新兴隐私计算

星环隐私计算平台
Sophon P²C是一款分布式隐私计算平台,集隐私计算、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,Sophon P²C解决了跨组织协作时无法安全利用各方数据的困境
隐私计算
Sophon P²C是一款分布式隐私计算平台,集隐私查询、隐私计算、加密通信等多种功能,能够为多方安全建模提供完整的解决方案。其以隐私保护为前提,能够帮助用户解决跨组织协作时无法安全利用各方数据的困境。

新兴隐私计算 更多内容

行业资讯
可信隐私计算
从数据困境突围:可信隐私计算的崛起与展望可信隐私计算:解锁数据新姿势可信隐私计算,是一种融合了密码学、安全多方计算、联邦学习、可信执行环境等多种技术的新兴计算模式。它的核心目标是在不暴露原始数据的前提下,实现数据的流通与计算,从而在保障数据隐私安全的同时,充分释放数据的价值。简单来说,就是让数据“可用不可见,可算不可识”。“可用不可见”,意味着数据的所有者可以在不向他人展示原始数据内容的情况下,将数据的使用权分享给其他方,供其进行数据分析、模型训练等操作。“可算不可识”,则是指在数据计算过程中,参与计算的各方无法识别出数据的具体内容和来源,只能得到计算结果,有效保护了数据的隐私性。多场景开花:可信隐私计算的舞台(一)金融领域:风险防控的新护盾在金融领域,数据安全关乎着金融机构的稳定运营以及客户的切身利益。可信隐私计算技术的应用,为金融机构的风险防控带来了全新的解决方案。在信贷审批环节,传统的信贷审批主要依赖于金融机构自身掌握的客户数据,如收入情况、信用记录等。然而,这些数据往往存在局限性,难以全面评估客户的信用风险。通过可信隐私计算技术,金融机构可以联合其他金融机构、电商平台、电信
行业资讯
可信隐私计算
从数据困境突围:可信隐私计算的崛起与展望可信隐私计算:解锁数据新姿势可信隐私计算,是一种融合了密码学、安全多方计算、联邦学习、可信执行环境等多种技术的新兴计算模式。它的核心目标是在不暴露原始数据的前提下,实现数据的流通与计算,从而在保障数据隐私安全的同时,充分释放数据的价值。简单来说,就是让数据“可用不可见,可算不可识”。“可用不可见”,意味着数据的所有者可以在不向他人展示原始数据内容的情况下,将数据的使用权分享给其他方,供其进行数据分析、模型训练等操作。“可算不可识”,则是指在数据计算过程中,参与计算的各方无法识别出数据的具体内容和来源,只能得到计算结果,有效保护了数据的隐私性。多场景开花:可信隐私计算的舞台(一)金融领域:风险防控的新护盾在金融领域,数据安全关乎着金融机构的稳定运营以及客户的切身利益。可信隐私计算技术的应用,为金融机构的风险防控带来了全新的解决方案。在信贷审批环节,传统的信贷审批主要依赖于金融机构自身掌握的客户数据,如收入情况、信用记录等。然而,这些数据往往存在局限性,难以全面评估客户的信用风险。通过可信隐私计算技术,金融机构可以联合其他金融机构、电商平台、电信
行业资讯
可信隐私计算
从数据困境突围:可信隐私计算的崛起与展望可信隐私计算:解锁数据新姿势可信隐私计算,是一种融合了密码学、安全多方计算、联邦学习、可信执行环境等多种技术的新兴计算模式。它的核心目标是在不暴露原始数据的前提下,实现数据的流通与计算,从而在保障数据隐私安全的同时,充分释放数据的价值。简单来说,就是让数据“可用不可见,可算不可识”。“可用不可见”,意味着数据的所有者可以在不向他人展示原始数据内容的情况下,将数据的使用权分享给其他方,供其进行数据分析、模型训练等操作。“可算不可识”,则是指在数据计算过程中,参与计算的各方无法识别出数据的具体内容和来源,只能得到计算结果,有效保护了数据的隐私性。多场景开花:可信隐私计算的舞台(一)金融领域:风险防控的新护盾在金融领域,数据安全关乎着金融机构的稳定运营以及客户的切身利益。可信隐私计算技术的应用,为金融机构的风险防控带来了全新的解决方案。在信贷审批环节,传统的信贷审批主要依赖于金融机构自身掌握的客户数据,如收入情况、信用记录等。然而,这些数据往往存在局限性,难以全面评估客户的信用风险。通过可信隐私计算技术,金融机构可以联合其他金融机构、电商平台、电信
