同态加密是密码学领域自1978年以来的经典难题，也是实现数据隐私计算的关键技术，在云计算、区块链、隐私计算等领域均存在着广泛的应用需求和一些可行的应用方案。 本文首先介绍同态加密的基本概念、研究进展以及标准化进展，然后对主流的乘法/加法半同态加密算法和全同态加密算法及其工程实现情况进行概述，最后对同态加密在各领域的应用场景进行分析。 一、同态加密概述 1、基本概念 同态加密（Homomorphic Encryption, HE）是指满足密文同态运算性质的加密算法，即数据经过同态加密之后，对密文进行特定的计算
Duality Technologies成立于2016年，总部位于美国马萨诸塞州剑桥市，由著名的密码专家和数据科学家联合创立。公司致力于研究大数据/云环境下的数据安全与隐私保护技术，为企业组织提供了一个安全的数字协作平台，目前在美国和以色列开展业务。目前获得了由Team8领导的400万美元投资。2019年入选RSA大会的创新沙盒前十强，成为两家入选的数据安全公司之一（另一家是Wirewheel公司）。
同态加密（Homomorphic Encryption）是很久以前密码学界就提出来的一个Open Problem。早在1978年，Ron Rivest, Leonard Adleman, 以及Michael L. Dertouzos就以银行为应用背景提出了这个概念[RAD78]。对，你没有看错，Ron Rivest和Leonard Adleman分别就是著名的RSA算法中的R和A。至于中间的S，Adi Shamir，现在仍然在为密码学贡献新的工作。
同态加密（Homomorphic Encryption, HE）是指满足密文同态运算性质的加密算法，即数据经过同态加密之后，对密文进行特定的计算，得到的密文计算结果在进行对应的同态解密后的明文等同于对明文数据直接进行相同的计算，实现数据的“可算不可见”。同态加密的实现效果如图1所示。
同态加密（Homomorphic encryption）是一种加密形式，它允许人们对密文进行特定形式的代数运算得到仍然是加密的结果，将其解密所得到的结果与对明文进行同样的运算结果一样。换言之，这项技术令人们可以对加密的数据进行处理，得出正确的结果，而在整个处理过程中无需对数据进行解密。同态加密的实现效果如图所示。
随着云计算技术的迅速发展和广泛应用，越来越多的组织和个人将其数据存储和处理转移到了云平台上。然而，与此同时，数据安全和隐私保护也成为了云计算领域中不可忽视的重要问题。本文将深入探讨云计算中的数据安全挑战，介绍隐私保护策略，并探讨一些应对方法和技术。
当前，大型语言模型（LLM）被广泛运用于各种应用中。然而，这种使用情境下存在一种两难抉择：如何在保护模型所有者的资产和确保用户数据隐私之间取得平衡。在2024年RSA大会上，来自Zama的技术人员Benoit Chevallier-Mames与Jordan Frery分享了他们如何利用全同态加密（FHE）技术，进一步保护用户与模型供应商的知识产权和隐私。他们展示了这种方法的可行性和实用性，旨在为LLM服务提供更加全面的安全支持。
在很多方面，“大数据”和“加密”是对立的，前者收集、存储和分析信息，以此来揭示对学者、法律实施和企业有用的规律;而后者的目标是窥探隐藏的数据。这个议题(tension)是本周的一个由白宫科技政策办公室和麻省理工共同举办的会议的核心，这次会议有来自学术界、政界和商界的许多专家人士出席，他们探讨了加密技术以及其它以隐私为导向的技术，可以保护大数据所涉及的信息。 麻省理工计算机科学与人工智能实验室(CSAIL)的Shafi Goldwasser教授在座谈小组中说到，加密功能是必须要走的路。她还补充道，其余的
