联邦学习

在一个(半)可信第三方的辅助下,多个参与方协同计算。实现“数据不动模型动”,保证在多方数据不出域的前提下,充分挖掘数据价值,解决“数据孤岛”问题。

可用不可见 挖掘数据

多方安全计算

在无第三方参与计算的情况下,多个参与方协同计算。保证每一方获取自己计算结果,无法通过计算过程中的交互数据推测出其他任意一方的输入和输出数据。

数据安全 协同计算
统一架构,支持联邦学习、多方安全计算及其混合计算模式
统一架构,支持联邦学习、多方安全计算、及其混合计算模式
安全原语

秘密分享

是一种将秘密分割存储的密码技术,目的是阻止秘密过于集中,以达到分散风险和容忍入侵的目的。

不经意传输

使得接收方能够不经意地获得发送方输入的某些信息,保护发送方和接收方的隐私。

混淆电路

将需要多方安全计算的函数编译成布尔电路的形式,并将真值表加密打乱,从而实现电路的正常输出而又不泄露参与计算的双方私有信息。

同态加密

对经过同态加密的数据进行处理得到一个输出,将这一输出进行解密,其结果与用同一方法处理未加密的原始数据得到的输出结果是一样的。

零知识证明

是证明者能够在不向验证者提供任何有用的信息的情况下,使验证者相信某个论断是正确的。

应用算法

隐私求交

多方分别拥有一个集合,想得到多个集合的交集,可以保障各方只能得到交集结果,而不泄露各方非交集结果。

匿踪查询

保证查询方向数据方提交查询请求,在不泄漏查询方隐私的条件下完成查询,即在过程中数据方不知道查询方具体查询信息及检索出的数据项。

安全聚合

在不泄露各个参与方隐私数据的条件下,聚合方收集各个参与方经过安全处理后的数据,最终完成聚合任务。

单节点隐私建模

在保证本地数据安全不出域的条件下,为外部客户提供数据服务。通过安全存证、权限管理等手段保障数据安全,最大程度的提高数据服务能力。

多节点隐私计算

运用多方安全计算及联邦学习技术,在保证本地数据不出域的条件下,联合多方实现安全联合计算任务,达到安全使用多方数据的目的。