隐私计算厂商能力

近日，易观分析发布《2022年中国隐私计算市场分析》，星环科技成功入围“隐私计算领域典范厂商”，作为渗透行业供应商被引用介绍。隐私计算领域典范厂商——图片来源《易观数字化》公众号在助力企业数字化转型”隐私计算优秀案例，并成为上海数据交易所首批签约数商。此次入围“隐私计算典范厂商”，再度彰显了星环科技的行业影响力。在未来，随着技术的成熟和案例的落地，隐私计算产业将从供给拉动转为需求驱动，星环科技将在不断的技术创新中，为更多企业数字化转型提供更安全、更有效、更富价值的新动能！的同时，星环科技非常重视企业用户的数据安全问题，其联邦学习平台SophonP²C拥有隐私计算、加密网络等多种功能，为多方安全建模提供完整的解决方案，保障企业用户在数据在加密状态下被采集、传输、存储、计算、共享和流通。星环科技是中国信息通信研究院隐私计算联盟初创成员，先后入选零壹财经•零壹智库《开启新纪元：隐私计算在金融领域应用发展报告(2021）》，摘得《人工智能领域很好创新产品奖》，获评“星河

近日，零壹财经•零壹智库发布国内首个系统研究隐私计算在金融领域应用的报告——《开启新纪元：隐私计算在金融领域应用发展报告(2021）》，星环科技荣登隐私计算厂商图谱，并成为国内唯一一家拥有大数据背景的入选企业。此次报告由零壹财经·零壹智库作为研究机构，由中国科技体制改革委员会数字经济发展研究小组、深圳市信用促进会、横琴数链数字金融研究院联合发布，旨在遴选出一批具有代表性的隐私计算厂商，树立引领等。一旦大数据平台宕机，组织中诸多核心业务将无法开展，造成的损失不可估量。作为大数据和人工智能基础软件平台供应商，星环科技一直非常重视企业用户的数据安全问题。今年3月，星环科技发布了隐私计算和联邦学习技术，可以保障数据在加密状态下被采集、传输、存储、计算、共享和流通，中间的数据不会被攻击和被泄露。星环科技的联邦学习平台SophonP²C拥有隐私计算、加密网络通信等多种功能，为多方安全建模提供完整的解决方案。以隐私保护为前提，SophonP²C从根本上解决了跨组织协作时无法安全利用各方数据的困境，真正实现了“原始数据不流通，分析模型流通”。星环科技隐私计算平台SophonP²C架构图安全性方面

答疑、集中评议，共计35家企业的产品通过了本批评测。星环科技隐私计算平台SophonP²C通过了多方安全计算性能专项评测，也是唯一一家通过第七批“可信隐私计算评测”该类别评测的厂商。中国信通院“可信隐私中国信通院第七批“可信隐私计算评测”评审会。评审会专家由来自中国科学院、中央财经大学、北京航空航天大学、中国科学院大学、北京交通大学等单位的专家组成。评审环节包括产品资料审核、测试报告审核、质询与计算评测”体系自2018年起逐步构建，是目前国内隐私计算领域早、全、广受行业认可的评测体系。经过4年的发展，“可信隐私计算评测”已成为隐私计算领域权威的第三方评测品牌，成为供给侧产品研发和需求侧采购选型的风向标。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。平台提供多种获得卓越的性能。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。

答疑、集中评议，共计35家企业的产品通过了本批评测。星环科技隐私计算平台SophonP²C通过了多方安全计算性能专项评测，也是唯一一家通过第七批“可信隐私计算评测”该类别评测的厂商。中国信通院“可信隐私中国信通院第七批“可信隐私计算评测”评审会。评审会专家由来自中国科学院、中央财经大学、北京航空航天大学、中国科学院大学、北京交通大学等单位的专家组成。评审环节包括产品资料审核、测试报告审核、质询与计算评测”体系自2018年起逐步构建，是目前国内隐私计算领域早、全、广受行业认可的评测体系。经过4年的发展，“可信隐私计算评测”已成为隐私计算领域权威的第三方评测品牌，成为供给侧产品研发和需求侧采购选型的风向标。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。平台提供多种获得卓越的性能。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。