安全多方计算 安全多方计算起源于1982年姚期智的百万富翁问题。后来Oded Goldreich有比较细致系统的论述。 姚氏百万富翁问题是由华裔计算机科学家、图灵奖获得者姚启智教授首先提出的。该问题表述为：两个百万富翁Alice和Bob想知道他们两个谁更富有，但他们都不想让对方知道自己财富的任何信息。该问题有一些实际应用：假设Alice希望向Bob购买一些商品，但她愿意支付的最高金额为x元；Bob希望的最低卖出价为y元。Alice和Bob都非常希望知道x与y哪个大。如果x>y，他们都可以开始讨价还价；如果z
多头贷问题是网络小额贷款平台放款时所要考虑的一个重要问题。假设银行A有一潜在贷款客户小张，银行A为了足够多的了解小张的信用情况，希望向其他多家银行查询小张贷款情况或信用记录。但因为害怕其他银行抢走该客户，所以银行A不希望泄露自己在查询小张这一事实。是否可以通过技术手段解决银行A的诉求？答案是肯定的，即图1漫画中的“隐私信息检索技术”——一种不泄露查询条件和查询结果的加密技术。
题图摄于北京奥林匹克森林公园 相关文章： 联邦学习：人工智能的最后一公里 KubeFATE: 用云原生技术赋能联邦学习(一) 用FATE进行图片识别的联邦学习 （本文经授权转发自FATE开源社区公众号，略有删节） 近日，微众银行首席人工智能官杨强教授结合最新发布的《联邦学习白皮书v2.0》，对联邦学习研究与应用价值展开了最前沿的讨论和分享。 联邦学习作为当前人工智能尤其是AI金融领域，最受工业界和学术界关注的研究方向之一，有哪些前沿研究与应用？欢迎戳下方视频回顾精彩回放，同时直播PPT内容也上传到了公
【引】走近任何一个领域，都会发现自己的渺小和微不足道，会越发地敬畏技术和未知，隐私计算也不例外。读了一点儿文章和paper，觉得还是ACM 上的这篇综述（https://queue.acm.org/d
麻省理工学院研究人员设计的一种新型加密方法可以保护在线神经网络中使用的数据，而不会减慢其运行时间。这种方法有望在基于云的神经网络进行医学图像分析和其他使用敏感数据的应用程序中使用。
人工智能和隐私不一定是相互排斥的。长达十年的实验室研究表明，同态加密(HE)正逐渐成为在机器学习(ML)和云计算中保护数据隐私的首选方法。这是一个及时的突破：ML的数据每年翻一番。与此同时，业界、专业人士和大众对有关资料私隐的关注与日俱增。
市场经济中，大多新事物之所以得到关注，是因为有了提前舆论造势。舆论热度往往代表了市场热度。市场驱动需求，带来的是创业者和投资者的闻风而至。多数互联网模式的兴起，大抵如此。
数据是人类文明传承的重要媒介，是信息时代的命脉。随着云计算、物联网等信息化技术的快速发展，海量的数据不断涌现，据IDC统计，2018年中国数据量达到了7.6ZB，预计数据量在2018—2025年间将保持30.4%的年平均增长率，并在2025年达到48.6ZB，预计中国将有近10亿互联网用户，其中蕴含的数据价值难以估量。特别是在数字经济时代下，政务信息公开的需求日渐强烈，政府对政务数据的共享和保护也持开放态度。但由于政府部门间数据系统的差异化，导致多部门之间形成若干数据孤岛。数据孤岛的存在严重制约数据价值的释放，如何挖掘数据间潜在联系，发挥数据流动的价值，通过数据共享打通数据壁垒，将成为助推数字化社会发展的必经之路。
机器之心专栏深圳市洞见智慧科技有限公司 本文阐释梳理了可信执行环境（TEE）的概念定义及发展脉络，剖析 TEE 与基于密码学的隐私保护技术的对比及其在联邦学习中的应用，最后介绍 TEE 的现有框架和相关应用。 随着移动互联网和云计算技术的迅猛发展，越来越多的数据在云环境下进行存储、共享和计算，云环境下的数据安全与隐私保护也逐渐成为学术界以及工业界关注的热点问题。目前阶段，隐私保护技术主要基于密码算法及协议（如安全多方计算、同态加密等）完成场景落地，其优点主要在于具有较高的安全性和可靠性，然而，由于这些算法或
