隐私计算选择方案

隐私计算方案是一套综合性的技术和方法体系，旨在解决数据隐私保护与数据价值利用之间的矛盾，以下是一个通用的隐私计算方案框架：明确应用场景与目标确定业务需求：分析具体业务场景，如金融领域的联合风控、医疗、选择权等。选择合适的隐私计算技术安全多方计算（SMC）：适用于多个参与方在不泄露各自数据的情况下共同完成复杂的计算任务，如多方数据的联合统计分析、隐私集合求交等。通过秘密分享、混淆电路等技术手段，确保数据计算技术，对数据进行加密处理，将敏感数据转换为密文形式，或者对数据进行脱敏操作，如匿名化、泛化等，降低数据的敏感度。方案实施与部署系统架构搭建：构建包括数据存储、计算节点、通信网络等在内的隐私计算系统与验证：对隐私计算方案进行全面的测试，包括功能测试、性能测试、安全测试等，确保方案能够满足业务需求和隐私保护要求，验证计算结果的准确性和隐私性。运行与维护监控与审计：建立实时监控机制，对隐私计算系统的运行状态、数据访问、计算任务执行等情况进行监控和记录，定期进行审计，及时发现并处理潜在的安全隐患和隐私泄露问题。性能优化：根据系统运行情况和业务需求的变化，对隐私计算方案进行性能优化，包括算法优化

隐私计算解决方案是指利用隐私计算技术来解决数据在流通、共享和处理过程中的隐私保护和安全问题的一系列方法和策略，以下是一些常见的隐私计算解决方案：基于多方安全计算的解决方案技术原理：多方安全计算允许在不泄露各自数据隐私的情况下，多个参与方共同进行计算。它基于密码学技术，如秘密共享、同态加密、混淆电路等，确保在计算过程中，各方的输入数据和中间结果都是保密的，只有最终结果被公开。应用场景：在金融领域的：可信执行环境是一种硬件级别的安全隔离技术，通过在CPU中创建一个可信的执行区域，保证在该区域内运行的代码和数据的安全性和隐私性。即使在操作系统或其他软件被攻击的情况下，TEE中的数据和计算也不会受到影响。应用场景：在云计算环境中，用户担心将敏感数据上传到云端后会被泄露或滥用。云服务提供商可以利用TEE技术，为用户创建一个可信的执行环境，用户的敏感数据在该环境中进行处理和计算，确保数据的安全性和隐私性。同态加密解决方案技术原理：同态加密允许在加密数据上直接进行特定类型的计算，而无需先解密数据。计算结果解密后与在明文数据上进行相同计算的结果一致，从而实现数据的“可用不可见”。同态加密分为加法同态

隐私计算建设方案一、建设目标数据安全保护：确保在数据的采集、存储、使用、共享等全生命周期中，敏感数据不被泄露、篡改或滥用。合规性满足：严格遵循国内外关于数据隐私保护的法律法规。数据价值挖掘：在保障数据隐私的前提下，实现跨机构、跨部门的数据融合分析与应用，充分释放数据价值，为业务创新、决策支持等提供有力支撑。二、技术选型多方安全计算：适用于需要在多个参与方之间进行联合计算，且不暴露原始数据的场景的原始数据，包括结构化数据、半结构化数据和非结构化数据。数据存储需采用安全可靠的存储技术，如分布式存储、加密存储等，确保数据的完整性和安全性。隐私计算层：部署多方安全计算、联邦学习、同态加密等隐私计算引擎，是实现隐私保护计算的核心层。该层需具备高效的计算能力、良好的扩展性和稳定性，以支持大规模数据的隐私计算任务。应用层：为用户提供各种基于隐私计算的应用服务，如联合数据分析、联合建模、精准营销等。应用层通过与隐私计算层交互，获取计算结果，并以直观的方式呈现给用户。管理层：负责对整个隐私计算平台进行管理和监控，包括用户管理、权限管理、任务管理、安全管理、审计管理等。管理层需确保平台的正常运行、数据

