联邦计算 隐私计算
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。平台提供多种开箱即用的工具,方便用户在联邦框架下进行数据处理、分析、特征工程等工作,并快速建立机器学习和深度学习模型。加密网络通信模块负责节点间大量多批次加密信息的传输,多种加密安全手段和优异的通信架构,确保平台在大数据量下也能获得卓越的性能。Sophon P²C的多种联邦学习算法适用于各类垂直业务场景,为跨企业AI协作提供安全可靠的平台支持。
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。
联邦计算 隐私计算 更多内容

行业资讯
联邦隐私计算
联邦隐私计算通常指联邦学习与隐私计算技术相结合。基本原理数据不出本地:参与方在本地拥有各自的数据,在联合训练模型或进行数据处理时,数据始终不离开本地设备或数据中心,避免了数据的直接共享。加密参数交互可以利用联邦隐私计算技术,在保护患者隐私的情况下,联合进行疾病诊断模型的训练、药物研发等工作,促进医疗数据的共享和利用。工业领域:在供应链上下游企业之间,可通过联邦隐私计算实现数据共享和协同分析,如需求预测、质量控制、生产优化等,提高产业链的协同效率和竞争力。正确的计算结果,防止单点数据泄露。差分隐私:通过在数据处理或模型训练过程中添加适量的随机噪声,使得处理后的结果对于数据集中任何单个记录的存在或缺失不敏感,在保护个体隐私的同时提供有价值的统计信息。应用:通过加密技术对模型参数进行加密处理后在参与方之间进行传输和交换。各方利用本地数据对加密后的参数进行计算和更新,并将更新后的加密参数再返回给其他参与方。主要技术同态加密:允许在密文上直接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相同,确保数据在加密状态下进行处理和分析。秘密共享:将数据或计算结果分割成多个份额,分发给不同的参与方,只有当足够数量的参与方合作时才能恢复出原始数据或

行业资讯
联邦计算与隐私计算
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。隐私计算中的文结果才被解密,得到终的结果。通过加密计算,私计算实现了用户数据的隐私保护和数据共享的矛盾的平衡。联邦计算更加注重在各方之间进行数据合并时对数据隐私的保护,强调去中心化,在各方的数据安全和隐私保护保证技术手段,能够帮助企业和个人处理数据共享和隐私保护。星环分布式隐私计算平台-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

行业资讯
联邦计算与隐私计算
隐私性,因为它避免了将原始数据发送到中央服务器或共享给第三方。隐私计算是一种实现隐私保护的计算方法和技术,其中包括但不限于联邦学习、安全多方计算、可信计算等。它可以在数据产生、存储、处理和流通的各个环节提供隐私保护,使得数据在协作的同时不泄露给其他未经授权的实体。联邦计算和隐私计算虽然都致力于在保护数据隐私的前提下实现数据价值的挖掘,但是它们在应用场景上存在一些不同。联邦计算主要应用于人工智能和机器的同时不泄露给其他未经授权的实体,因此可以应用于众多领域如金融、医疗、政府等。星环分布式隐私计算平台-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,为联邦计算使得不同实体可以在不共享原始数据的情况下进行数据分析和机器学习。这种技术主要通过在分布式数据集上构建一个共同的模型,然后在这个模型上进行协作,而不需要将数据集中到一处。联邦计算可以增强数据学习领域,特别是当涉及到大数据和多源数据融合的时候,它的优点是可以保护数据隐私并且提高计算效率。而隐私计算的应用场景则更加广泛,它可以在数据产生、存储、处理和流通的各个环节提供隐私保护,使得数据在协作

行业资讯
联邦学习与隐私计算
联邦学习与隐私计算紧密相关,联邦学习是隐私计算的一个重要分支,在隐私保护的前提下实现了数据的协同利用和模型训练。基本概念联邦学习:是一种分布式机器学习技术,多个参与方在本地训练机器学习模型,然后将模型参数进行加密聚合,不断迭代优化模型,整个过程中数据始终不离开本地,既保护了数据隐私,又能利用各方数据共同训练出更准确的模型。与隐私计算的关系:联邦学习作为隐私计算的关键技术之一,重点解决了在多参与方数据协同场景下的隐私保护问题,通过加密等技术手段确保各方数据在不泄露隐私的情况下进行模型训练和优化,是隐私计算在机器学习领域的具体应用和创新。技术原理加密通信:在联邦学习中,参与方之间的通信通常采用再进行聚合操作。例如,同态加密允许直接对加密数据进行计算,聚合服务器可以在不解密模型参数的情况下对各方上传的加密参数进行求和、平均等聚合操作,然后将聚合后的加密参数返回给各参与方。差分隐私保护:在模型决策的准确性。医疗领域:不同医疗机构之间可以利用联邦学习技术,在保护患者隐私的前提下,联合训练疾病诊断模型、药物研发模型等,促进医疗数据的共享和利用,推动医学研究和临床实践的发展。物联网领域:众多物联网