云计算与大数据的结合可以说是天作之合。大数据需要灵活的计算环境，而后者可以快速、自动地进行扩展以支持海量数据。基础设施云可以精准地提供这些需求。 云计算与大数据的结合可以说是天作之合。大数据需要灵活的计算环境，而后者可以快速、自动地进行扩展以支持海量数据。基础设施云可以精准地提供这些需求。 针对大数据的云安全策略 当在大数据使用案例中提及云安全策略时，我们希望任何安全解决方案都能够在不影响部署安全性的情况下提供与云一样的灵活性。在将大数据转移至云上时，以下四个小贴士可以让用户既能享受到云计算的灵活性又能获得
云计算与大数据的结合可以说是天作之合。大数据需要灵活的计算环境，而后者可以快速、自动地进行扩展以支持海量数据，基础设施。但是无论什么时候对云计算展开讨论，我们都无法回避以下问题： 针对大数据的云安全策
Garnter不久前发布了2021年顶级战略技术趋势，本篇是分布式云（Distributed Cloud）的介绍。
据不完全统计，在近两年的时间内，因违法GDPR而被开出的罚单规模达到了1.26亿美元，其中最大的一张罚单是由法国政府对谷歌开出的5700万欧元的罚单。
---- 新智元报道 编辑：桃子 拉燕 【新智元导读】今天，ACM官方公布了2022年哥德尔奖的得主，以表彰3位加密学大佬对全同态加密系统做出的杰出贡献。 2022哥德尔奖公布了！ ACM算法与计算理论兴趣组(SIGACT)宣布，2022年哥德尔奖授予Craig Gentry，Zvika Brakerski以及Vinod Vaikuntanathan，表彰其对密码学做出的革命性贡献。 加密大神Craig Gentry获奖 Craig Gentry Craig Gentry是一位美国计算机科学家
近年来，随着数据安全和隐私保护的要求越来越严格，数据孤岛的问题越来越严重，阻碍了AI模型训练的进一步发展，因此隐私计算相关的研究和实践逐渐成为了一个热门的方向。很多机构和学者投入到了隐私计算赛道中。在众多的隐私计算算法中，隐私保护逻辑回归算法是在实践中用的更多的，因为其简单性、鲁棒性、良好的可解释性等优势，它已经被广泛应用于广告点击率预测，信用违约模型和反欺诈等应用中。
最近领导安排研究下大数据的安全，计算机安全是个系统工程，分很多层面： 1）硬件安全 2）应用软件安全 3）操作系统安全 4）数据库系统安全 5）网络安全技术 涉及到具体的技术又有： 1）密码技术 2）计算机病毒&防范 3）防火墙技术 4）黑客的攻击和防范 等等。 大数据技术除了传统的系统级别，软件级别的安全外，我觉得要重点关注数据的安全和隐私。 数据安全有一个很有意思的加密方法，这种方法叫同态同态加密。 同态加密是指2009年，IBM公司的克雷格·金特里（Craig Gentry）发表了一篇文章，公布了一项
为了解决现有隐私保护计算技术不适用于深度神经网络在线学习任务以及部分隐私保护计算工具的性能问题，香港科大智能网络与系统实验室iSING Lab和国内隐私计算算力提供商星云 Clustar 合作,提出了一种隐私保护在线机器学习场景下的新框架——Sphinx。 论文题目为《Sphinx: Enabling Privacy-Preserving Online Learning over the Cloud》, 作者为 Han Tian, Chaoliang Zeng, Zhenghang Ren, Di Chai
人工智能与区块链都是今年被循环往复顶上风口浪尖的“热技术”，如果将这两者做个加法的话，“人工智能+区块链=？”，该组合又会碰撞出怎样的火花？