行业资讯
可信隐私计算
从数据困境突围:可信隐私计算的崛起与展望可信隐私计算:解锁数据新姿势可信隐私计算,是一种融合了密码学、安全多方计算、联邦学习、可信执行环境等多种技术的新兴计算模式。它的核心目标是在不暴露原始数据的前提下,实现数据的流通与计算,从而在保障数据隐私安全的同时,充分释放数据的价值。简单来说,就是让数据“可用不可见,可算不可识”。“可用不可见”,意味着数据的所有者可以在不向他人展示原始数据内容的情况下,将数据的使用权分享给其他方,供其进行数据分析、模型训练等操作。“可算不可识”,则是指在数据计算过程中,参与计算的各方无法识别出数据的具体内容和来源,只能得到计算结果,有效保护了数据的隐私性。多场景开花:可信隐私计算的舞台(一)金融领域:风险防控的新护盾在金融领域,数据安全关乎着金融机构的稳定运营以及客户的切身利益。可信隐私计算技术的应用,为金融机构的风险防控带来了全新的解决方案。在信贷审批环节,传统的信贷审批主要依赖于金融机构自身掌握的客户数据,如收入情况、信用记录等。然而,这些数据往往存在局限性,难以全面评估客户的信用风险。通过可信隐私计算技术,金融机构可以联合其他金融机构、电商平台、电信
大数据隐私计算是在大数据背景下,为解决数据隐私保护与数据价值挖掘之间矛盾而产生的新兴技术领域。随着大数据技术的快速发展,数据量呈爆炸式增长,数据的价值日益凸显。然而,在大数据的收集、存储、分析和共享过程中,不可避免地涉及到大量的个人隐私信息和敏感数据,如果不加以保护,容易导致隐私泄露,给个人和企业带来严重的安全风险。因此,需要在充分挖掘大数据价值的同时,确保数据的隐私安全,大数据隐私计算应运而生。关键技术安全多方计算(SMC):允许多个参与方在不泄露各自隐私数据的情况下共同完成计算任务。通过加密算法和协议,将数据以密文形式进行交互和计算,只有最终结果才被解密公开,从而保护了各方的隐私数据。同态加密(HE):支持在密文上进行特定类型的计算计算结果解密后与在明文上进行相同计算的结果一致。这使得数据可以在加密状态下进行处理,无需解密,有效防止了数据在计算过程中的隐私泄露。差分隐私(DP金融机构的交易数据和客户信息,利用隐私计算技术在保护数据隐私的前提下进行联合分析和建模,及时发现和防范金融欺诈行为。医疗健康领域医疗数据分析:不同医疗机构之间可以在保护患者隐私的前提下,共享医疗数据进行
大数据隐私计算是在大数据背景下,为解决数据隐私保护与数据价值挖掘之间矛盾而产生的新兴技术领域。随着大数据技术的快速发展,数据量呈爆炸式增长,数据的价值日益凸显。然而,在大数据的收集、存储、分析和共享过程中,不可避免地涉及到大量的个人隐私信息和敏感数据,如果不加以保护,容易导致隐私泄露,给个人和企业带来严重的安全风险。因此,需要在充分挖掘大数据价值的同时,确保数据的隐私安全,大数据隐私计算应运而生。关键技术安全多方计算(SMC):允许多个参与方在不泄露各自隐私数据的情况下共同完成计算任务。通过加密算法和协议,将数据以密文形式进行交互和计算,只有最终结果才被解密公开,从而保护了各方的隐私数据。同态加密(HE):支持在密文上进行特定类型的计算计算结果解密后与在明文上进行相同计算的结果一致。这使得数据可以在加密状态下进行处理,无需解密,有效防止了数据在计算过程中的隐私泄露。差分隐私(DP金融机构的交易数据和客户信息,利用隐私计算技术在保护数据隐私的前提下进行联合分析和建模,及时发现和防范金融欺诈行为。医疗健康领域医疗数据分析:不同医疗机构之间可以在保护患者隐私的前提下,共享医疗数据进行