解锁隐私计算方案：数据安全与价值挖掘的新密码隐私计算：数据时代的“安全卫士”在数字化浪潮席卷全球的当下，数据已然成为推动社会进步和经济发展的核心驱动力。从互联网巨头精准推送的个性化广告，到金融机构重任。通过融合密码学、人工智能、区块链等多领域前沿技术，隐私计算为数据的流通与应用构筑起一道坚固的防线，确保数据在发挥价值的同时，其隐私安全得到全方位的保障。一、隐私计算方案大揭秘（一）隐私计算的定义与信息。二、隐私计算方案的优势（一）数据安全保障在数据泄露事件频发的当下，隐私计算方案犹如一道坚不可摧的“安全堡垒”，为数据安全提供了全方位、多层次的保障。以同态加密技术为例，它允许在密文状态下对数据进行原始数据的前提下协同完成计算任务。（二）合规性满足随着数据安全和隐私保护相关法律法规的不断完善，，企业在数据处理和应用过程中面临着严格的合规要求。隐私计算方案凭借其独特的技术优势，能够帮助企业轻松满足这些数据处理模式下，由于数据安全和隐私保护的限制，许多数据无法得到充分的挖掘和利用，形成了一个个“数据孤岛”。隐私计算方案的出现，为打破这些“数据孤岛”提供了有力的工具，使得数据在安全的前提下能够实现跨机构、跨领域的流通与融合，从而充分释放数据的潜在价值。

隐私计算产品-SophonP²C星环分布式隐私计算平台SophonP²C集多方安全计算、联邦学习等多种功能，为隐私计算提供完整的解决方案，以隐私保护为前提，解决了跨组织协作时无法安全利用各方数据的平台在大数据量下也能获得卓越的性能。星环科技在隐私计算方面的技术探索和落地实践也受到了行业的广泛认可，入围工信部网安中心“2021数字技术融合创新应用典型解决方案”，产品通过信通院“卓信大数据计划”安全专项评估认证；荣获“江苏省优秀人工智能产品”、“2022可信AI”实践优秀案例、大数据“星河”隐私计算优秀案例；入选艾瑞咨询“隐私计算卓越者”榜单、易观分析“隐私计算领域典范厂商”等。产品功能基于密码学保障的分布式隐私计算技术：使用了差分隐私、同态加密、掩码技术、不经意传输的隐私计算技术和可信计算技术，结合公司高性能的分布式算法，可以在海量密文数据上运行分布式机器学习算法，实现“原始数据不动模型清洗及联邦特征工程，为后续联邦建模提供保障。强大的联邦建模：SophonP²C支持横向及纵向的逻辑回归、线性回归、K均值等常用统计分析和机器学习算法，并针对隐私计算中的数据分布不一致问题，对多种场景和

星环科技是国内一家专业的隐私计算公司，致力于为企业提供安全可靠的数据隐私保护解决方案。星环科技分布式隐私计算平台SophonP²C星环科技分布式隐私计算平台SophonP²C集多方安全计算、联邦学习等多种功能，为隐私计算提供完整的解决方案，以隐私保护为前提，解决了跨组织协作时无法安全利用各方数据的困境。平台支持联邦学习、多方安全计算、匿踪查询等功能；性能方面，联邦学习与多方安全计算可达亿级数据量，助力数据要素安全流通和价值迸发，实现数字经济时代下的跨企业和行业的AI协作。星环科技的隐私计算技术已落地如数据流通、政务民生、金融营销等垂直业务场景，为跨企业数据协作提供安全可信的平台支持。在政务曾获信通院多方安全计算性能专项测评证书、联邦学习基础能力专项测评证书、卓信大数据联邦学习安全评估专项证书，以及信通院星河案例隐私计算优秀案例等多项认证和荣誉。随着数据隐私保护意识的不断增强和隐私法规的完善，隐私计算将成为未来数据处理的重要方式。星环科技在隐私计算领域将继续发挥重要作用，为用户和企业提供更加安全可靠的数据隐私保护服务。