被纳入新基建的区块链，以数据不可篡改、可公开监管、便于查证的特性，广泛应用于有多方参与的系统中，为多方交互的信息(行为、数据等)提供可靠的存证。那么，在信息上链接受公开监管的同时，能否为信息提供隐私保护呢？隐私保护的数据又如何能验证其可靠性呢？腾讯云区块链使用同态加密、零知识证明、可信计算等技术，为区块链上数据隐私和行为可靠性提供了多方位的保障，并且提供了对国密算法的支持，在金融、政务等场景中可以选择适配SM2-SM3国密证书套件，完美对接国标、行标。那么腾讯云区块链究竟是怎么做到同时兼顾隐私性、可靠性的呢？
这些支撑业务的技术组合能够在数据的处理生命周期中增强和保护数据的隐私，从而有效解决面临全球监管挑战的组织以及比以往任何时候都更重视隐私的客户群的重要需求。
密码学是区块链技术的核心。所有交易信息都被编码进区块当中，而这些区块连接在一起则形成区块链结构。
被纳入新基建的区块链，以数据不可篡改、可公开监管、便于查证的特性，广泛应用于有多方参与的系统中，为多方交互的信息(行为、数据等)提供可靠的存证。那么，在信息上链接受公开监管的同时，能否为信息提供隐私保护呢？隐私保护的数据又如何能验证其可靠性呢？腾讯云区块链使用同态加密、零知识证明、可信计算等技术，为区块链上数据隐私和行为可靠性提供了多方位的保障，并且提供了对国密算法的支持，在金融、政务等场景中可以选择适配SM2-SM3国密证书套件，完美对接国标、行标。那么腾讯云区块链究竟是怎么做到同时兼顾隐私性、可靠
导语：在金融场景下，银行等机构有强烈愿望和其他数据拥有方合作建模，但出于商业和合规方面的考虑，又不愿共享核心数据，导致行业内大规模数据共享迟迟无法推动。本文将从经典警匪影片情节出发，从技术角度探讨如何解决这一困境，希望与大家一同交流。
为了保护用户聊天记录的隐私，2019年，Facebook就计划推出端到端加密技术（end-to-end encryption，E2EE）。
在该系列的第一篇中：《浅析数据安全与隐私保护之法规》，介绍了国内外的数据安全与隐私保护相关法规，如欧盟《GDPR》、美国《CCPA》和中国《网安法》。这些法规保护的个人数据(或个人信息)范畴均十分广泛，且具有严格的约束和规范。在法规指导下，如何更好地满足合规，降低法律风险和隐私泄露风险；同时也能满足业务场景需求。目前存在多种关键技术，场景不同，需求不同，对应的技术也自然不同。本文作为《大数据时代下的数据安全》系列的第二篇：场景技术篇，将介绍四种关键技术：数据脱敏、匿名化和差分隐私和同态加密，并对每一种介绍技术的从场景、需求和技术原理等几个维度进行展开。
联邦学习（Federated Learning）是一种由多方参与的联合计算技术，多方在不泄漏各自隐私数据的前提下，完成模型的训练与推理。
在各行各业，不难想象这样的场景，A 公司拥有大量数据，然而其并没有人力或计算能力对这些数据进行分析处理，因此，A 公司希望购买 B 公司的计算服务对数据进行处理，但是，A 公司不希望 B 公司获取这些数据的具体信息，因此，如果可以将数据进行加密，再传递给 B 公司进行处理，则可以满足 A 公司的所有需求。因此，在这样的场景下，我们需要一套加密体系，对密文执行的一些运算操作，可以等效为对明文执行的运算。
本文介绍可信计算分类INTEL SGX技术和ARM TRUSTZONE技术技术方案概要，以及应用INTEL SGX技术的蚂蚁区块链TEE硬件隐私链的智能合约开发实践。