行业资讯
隐私计算与联邦学习
隐私计算与联邦学习紧密相关,联邦学习是隐私计算的一个重要分支和应用场景。基本概念隐私计算:指在提供隐私保护的前提下实现数据价值挖掘的技术体系,包括安全多方计算、联邦学习、机密计算、差分隐私等多种技术。联邦学习:一种分布式机器学习框架,允许多个参与方在不共享原始数据的情况下,共同训练一个全局模型。关键技术同态加密:在联邦学习中,同态加密技术可用于对模型参数进行加密,使得在加密状态下进行计算和更新,解密后的结果与在明文上计算的结果一致,确保数据隐私。差分隐私:通过在模型参数更新过程中添加适量的随机噪声,使得攻击者难以从参数中推断出单个用户的隐私信息,进一步增强隐私保护效果。秘密共享:将模型参数或数据分割成多个份额,分发给不同的参与方,只有当足够数量的参与方合作时才能恢复出原始数据或正确的计算结果,防止单点数据泄露。工作流程数据准备:各参与方在本地准备好用于训练的数据,这些数据不离开本地设备或模型参数进行聚合操作,得到全局模型参数,并将其返回给各参与方。模型更新:参与方根据接收到的全局模型参数更新本地模型,然后继续进行下一轮的训练和聚合,直到达到预设的训练轮数或模型收敛。优势数据隐私保护强

行业资讯
联邦学习隐私计算
联邦学习隐私计算是一种结合了联邦学习和隐私计算技术的创新方法,旨在解决在多参与方协作机器学习过程中的数据隐私保护问题。在大数据时代,数据分散在不同的机构或个人手中,形成了数据孤岛。传统的机器学习方法需要将数据集中到一处进行训练,这会带来严重的隐私风险。联邦学习应运而生,它允许各参与方在不共享原始数据的情况下,通过交换加密的模型参数共同训练一个全局模型。而联邦学习隐私计算则是在此基础上,进一步运用多种隐私计算技术,如加密技术、差分隐私等,对模型训练过程中的数据和信息进行更严格的隐私保护。关键技术加密技术同态加密:支持在密文上进行特定类型的计算,如加法同态加密可在加密数据上直接进行加法运算,乘法同态加密可进行乘法运算,计算结果解密后与在明文上进行相同运算的结果一致,从而保证数据在计算过程中的隐私性。混合加密:结合对称加密和非对称加密的优点,通常使用非对称加密进行密钥交换,再使用对称加密对大量或高斯噪声,在保证模型训练效果的同时,有效防止隐私泄露。秘密共享技术:将模型参数或数据分割成多个份额,分发给不同的参与方,只有当足够数量的参与方合作时才能恢复出原始数据或正确的计算结果。工作流程数据

行业资讯
联邦计算和隐私计算的区别
联邦计算与隐私计算是两个不同但又相互关联的概念,以下是它们的主要区别:概念定义联邦计算:通常是指联邦学习这一分布式机器学习技术,旨在解决在多个参与方数据不共享的情况下进行联合建模和训练的问题。多个数据处理和计算的技术,旨在实现数据“可用不可见”,即数据在不泄露隐私的情况下被用于计算和分析等操作。除了联邦学习外,还包括多方安全计算、可信执行环境、同态加密、差分隐私等多种技术。技术原理联邦计算:主要基于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一致;差分隐私通过在数据中添加噪声来保护个体数据的隐私。应用场景联邦计算:主要应用于需要多方数据进行联合机器学习的场景,如金融领域的反欺诈模型;多方安全计算性能也会因具体算法和场景而异。总体来说,隐私计算在追求隐私保护的同时,往往需要在一定程度上牺牲部分性能。数据处理方式联邦计算:侧重于对数据的分布式处理和模型训练,数据在本地进行预处理和模型参与方在本地训练模型,然后通过加密等技术交换模型参数或梯度信息,不断迭代优化模型,最终得到一个联合模型,而原始数据始终不离开本地。隐私计算:是一个更广泛的概念,涵盖了多种在保护数据隐私的前提下进行

