隐私计算
正版新书 新华官方库房直发 可开电子发票
￥ 56.07 6.3折 ￥ 89 全新
库存9件
作者花京华编著
出版社机械工业出版社
ISBN9787111734147
出版时间2023-10
版次1
装帧平装
开本16开
纸张胶版纸
页数220页
字数340千字
定价89元
货号SC:9787111734147
上书时间2024-12-08
商品详情
- 品相描述：全新
- 全新正版 提供发票
- 商品描述
-
主编推荐:
本书为隐私计算开源社区FATE一级贡献者、数据安全专家花京华老师的倾心之作、受到业内的范涛、徐常亮、毛仁歆等专家的鼎立支持与推荐。
内容简介:
隐私计算是指在保护数据本身不对外泄露的前提下，实现数据共享、分析、计算、建模的技术集合，以达到对数据“可用、不可见”的目的。隐私计算涉及多个学科和技术体系，从实现所使用的技术上看，包含三个主要技术路线：联邦学习、安全多方计算和可信执行环境。 本书主要介绍联邦学习和安全多方计算两种技术路线，在讲解理论知识的基础上结合开源架构进行代码分析、安装和运行。第1章介绍隐私计算所需基础理论知识；第2章根据联邦学习建模流程结合开源框架FATE进行介绍；第3～5章介绍安全多方计算，包括不经意传输、秘密共享和混淆电路；第6章介绍具有特定功能的隐私计算协议，包括隐私集合求交和隐私信息检索；第7章介绍隐私保护的安全联合分析，分别介绍了SMCQL和Conclave两个框架，主要涉及联合分析过程的SQL计划优化和明密文混合运行。本书提供关联的开源架构源代码，获取方式见封底。本书适合隐私计算入门从业者，以及需要快速搭建隐私计算产品的研发人员阅读学习。
目录:
出版说明
前言
第1章隐私计算概述
1.1隐私计算的定义与分类
1.2隐私计算技术理论基础
1.2.1安全多方计算
1.2.2密码学
1.2.3机器学习
第2章联邦学习
2.1联邦学习简介
2.1.1联邦学习的由来与发展
2.1.2联邦学习与分布式机器学习
2.1.3联邦学习分类
2.2联邦学习主要开源框架
2.2.1主要开源项目简介
2.2.2开源框架FATE
2.2.3开源框架FederatedScope
2.2.4开源框架PaddleFL
2.3FATE架构分析
2.3.1fate-arch 架构模块
2.3.2FATE Flow调度模块
2.3.3FederatedML算法模块
2.3.4FATE Board可视化模块
2.3.5FATE Serving在线服务模块
2.3.6Docker-Compose与Kubernetes部署
2.4FATE联邦特征工程
2.4.1特征分箱
2.4.2特征归一化
2.4.3特征筛选
2.4.4特征编码
2.5FATE联邦机器学习模型
2.5.1逻辑回归
2.5.2XGBoost
2.6经典案例：使用纵向联邦学习进行信用评分卡建模
第3章不经意传输
3.1OT技术简介
3.2基础OT及其扩展
3.2.12选1的基础OT
3.2.22选1的OT扩展——IKN
...
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价