隐私计算
全新正版 极速发货
￥ 51.99 4.4折 ￥ 118 全新
库存2件
广东广州
认证卖家担保交易快速发货售后保障
作者陈凯
出版社电子工业
ISBN9787121426414
出版时间2022-01
装帧其他
开本其他
定价118元
货号31357123
上书时间2024-06-06
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
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（iSINGLab）主任，香港科大-微信人工智能技术联合实验室（WHATLab）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-basedReseachScheme）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ACMSIGCOMM、USENIXNSDI、IEEEINFOCOM、IEEE/ACMTransactionsonNetworking、BigData、CloudComputing等国际顶尖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，AAAI2021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/AAASFellow，也是IEEETransactionsonBigData和ACMTransactionsonIntelligentSystemsandTechnology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ACMSIGKDD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SimonFraser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，最近的著作有《迁移学习》、《联邦学习》和《联邦学习实战》等。
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
内容摘要
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。第一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最新的中国数据保护法律概况。本书可供计算机科学、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。
主编推荐
"作者权威。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。"
精彩内容
推荐序杨强教授嘱我为其和陈凯教授的新作《隐私计算》作序，深感荣幸，欣然允之。杨教授是大数据和人工智能领域的国际知名学者，特别是近年来作为“联邦学习”理念的倡导者和先行者之一，做出了很多杰出的工作。我曾拜读过其著作《联邦学习》并撰写了一段推荐语。著作中，杨教授既呈现了深厚的学术造诣，又展示了高超的文字驾驭能力，深入浅出，分享了他及其团队在产业界一线实践的宝贵经验，使著作兼具很强的可读性、知识性和实用性，给我留下了深刻的印象。
我自己主要从事软件技术领域的研究工作，在安全和隐私保护领域实属外行。就大数据而言，我和团队主要致力于面向大数据的软件技术研究，专注于系统软件和工具层面。近几年，我自己也比较关注数据治理体系建设方面的工作，有一些心得。拜读《隐私计算》，我更多的是站在学习者的视角，收获颇丰。这里，我仅从大数据治理的维度，分享若干认识和思考。
当今时代，人类数字文明正在拉开帷幕，数字化转型已成为时代大势。在我国，建设数字中国、发展数字经济、实施国家大数据战略已成为国家的战略选择。“大数据”正是这个时代呈现的独特现象！数据作为基础性战略资源的地位日益凸显，已形成充分共识；数据作为核心生产要素的角色基本确立，正引发各界关注和研究。我理解，在强化数据安全和保护个人隐私的前提下，追求数据价值的最大化释放是这个时代应有之义。数据价值的充分释放源于多源（元）数据的碰撞融合，基于数据的开放、共享和流通，赖于健康的大数据产业生态。然而，要发挥大数据的作用、做大做强大数据产业、更好地实施国家大数据战略，大数据治理体系的建设就成为重要保障。针对大数据治理的研究和实践现状，我提出了一个治理体系的“434模型”，即在国家、行业、组织等三个层次，针对数据资产地位确立、管理体制机制、数据共享开放、安全与隐私保护等四方面内容，基于制度法规、标准规范、应用实践、支撑技术等四类方法手段，构建大数据治理体系？。就我的认识，《隐私计算》一书正是针对其中的一项非常重要内容的技术手段的探索！
隐私计算是近年来发展迅速，同时关注度和活跃度很高的一个研究领域。隐私计算以密码学为理论基础，融合统计学、人工智能、大数据、计算机系统，以及法律、伦理学等多个学科，形成了一系列理论和技术。隐私计算的目的是有效挖掘数据中的价值，同时不侵害数据本身的安全和隐私，实现“数据可用不可见”，从而支持数据的可信共享和流通。从这个意义上看，隐私计算将会是大数据治理体系中非常有前景的核心支撑技术之一。
本书呈献给读者的是兼顾广度和深度的关于隐私计算的系统性介绍：从广度上看，涵盖了隐私计算的基础理论和关键技术，如秘密共享、同态加密、不经意传输、混淆电路、差分隐私、联邦学习和可信执行环境等，介绍了多个知名的隐私计算平台，并辅以大量产业界的应用案例；从深度上看，本书对现有隐私计算技术及其在应用中存在的问题进行了深入分析，并分享了解决这些问题的思路。特别地，本书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，方便读者理解这些技术各自的优点和局限性，对实践者而言也具有很高的参考价值。我非常高兴地看到，这本书兼具理论价值和实用价值，是隐私计算领域的一部优秀著作。可喜可贺！
本书可作为计算机科学、大数据和人工智能等相关专业的学生，以及对隐私计算感兴趣的相关从业人员的入门参考书，也适合相关方向的研究人员，以及在工业界进行程序开发且有隐私保护需求的工程人员阅读。
相信本书能为推动我国大数据和人工智能领域人才培养、产业发展和生态建设做出积极贡献。
是为序。
梅宏辛丑年孟冬于北京
媒体评论
"现代社会，个人隐私保护已经成为衡量文明程度的重要维度。随着人工智能时代的来临，隐私保护已经成为大数据应用绕不过去的关隘。《隐私计算》作为首部全面、系统论述隐私计算的中文著作，重点介绍了隐私计算的定义、相关技术以及落地应用，从技术原理、近期新研究进展等不同角度进行阐述，有助于感兴趣的读者全面理解和把握其关键技术，是隐私计算领域一本难得的、具有醍醐灌顶效果的专业参考书。
高 文
中国工程院院士，北京大学教授，鹏程实验室主任
身处数据智能时代，每个人都是数据的制造者与使用者，但也在承受着数据隐私的风险。本书向我们展示了在数字经济时代构建兼顾隐私保护与流通应用的方法和技术——隐私计算，并对这个新的重要技术的技术原理、落地应用给出了系统、深刻的阐述与分析。对于每一个关注大数据、人工智能等领域技术发展的人来说，它都是一本值得阅读与学习的参考书。
罗智泉
中国工程院外籍院士，加拿大皇家科学院院士，
香港中文大学（深圳）副校长，IEEE/SIAM Fellow
隐私计算平衡了数据要素的经济效益与隐私安全的矛盾，为人工智能、大数据等产业提供了安全保障，具备广阔的前景与机会，十分值得关注。本书系统地梳理了隐私计算技术理论与应用场景，相信能够为广大科研工作者、企业开发人员、技术爱好者提供参考与启发。
李开复
创新工场董事长兼CEO"
— 没有更多了 —
以下为对购买帮助不大的评价