行业资讯
联邦学习 隐私计算
联邦学习是隐私计算的一个重要分支,二者既有紧密联系,又在概念、技术特点、应用场景等方面存在一些区别。联系目标一致:联邦学习和隐私计算的总体目标都是在保护数据隐私的前提下,实现数据的价值挖掘和共享利用。它们致力于解决数据隐私与数据流通、协同计算之间的矛盾,使得数据在不泄露敏感信息的情况下,能够在不同主体之间进行有效处理和分析。技术融合:在实际应用中,联邦学习常常与其他隐私计算技术相结合,以进一步计算:是一个更广泛的概念,涵盖了多种在数据处理和计算过程中保护隐私的技术和方法,包括安全多方计算、同态加密、联邦学习、差分隐私、零知识证明等。联邦学习:侧重于在多个数据拥有者之间进行机器学习模型的协同技术实现多方数据的协同计算;同态加密允许在密文上进行特定的计算操作;差分隐私通过添加噪声来保护数据隐私等。联邦学习:其核心特点是数据不出本地,通过加密的模型参数传输和聚合来实现模型的协同训练。在联邦数据分析、政务数据的跨部门共享等。联邦学习:主要应用于机器学习和人工智能领域,特别是在数据分散且具有隐私需求的情况下,如跨企业的用户行为预测、智能设备间的模型协同训练、多机构的医疗影像诊断等。性能与效率隐私计算
猜你喜欢

行业资讯
分布式隐私计算平台
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,生成群租房预测名单。在联合建模过程中,全程明文数据不出,有效保护了居民用水用电的数据隐私信息。联合训练模型比本地单独用电数据训练的模型AUC提升20%以上,赋能政务决策高效的处理分析能力,为政府有效排查群租房,消除群租房造成的消防、安全隐患,打造和谐、安全、美丽的生活环境作出了突出贡献,为政务决策、民生建设发挥信息化支撑保障作用。在精准营销场景,通过纵向联邦学习,车企安全引入了多方数据,丰富用户特征维度,对用户行为进行统计分析。在联合建模过程中,全程明文数据...

行业资讯
基于数据安全网关的跨境安全流通方案
星环科技致力于打造企业级大数据基础软件,基于在大数据、分布式数据库、隐私计算、数据安全流通领域有着多年积累,研发了数据要素流通全过程的一系列工具,在各方数据不出域的前提下,为数据资源方和数据消费方提供数据交付服务。2022年9月星环科技曾受邀出席“深数交”数据合规活动,分享数据安全出境解决方案。2021年星环科技成为上海数据交易所首批签约数商。2022年12月星环科技与中国东信旗下北部湾大数据交易中心达成了战略合作。伴随数字经济蓬勃发展,融入全球数据跨境流动的趋势不可避免。数据出境安全治理受到广泛重视,为进一步规范数据出境活动,保护个人信息权益,维护国家安全和社会公共利益,促进数据跨境安全,国家互联网信息办公室发布了《数据出境安全评估办法》。国内运营的外企(尤其是零售、化工等)、新能源汽车以及生态企业(含自动驾驶等)、国际化企业与出海企业、跨境电商和物流、有融资需求的基于数字化做业务创新的创业公司等是国内迫切需要落实数据安全出境的企业。然而企业在落地数据出境安全方面存在一些实际困难,主要体现在:错综复杂的数据如何分类分级,如何识别重要数据;重要数据如何存储和管理,才能达到相关法律法规的...

行业资讯
图数据库有哪些特点?
图数据库是现代数据库系统中的一种,它主要的特点就是使用了图论的概念来进行数据管理。传统的关系型数据库通常是基于表和列的结构进行数据管理,而图数据库则是构建了节点和边的图形结构,可以更好的表示现实世界中的复杂关系。下面是图数据库的几个主要特点:1.基于图形结构:图数据库是基于图形结构来进行数据管理的。它通过节点和边来构建数据的表示形式,使得数据之间的关系和结构更加直观和清晰。这对于处理关联复杂、数据关系复杂的场景具有重要意义。2.高效地关系查询和分析:图数据库具有高效的关系查询和分析能力。对于一个大规模的图,传统的SQL查询方式显然不能满足查询时间的要求。而图数据库则可以通过图数据库内部的算法来进行实时的查询和分析。尤其是针对一些复杂的图分析算法,图数据库更能够快速地获得结果,提高查询速度。3.可扩展性:由于采用了分布式的技术设计,使图数据库的可扩展性极佳。当需要管理的数据量增加时,图数据库可以通过简单的集群扩展方式来实现性能的提升。而且,图数据库的分布式能力也可以让其在多个节点上进行操作,提高了系统的容错能力和加载能力。4.元素和关系度量:图数据库具有丰富的元素数据和关系数据量度方式。...

