【9成新】【良好】隐私计算
9品书籍大部分没有笔迹少量轻微笔迹。配件和光盘不包
￥ 41.8 3.5折 ￥ 118 九品
仅1件
江苏盐城
认证卖家担保交易快速发货售后保障
作者陈凯杨强著
出版社电子工业出版社
ISBN9787121426414
出版时间2022-01
装帧其他
开本16开
定价118元
货号9787121426414
上书时间2024-11-26
商品详情
- 品相描述：九品
- 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（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等国际很好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，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
7.2.1ARM TrustZone99
7.2.2Intel SGX101
7.2.3AMD SEV102
7.2.4AEGIS104
7.2.5TPM104
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
9.2FATE安全计算平台136
9.2.1平台概述136
9.2.2FATE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
9.3CryptDB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
9.4MesaTEE安全计算平台Teaclave148
9.4.1飞桨深度学习平台与安全计算148
9.4.2PaddleFL联邦学习框架149
9.4.3MesaTEE平台概述150
9.4.4MesaTEE底层可信执行环境150
9.4.5FaaS服务152
9.4.6执行器MesaPy153
9.4.7应用场景——MesaTEE与飞桨154
9.5Conclave查询系统155
9.5.1系统概述155
9.5.2Conclave隐私安全技术介绍156
9.5.3Conclave查询编译158
9.5.4应用场景161
9.6PrivPy隐私计算平台161
9.6.1PrivPy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近期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。"
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