隐私计算是一种在保护数据隐私的前提下进行数据处理和分析的技术，以下是一套隐私计算解决方案：技术选型联邦学习：通过在多个数据源之间进行模型训练，而不直接交换数据，实现数据的协同分析和模型共享。同态加密：允许对密文进行特定类型的计算，计算结果解密后与对明文进行相同计算的结果相同。安全多方计算：多个参与方在不泄露各自数据隐私的情况下共同计算一个函数。可信执行环境：提供一个隔离的、可信的执行环境，保证数据在其中的处理过程是安全的。架构设计数据层：负责数据的采集、存储和管理。对敏感数据进行加密或脱敏处理后存储在本地或分布式存储系统中。计算层：运用隐私计算技术进行数据处理和分析。例如，通过联邦学习框架进行模型训练，或在安全多方计算平台上进行数据融合和分析。控制层：对整个隐私计算过程进行管理和监控。包括任务调度、权限管理、数据访问控制等功能，确保计算过程的合规性和安全性。应用层：面向不同的业务场景提供隐私计算服务。如金融风险评估、医疗数据分析、广告精准投放等，为用户提供安全、可靠的数据分析结果。安全机制身份认证与授权：采用严格的身份认证机制，如数字证书、多因素认证等，确保参与方的身份真实性。同时

隐私计算平台是为企业和个人提供数据隐私保护的解决方案的软件平台。随着数据隐私意识的提升和隐私法规的完善，越来越多的隐私计算平台涌现出来，星环科技分布式隐私计算平台SophonP²C就是其中具代表性之一。星环科技分布式隐私计算平台SophonP²C星环科技分布式隐私计算平台SophonP²C集多方安全计算、联邦学习等多种功能，为隐私计算提供完整的解决方案，以隐私保护为前提，解决了跨组织协作时无法科技的隐私计算技术已落地如数据流通、政务民生、金融营销等垂直业务场景，为跨企业数据协作提供安全可信的平台支持。在政务民生场景，SophonP²C通过纵向联邦学习联合居民用电数据与用水数据，生成群租房预测学习安全评估专项证书，以及信通院星河案例隐私计算优秀案例等多项认证和荣誉。隐私计算的兴起为企业提供了更加安全、可靠的数据处理和分析方式，助力数据的有效利用和隐私的保护。相信随着技术的不断进步和隐私保护意识的提升，隐私计算平台将在数据处理领域发挥越来越重要的作用。安全利用各方数据的困境。平台支持联邦学习、多方安全计算、匿踪查询等功能；性能方面，联邦学习与多方安全计算可达亿级数据量，助力数据要素安全流通和价值迸发，实现数字经济时代下的跨企业和行业的AI协作。星环

Hippo在1.2版本提供了全文索引能力，兼容ElasticSearch6.7.2语法，在底层架构上复用了公司产品TranswarpScope的一部分特性，支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求，通过该能力的支持，可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文更高的精度。同时，一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外，均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。

在Hippo中，比较耗时的操作如激活、加载向量索引实际上是一个分布式任务，用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果：{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...

运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息，包括：Masterstatus：当前的ActiveMaster，MasterGroup，MasterAddress，Master的健康状态TabletServerStatus：TabletServerAddress，健康状态，逻辑机架和数据中心信息，容量使用以及Tablet个数TabletNum：当前集群表的个数Version：Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息：库名库创建时间库内各类表的信息：点击某个库，可以看到库下所有表的信息，主要包括：••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...

OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...

查看Master节点通过以下命令，查看集群Master节点信息：curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果：epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址，支持以*通配，支持指定多个pattern，多个pattern以逗号分割返回结果：

本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数，如果出现行级错误（比如主键冲突），Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...

本节测试主要描述了Hippo1.0在关键测试上的一些性能表现，该份测试同样也是Hippo的基准测试，后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq)，所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集，不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理，使用SIFT算法得到的图片特征向量。...

过滤条件表达式Hippo当前支持如下表达式，可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and，不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符，'%'表示匹配任意字符，'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离，返回最相似的结果集。通过指定标量过滤条件，用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...

OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...

ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...