行业资讯
常见的图数据库应用场景有哪些?
图数据库有许多适用场景,常见的应用场景有:社交媒体:社交媒体中的用户和关系可以建模为图结构。用图数据库来管理和查询这些社交数据,可以实现更精确的社交关系分析。金融:在金融领域中,图数据库可以用于合规风控、反欺诈、投资和信贷决策等众多场景。例如,通过在图中存储和分析不同实体(如银行账户、信用卡、电话、邮箱、运单等)之间的关系,可以准确识别欺诈降低风险。物流和运输:物流和运输领域也是图数据库的应用场景之一。例如,通过在图中存储城市、仓库、货物、运输路线等信息,可以进行物流管理、运输计划优化、货物追踪等任务。生命科学:在生命科学领域,图数据库可以用于存储和分析复杂的基因、蛋白质、代谢物等数据,帮助科学家发现新的治疗方法和疾病机制。游戏:游戏开发者可以使用图数据库来管理玩家角色、各种装备、地图、任务等复杂的游戏数据,实现更好的游戏体验。图数据库的灵活性和高效性使其在多个领域都有着广泛的应用。星环分布式图数据库StellarDB星环科技致力于打造企业级大数据基础软件,围绕数据的集成、存储、治理、建模、分析、挖掘和流通等数据全生命周期提供基础软件与服务,在图计算领域深耕多年,自主研发了分布式图数据...

行业资讯
金融、医疗知识图谱平台
垂直领域知识图谱产品主要用于面向特定领域知识应用需求,通过构建和应用知识图谱解决对应领域的专业问题。目前,知识图谱在智慧医疗与智慧金融领域已取得了一系列成功实践,被应用于辅助医生、药物发现、临床科研、风险防控、内部监管、投资研究、保险理赔等众多实际业务场景,并涌现出了一批知识图谱产品或服务平台。星环科技自主研发的知识图谱平台Sophon正是一款覆盖知识全生命周期,集知识的采集、建模、融合、存储、计算及应用为一体的知识图谱产品。平台支持低代码图谱构建、智能化知识抽取、多模态知识存储与融合、多形式知识计算和推理以及多维度的图谱分析。除了具备链路完备性,平台还从业务场景出发,沉淀了金融、保险等场景的图数据模型、规则模型和算法模型,可以帮助用户快速解决不同场景下的业务问题。目前,星环科技Sophon已经在金融等多个行业成功落地,在反洗钱、反欺诈、疫情防控、公共安全、企业级营销、保险知识智能问答等场景有着广泛的应用。同时星环科技在推动知识图谱技术创新和成功落地的过程中,也获得了多项荣誉和权威认可:入选Gartner《MarketGuideforArtificialIntelligenceStar...

星环科技图数据库StellarDB是国产高性能图数据库,采用分布式架构和原生图计算引擎,支持超大规模数据管理和高效的图计算。TranswarpStellarDB具有以下特点:原生图存储:StellarDB为数据存储设计了专有的图存储结构,优化查询性能,通过高效的压缩算法减少磁盘和内存的使用量。根据分区策略,图数据均匀分布于集群各节点。优越的性能:存储引擎和计算引擎结合,使计算引擎可以利用数据locality提升计算性能,拥有卓越的数据读写能力,支持大规模并行处理,毫秒级的查询响应。高扩展性:完全的分布式架构,具有良好的可扩展性,支持在线扩容和升级。拥有万亿级图数据处理能力,支持数据多副本,提供集群高可用和高可靠。灵活的查询方式:计算引擎支持灵活易懂的图查询语言TranswarpExtended-OpenCypher,拥有丰富的图操作语法。同时提供SQL支持,多模场景灵活切换。深度分析能力:支持10层及以上的图深度遍历和复杂分析。丰富的算法库:内置丰富的算法库,几十种图算法开箱即用,优化的分布式并行图算法,千万级子图计算效率达到行业先进水平。企业级功能:支持用户权限认证、集群状态监控、日...

行业资讯
国产化替代升级实践
新时代需要新技术,企业应抓住机遇实现旧平台的改造升级数据库技术经过不断的发展,已经从以Oracle、IBM为代表的集中式数据库,演进到分布式、多模型、云原生的形态,并在很多场景应用落地,带来了真实的业务价值。当前得益于国家政策的大力扶持以及国内市场环境的快速发展,国产软件加速发展,国产化替代进程正在不断加速。自主可控是国产化替代的核心,同时也是一个阶段性的目标。我们不应该满足于此,应该抓住国产化改造的机遇,用新技术去替代老技术,实现自主可控的同时,完成旧系统的改造升级,这也是信创的主旨。星环科技致力于打造企业级大数据基础软件,围绕数据全生命周期提供基础软件与服务,在分布式技术、多模型技术、数据云技术等方面有很多技术突破。比如大数据基础平台TDH是全球首个通过TPC-DS基准测试的产品;提出了创新的多模型统一技术架构,支持业内主流的10种数据模型,Gartner®发布的中国数据库技术发展趋势报告引用星环科技多模型联合分析用例,论证了多模型融合分析的趋势和价值。基于多年积累的分布式技术、多模型统一技术、数据云技术等,星环科技打造了分布式数据库ArgoDB、分布式交易型数据库KunDB、分布...