随着数字技术的快速发展,隐私计算作为一种新兴技术,正日益受到广泛关注。能够在保护个人隐私的前提下,实现数据的安全共享和高效利用。隐私计算的应用场景十分广泛,涵盖了政务、金融、医疗、广告等多个领域。在政务领域,隐私计算的应用主要体现在政务数据开放共享、智慧城市、联合安防、应急管理及响应等方面。通过隐私计算技术,政府部门可以在不泄露个人隐私信息的前提下,实现数据的跨部门共享和协同办公,提升政府服务效率。同时,在智慧城市建设中,隐私计算可以助力城市管理部门在保障个人隐私的同时,利用大数据和人工智能技术提升城市管理水平。此外,在联合安防、应急管理及响应方面,隐私计算也能够确保在紧急情况下,各部门能够迅速、准确地获取所需数据,共同应对突发事件。金融领域是隐私计算应用的另一个重要领域。在信贷风险评估、金融反欺诈、反洗钱、征信、保险定价等方面,隐私计算都发挥着不可或缺的作用。通过隐私计算技术,金融机构可以在保护客户隐私的同时,利用多方数据进行风险评估和欺诈检测,提高金融业务的安全性和效率。此外,在征信和保险定价方面,隐私计算也有助于实现更加精准的风险评估和定价策略。在医疗领域,隐私计算的应用同样
随着数字技术的快速发展,隐私计算作为一种新兴技术,正日益受到广泛关注。能够在保护个人隐私的前提下,实现数据的安全共享和高效利用。隐私计算的应用场景十分广泛,涵盖了政务、金融、医疗、广告等多个领域。在政务领域,隐私计算的应用主要体现在政务数据开放共享、智慧城市、联合安防、应急管理及响应等方面。通过隐私计算技术,政府部门可以在不泄露个人隐私信息的前提下,实现数据的跨部门共享和协同办公,提升政府服务效率。同时,在智慧城市建设中,隐私计算可以助力城市管理部门在保障个人隐私的同时,利用大数据和人工智能技术提升城市管理水平。此外,在联合安防、应急管理及响应方面,隐私计算也能够确保在紧急情况下,各部门能够迅速、准确地获取所需数据,共同应对突发事件。金融领域是隐私计算应用的另一个重要领域。在信贷风险评估、金融反欺诈、反洗钱、征信、保险定价等方面,隐私计算都发挥着不可或缺的作用。通过隐私计算技术,金融机构可以在保护客户隐私的同时,利用多方数据进行风险评估和欺诈检测,提高金融业务的安全性和效率。此外,在征信和保险定价方面,隐私计算也有助于实现更加精准的风险评估和定价策略。在医疗领域,隐私计算的应用同样
产品文档
5.3 写入类操作
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...
产品文档
3.3 Cluster
OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...
产品文档
2 Quick Start
ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...
产品文档
1 Introduction
OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...
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:
产品文档
5.18 全文检索
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。
产品文档
5.10 任务相关
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":...
产品文档
8 性能分析
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。...
产品文档
10 Hippo 运维
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•...
产品文档
5.7 查询类操作
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"}...