 自然语言处理/130

8.5.2 医疗/130

8.5.3 金融/131

8.6 联邦学习的未来展望/131

8.6.1 隐私与效率、性能的权衡/132

8.6.2 去中心化的联邦学习/132

第9 章隐私计算平台/135

9.1 隐私计算平台概述/136

9.2 FATE 安全计算平台/136

9.2.1 平台概述/136

9.2.2 FATE 中的隐私计算技术/138

9.2.3 平台工作流程/139

9.2.4 应用场景/141

9.3 CryptDB 加密数据库系统/142

9.3.1 系统概述/142

9.3.2 隐私计算技术在CryptDB 中的实现：基于SQL 感知的加密策略/144

9.3.3 基于密文的查询方法/145

9.3.4 应用场景/147

9.4 MesaTEE 安全计算平台Teaclave/148

9.4.1 飞桨深度学习平台与安全计算/148

9.4.2 PaddleFL 联邦学习框架/149

9.4.3 MesaTEE 平台概述/150

9.4.4 MesaTEE 底层可信执行环境/150

9.4.5 FaaS 服务/152

9.4.6 执行器MesaPy/153

9.4.7 应用场景——MesaTEE 与飞桨/154

9.5 Conclave 查询系统/155

9.5.1 系统概述/155

9.5.2 Conclave 隐私安全技术介绍/156

9.5.3 Conclave 查询编译/158

9.5.4 应用场景/161

9.6 PrivPy 隐私计算平台/161

9.6.1 PrivPy 平台概述/161

9.6.2 平台后端安全计算介绍/163

9.6.3 用户编程接口/165

9.6.4 应用场景/166

9.7 隐私计算平台效率问题和加速策略/166

9.7.1 隐私计算技术中的效率问题/167

9.7.2 异构加速隐私计算/168

9.7.3 网络优化解决数据传输问题/171

第10 章隐私计算案例解析/175

10.1 隐私计算在金融营销与风控中的应用/176

10.2 隐私计算在广告计费中的应用/182

10.3 隐私计算在广告推荐中的应用/185

10.4 隐私计算在数据查询中的应用/187

10.5 隐私计算在医疗领域的应用：基因研究/189

10.6 隐私计算在医疗领域的应用：医药研究/193

10.7 隐私计算在语音识别领域的应用/194

10.8 隐私计算在政务部门的应用/196

10.9 隐私计算在用户数据统计的应用/ 203

第11 章隐私计算未来展望/209

参考文献214

附录A 中国数据保护法律概况/233

A.1 《个人信息保护法》与数据保护/234

A.1.1 适用范围/234

A.1.2 个人信息处理原则/234

A.1.3 个人信息保护影响评估制度/235

A.1.4 禁止“大数据杀熟”的算法歧视/235

A.1.5 个人信息跨境提供规则/236

A.1.6 个人信息主体权利/236

A.2 《数据安全法》与数据保护/ 237

A.2.1 适用范围和域外效力/237

A.2.2 数据分类分级保护制度/237

A.2.3 数据安全保护义务/237

A.3 《网络安全法》与数据保护/ 238

陈   凯

香港科技大学计算机科学与工程系副教授、博导、研究生部主任，智能网络与系统实验室（iSING Lab）主任，香港科大-微信人工智能技术联合实验室（WHAT Lab）主任，香港人工智能与机器人学会（HKSAIR）执行副理事长，香港主题研究计划（Theme-based Reseach Scheme）首席科学家。主要研究方向包括数据中心网络、云计算、大数据和人工智能底层系统和基础架构。担任ACM SIGCOMM、USENIX NSDI、IEEE INFOCOM、IEEE/ACM Transactions on Networking、Big Data、Cloud Computing等国际**会议和期刊的程序委员会委员和编委，亚太网络研讨会（APNet）的发起人和执行委员会主席。陈凯本科和硕士毕业于中国科学技术大学，获得中国科学院院长奖，博士毕业于美国西北大学。

杨   强

加拿大工程院及加拿大皇家科学院两院院士，微众银行首席人工智能官，香港科技大学讲席教授，AAAI 2021大会主席，中国人工智能学会（CAAI）荣誉副理事长，香港人工智能与机器人学会（HKSAIR）理事长以及智能投研技术联盟（ITL）主席。他是AAAI/ACM/CAAI/IEEE/IAPR/AAAS Fellow，也是IEEE Transactions on Big Data和ACM Transactions on Intelligent Systems and Technology创始主编，以及多个国际人工智能和数据挖掘领域杂志编委。曾获2019年度“吴文俊人工智能科学技术奖”杰出贡献奖，2017年ACM SIGKDD杰出服务奖。杨强毕业于北京大学，于1989年在马里兰大学获得计算机博士学位，之后在加拿大滑铁卢大学和Simon Fraser大学任教，他的研究领域包括人工智能、数据挖掘和机器学习等。他曾任华为诺亚方舟实验室主任，第四范式公司联合创始人，香港科技大学计算机与工程系系主任以及国际人工智能联合会（IJCAI）理事会主席。领衔全球迁移学习和联邦学习研究及应用，*近的著作有《迁移学习》、《联邦学习》和《联邦学习实战》等。