行业资讯
什么是时空数据库?
时空数据库(Spacial-temporaldatabase)是一种专门用于存储和管理时空数据的数据库管理系统,它是传统关系型数据库的一个扩展,可以实现对时空数据进行有效管理和处理。时空数据是指带有时空坐标或时间戳的数据,例如地图、气象数据、交通、城市规划等。因此,时空数据库可以用于多种应用程序,如地理信息系统、航空航天、气象预报、GPS导航等。时空数据库与传统数据库不同的是,它提供了额外的功能和数据类型,例如点、线、面等空间对象和时间序列数据类型。此外,时空数据库还支持空间查询和时空查询,例如常见的缓冲区查询,使得用户可以在时空范围内进行查询和分析。这种数据库可以对时空数据进行高效的存储、查询、更新和分析,并通过插件技术集成其他地理信息数据源。星环分布式时空数据库-SpactureSpacture是星环科技自主研发的一款面向空间、时空数据的存储与管理,集计算与存储为一体的分布式数据库产品,支持大规模矢量数据、时空轨迹数据的存储与计算,具有完备的数据查询、分析和挖掘能力,可用于时空查询分析、时空模式挖掘、时空轨迹聚类等时空轨迹数据分析场景,广泛应用于交通物流、城市管理、位置服务等场景。

行业资讯
数据要素安全流通服务
数据要素是数字经济发展的关键生产要素,是数字经济发展的基础。加快培育数据要素市场是全面建设社会主义现代化国家的一项基础性工作,对推动经济高质量发展、建设数字中国和数字强省、促进经济社会数字化转型具有重要意义。星环科技致力于打造企业级大数据基础软件,围绕数据全生命周期提供基础软件与服务。基于在大数据、分布式数据库、隐私计算、数据安全流通领域的多年积累,星环科技研发了数据要素流通全过程的一系列工具,在各方数据不出域的前提下,为数据资源方和数据消费方提供数据交付服务。2021年星环科技成为上海数据交易所首批签约数商。2022年9月星环科技曾受邀出席“深数交”数据合规活动,分享数据安全出境解决方案。2022年12月星环科技与中国东信旗下北部湾大数据交易中心达成了战略合作。星环科技在产品的各层级上都完善了安全技术,从而可以给用户提供体系化的数据安全防护能力,助力企业高效、合规的开展数据流通业务。在基础设施层,星环科技提供基于容器的云原生操作系统TCOS,它不仅能够提供容器隔离和镜像扫描,还新增了漏洞检测以及面向业务的微隔离安全技术,从而可以为用户开辟一个独立的数据与计算环境,外部的服务未经授权无...

行业资讯
银行图数据库应用场景有哪些?
银行图数据库的应用场景:反洗钱:图数据库可以将可疑交易数据存储于其中,帮助银行更快速地提取、分析与关系,识别出潜在的洗钱行为。客户关系管理:银行图数据库可以将客户的不同信息(如交易记录、信用评级、客户所在地和行业等)进行整合,并将这些信息在一个数据仓库中呈现出来。这使得银行能够更加精准地分析客户需求,提供更加符合客户需求、更加优质的服务。风险管理:银行是一个与风险息息相关的行业。图数据库可以帮助银行对相关风险进行整合和分析。通过解析大量的金融数据,图数据库可以找出潜在的风险点,提前控制风险。数字化转型:图数据库能够将社交网络、收集的数据等信息关联起来,并创造性地开拓新业务模式。除了与客户密切相关的业务领域,图数据库还能够在支持业务流程优化方面发挥重要作用。营销:银行可以使用图数据库来收集客户数据、行为数据等,这样可以更加精确地预测客户习惯,对客户进行更加细致的营销和服务。银行图数据库有着广泛的应用场景,可以在多个角度上支持银行的业务发展,提高服务的质量和效率。星环分布式图数据库StellarDB星环科技致力于打造企业级大数据基础软件,围绕数据的集成、存储、治理、建模、分析、挖掘和流通等...