## golang 在隐私计算平台建设中的实践 刘敬 杭州趣链科技有限公司 2021-10 ## 目录 01 隐私计算介绍 02 隐私计算平台架构 03 构建隐私计算算法框架的实践 04 一些优化技巧 ## 01 隐私计算介绍 ## 隐私计算概念 隐私计算（Privacy preserving computation）是指在保证数据提供方不泄露原始数据的前提下 8/a/0c8a340cee65dfac822e371ac463a709/p4_1.jpg) 数据使用方 ## 隐私计算背景 国内外纷纷出台了围绕数据使用和保护的公共政策 欧盟出台的《通用数据保护条例》（GDPR）于2018年5月正式实行，加强对欧盟境内居民的个人数据和隐私的保护。 2021年7月，美国统一法律委员会通过了《统一个人数据保护法案》（UPDPA），明确提出了数据处理相关禁止行为，确立了个人数据保护的重要地位。 个人信息。该法自2021年11月1日起施行。 ## 隐私计算历史 1986年姚期智提出 基于混淆电路的通 出百万富翁问 2013年Intel推出SGX指 1982年姚期智提 题，安全多方计 用解决方案 2016年发布的《隐私计 算概念被提出 令集扩展，提供软硬件算研究范畴及发展趋势》 一体的可信执行环境 首次提出了隐私计算概念 2009年Gentry首 算法 次提出了全同态

- 如何使用 - Crypto - 数据隐私保护 - 机器学习算法 - 纵向联邦学习 团队 - 我们的团队 参与开发 - 参与开发&测试 参考文献 - 参考文献 ## 系统介绍 PaddleDTX，是一个基于去中心化存储的专注于分布式机器学习技术的解决方案，攻克海量隐私数据的安全存储问题，并且实现多方数据的安全交换，助其突破数据 支持多个学习过程并行运行的多方安全计算框架，集成多种横向联邦学习和纵向联邦学习算法 - 支持多个学习过程并行运行的多方安全计算框架，集成多种横向联邦学习和纵向联邦学习算法 • 安全存储高敏感数据，防止隐私泄漏，支持故障容错，抵御存储作弊 - 去中心化管理存储节点，支持无上限数据纳管 • 保证多方数据联合建模的全链路可信 ## 架构概览 PaddleDTX由多方安全计算网络、去中心化存储网络、区块链网络构建而成。 联邦学习、横向联邦学习算法。 ### 1.2 去中心化存储网络 数据持有节点将自己的隐私数据进行加密、切分、副本复制后分发到存储节点，存储节点通过应答数据持有节点的挑战证明自己持有数据分片。通过这些机制，实现了在不泄漏隐私的前提下充分且安全地利用存储资源。 训练样本和预测数据集往往是归属于不同机构的隐私数据。这些机构可以作为数据持有节点加入到去中心化存储网络中，通过多方安全计算网络发挥数据的最大价值。

数据中学习，进而生成高质量的文本、图像、声音、视频等内容，为多领域的智能创新提供了巨大潜力。然而，出于数据安全和隐私保护的考虑，以及更高效率、更低成本响应用户需求的考虑，人们既希望获得公共大模型强大的通用服务，又希望AI能够真正理解自己、提供专属个人的服务，并且能够充分保障个人数据和隐私安全。为此，公共大模型和个人大模型混合部署、满足用户需求正愈加成为产业共识，混合人工智能日益成为未来AI更好、跟 需要基于个人数据和隐私信息进行微调和个性化服务 个人大模型的普及，必然带来用户对大模型的专属化需求的提高。而云端公共大模型无法满足用户千人千面的需求，专属化的成本也相当高昂。因此，个人大模型将需要用户根据自己的数据和业务需求，在一定程度上进行自主微调，以适应特定的应用场景，提供相对个性化的服务。 无论是企业客户还是个人客户，数据安全和隐私问题都是重中之重。个人大模型还必须消除用户对数据安全和隐私保护的担 进阶。 ' alt='OCR图片'/> ## PC是存储容量最大、最受信赖的安全终端 随着用户使用AI应用的频次大大提高，个人交互数据量快速增加，个人数据安全和隐私保护的重要性日益凸显。首先，AI模型在推理阶段，需要用户输入具体任务和提示词。其次，AI应用中一般也将涉及到终端本地数据被模型读取和调用，从而能够让AI更好地理解环境，理解上下文，吸收实时数据，从而