隐私计算 开源架构实战

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。

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。

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——IKNP
3.2.3n选1的OT扩展——KK［13］
3.2.4∞选1的OT扩展——KKRT［16］
3.2.5C-OT与R-OT
3.3OT技术的泛化
3.3.1OPRF技术
3.3.2OPPRF技术
3.3.3不经意多项式计算
3.3.4不经意线性函数
3.4OT 开源实现
第4章秘密共享
4.1秘密共享基础协议
4.1.1加法秘密共享
4.1.2门限秘密共享
4.1.3复制秘密共享
4.1.4可验证秘密共享
4.2技术架构及主要开源框架
4.2.1常见开源秘密共享架构简介
4.2.2开源框架TF Encrypted
4.2.3开源框架CrypTen
4.3TF Encrypted中的协议实现
4.3.1SecureNN协议
4.3.2TF Encrypted中SecureNN的实现4.3.3TF Encrypted主要安全算子
4.3.4实例：使用TF Encrypted实现纵向训练
4.4CrypTen协议及实现介绍
4.4.1CrypTen协议简介
4.4.2CrypTen主要代码实现
4.4.3CrypTen主要安全算子
4.4.4实例：使用CrypTen训练纵向卷积神经网络
第5章混淆电路
5.1基于乱码表的混淆电路
5.1.1姚氏混淆电路
5.1.2点置换技术Point-and-Permute
5.1.3行缩减技术GRR
5.1.4“免费”“异或”门Free-XOR
5.1.5半门技术 Half-Gates
5.2基于秘密共享的混淆电路
5.2.1GESS协议
5.2.2GMW协议
5.2.3BGW协议
5.2.4BMR协议
5.3混合协议
5.3.1ABY混合协议框架
5.3.2ABY3混合协议框架
5.3.3TF Encrypted中的ABY3实现
第6章面向应用的隐私保护技术
6.1应用介绍
6.1.1隐私集合求交
6.1.2隐私信息检索
6.2PSI主要实现方案
6.2.1RSA盲签名
6.2.2DH密钥交换
6.2.3混淆布隆过滤器方案
6.2.4OPRF方案
6.2.5基于OPPRF的Circuit-PSI
6.3PIR主要方案
6.3.1OT方案
……