答疑、集中评议，共计35家企业的产品通过了本批评测。星环科技隐私计算平台SophonP²C通过了多方安全计算性能专项评测，也是唯一一家通过第七批“可信隐私计算评测”该类别评测的厂商。中国信通院“可信隐私中国信通院第七批“可信隐私计算评测”评审会。评审会专家由来自中国科学院、中央财经大学、北京航空航天大学、中国科学院大学、北京交通大学等单位的专家组成。评审环节包括产品资料审核、测试报告审核、质询与计算评测”体系自2018年起逐步构建，是目前国内隐私计算领域早、全、广受行业认可的评测体系。经过4年的发展，“可信隐私计算评测”已成为隐私计算领域权威的第三方评测品牌，成为供给侧产品研发和需求侧采购选型的风向标。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。平台提供多种获得卓越的性能。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。

答疑、集中评议，共计35家企业的产品通过了本批评测。星环科技隐私计算平台SophonP²C通过了多方安全计算性能专项评测，也是唯一一家通过第七批“可信隐私计算评测”该类别评测的厂商。中国信通院“可信隐私中国信通院第七批“可信隐私计算评测”评审会。评审会专家由来自中国科学院、中央财经大学、北京航空航天大学、中国科学院大学、北京交通大学等单位的专家组成。评审环节包括产品资料审核、测试报告审核、质询与计算评测”体系自2018年起逐步构建，是目前国内隐私计算领域早、全、广受行业认可的评测体系。经过4年的发展，“可信隐私计算评测”已成为隐私计算领域权威的第三方评测品牌，成为供给侧产品研发和需求侧采购选型的风向标。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。平台提供多种获得卓越的性能。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。

答疑、集中评议，共计35家企业的产品通过了本批评测。星环科技隐私计算平台SophonP²C通过了多方安全计算性能专项评测，也是唯一一家通过第七批“可信隐私计算评测”该类别评测的厂商。中国信通院“可信隐私中国信通院第七批“可信隐私计算评测”评审会。评审会专家由来自中国科学院、中央财经大学、北京航空航天大学、中国科学院大学、北京交通大学等单位的专家组成。评审环节包括产品资料审核、测试报告审核、质询与计算评测”体系自2018年起逐步构建，是目前国内隐私计算领域早、全、广受行业认可的评测体系。经过4年的发展，“可信隐私计算评测”已成为隐私计算领域权威的第三方评测品牌，成为供给侧产品研发和需求侧采购选型的风向标。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。平台提供多种获得卓越的性能。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。

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。联邦计算和隐私计算都是在保护数据隐私的前提下进行数据计算或模型训练的技术手段。联邦计算指的是在不泄露原始数据隐私的前提下，将各方的数据集合并在一起进行计算或模型训练。与传统的数据集中式计算方案相比，联邦计算更加注重数据隐私保护和数据的去中心。联邦计算的基本流程是：通过密码学手段保证各方之间的数据隐私；将各个参与方提供的数据在本地预处理，提取特征，然后在各方之间进行模型参数更新；后汇总模型参数，得到联合训练后的模型。联邦计算应用于数据大规模分布式场景，例如金融风控、医疗诊疗、智慧城市等多个领域。隐私计算则是一种在不将原始数据暴露的前提下，基于加密计算实现对数据的计算、查询或分析。隐私计算中的数据能够在加密状态下保存、传输、计算和输出，用户在享受计算结果的同时，也可以享受到数据隐私保护。在隐私计算中，数据拥有者将原始数据进行加密，形成密文。在密文的基础上，进行加密计算，得到密文结果。之后，密

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...

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"}...

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。

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

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•...

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：

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":...

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

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。...

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