导语: GBDT（或XGBoost）算法是一种十分流行的树集成学习算法，不但是数据科学竞赛的常胜工具，在工业界的具体业务场景也有广泛的落地场景。然而，近年来用户隐私数据保护条例逐渐完善，“数据孤岛”逐渐形成，不但数据难以收集，不同公司或团队之间的数据也难以共享，这直接影响着机器学习模型的效果。为了应对这个问题，联邦学习技术逐渐进入人们的视线。本文聚焦腾讯自研的联邦学习平台Angel PowerFL中纵向联邦GBDT算法实现，介绍纵向联邦GBDT算法的原理和流程，并讲解相关的优化技术。 梯度提升决策树算法
12月9日，2022年iDASH国际隐私计算大赛结果正式公布，腾讯Angel PowerFL联队凭借最优的模型效果和较快的推理速度获得最高综合得分，斩获同态加密赛道冠军。从两年前首次参赛到现在，腾讯已经连续获得2020年可信计算赛道冠军和2021年联邦学习赛道冠军，赢得了iDASH隐私计算大赛“三连冠”，这在国内尚属首次！ 同时，在多方安全计算（MPC）赛道和可信计算（SGX）赛道上，腾讯Angel PowerFL联队也分别取得了第二和第三的好成绩。 历年来，同态加密赛道一直是iDASH比赛中最受关注和角逐
人工智能系统需要依赖大量数据，然而数据的流转过程以及人工智能模型本身都有可能泄漏敏感隐私数据。
云计算用在 BYOD 及社交网络这两种最新的、最热门的 IT 应用，特别会引起人们的注意，这是因为它们引起了新的安全问题。 第一个问题是: BYOD 为何会如此热门 BYOD 又与云计算有何关联因为人口结构改变，现今企业缺乏合格技术专家，让企业必须更加重视员工的需要，以期更能掌握目标市场。新员工期待企业了解其个人需要，而老员工则期望雇主提供与时俱进，符合时代潮流的工作环境。 现在，消费性电子产品已成为职场环境中受欢迎又不可或缺的一环。2010 年 IDC 研究指出，大约有 95% 的员工都使用消费性电子产品
总有一天，我们将拥有使机器学习中的隐私无懈可击的工具和能力，但我们还没有走到那一天。
今天，我们来聊聊联邦学习（Federated Learning）。人工智能和大数据领域的人对于这个新兴词汇一定不陌生，但关于这个连名字都有多种叫法的技术（联邦学习、联合学习、联盟学习......）究竟是如何实现的，很多人只是一知半解。
近期，星云Clustar首席科学家胡水海，以“GPU在联邦机器学习中的探索”为题，全面详尽地讲解了目前解决联邦学习的性能与效率问题，以及解决思路。
在企业IT网络通信领域中，安全一直是用户非常关注的话题。云计算、大数据及移动化让企业的安全形势变得更加复杂和严峻。然而，云计算、大数据及移动化是大势所趋，也的确能大大降低企业的成本和提高企业的效率，改
诚为读者所知，数据出域的限制约束与数据流通的普遍需求共同催生了数据安全计算的需求，近一两年业界又统将能够做到多方数据可用不可见的技术归入隐私计算范畴。粗略来说，隐私计算可分为以联邦学习为代表的机器学习类升级方案、以可信硬件为基础的可信执行环境类方案和以密码学相关技术为核心的多方安全计算类方案。
info: J. Yao et al., “Edge-Cloud Polarization and Collaboration: A Comprehensive Survey for AI,” IEEE Trans. Knowl. Data Eng., pp. 1–1, 2022, doi: 10.1109/TKDE.2022.3178211.
导读：近年来，随着互联网技术的蓬勃发展，数据量呈指数级增长，大数据时代已悄然到来。我们可从以下几个方面看出隐私计算技术已是重大科技趋势。
身处“数据时代”，如何有效挖掘数据中蕴藏的智能而不侵害数据本身的隐私和安全，是我们推动社会进步和生产力发展需要共同思考和实践的一个课题。隐私计算的本质就是在实现“数据可用不可见”这一目标的过程中产生的一系列理论和技术。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
