词汇表

最近更新时间:2024-07-15 17:38:10

我的收藏

A

安全求交

安全求交(Secure Multiparty Computation,SMC)是一种加密协议,允许多个参与方在保护数据隐私的同时进行计算。每个参与方将私有数据加密后,通过协议进行计算,最终得到计算结果而不暴露原始数据。SMC 可应用于隐私保护、数据合作等场景。常见的 SMC 协议包括安全多方计算(Secure Multiparty Computation,MPC)和同态加密(Homomorphic Encryption)。

API 密钥

API 密钥是用户访问腾讯云 API 进行身份验证时需要用到的安全凭证,由 SecretId 和 SecretKey 一起组成。一个用户账号可以创建多个云 API 密钥,若用户还没有云 API 密钥,则需要在 云 API 密钥控制台 新建,否则就无法调用云 API 接口。

AppID

腾讯云账号的 AppID,也称 APPID,是与账号 ID 有唯一对应关系的应用 ID,部分腾讯云产品会使用此 AppID。

D

对称加密

对称加密是一种加密技术,使用相同的密钥进行加密和解密。它的特点是计算速度快,适用于大量数据的加密和解密。发送方使用密钥将明文转换为密文,接收方使用相同的密钥将密文还原为明文。对称加密算法包括 DES、AES 等,广泛应用于数据传输和存储领域。

F

非对称加密

非对称加密算法(Asymmetric encryption)需要两个密钥:公开密钥(publickey,简称公钥)和私有密钥(privatekey,简称私钥)。公钥与私钥是一对密钥,如果用公钥对数据进行加密,只有用对应的私钥才能进行解密。加密和解密使用的是两个不同的密钥,因此该算法称为非对称加密算法。

FELE

参见 联邦学习

J

机器学习

  • 让数据科学家和算法工程师提供更棒体验的机器学习平台,通过拖拽式任务流设计,灵活多变的运行模式,丰富的内置机器学习算法,支持多种机器学习框架, 并提供可视化效果,同时还有强大的团队协作和分享能力,支持多种场景下的多实例调度, 让用户享受机器学习的乐趣。
  • 在联邦学习中,机器学习指专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构,使之不断改善自身性能的学习过程。
  • 在新能源监控与转发平台中,机器学习指人工智能科学,该领域的主要研究对象是人工智能,特别是如何在经验学习中改善具体算法的性能。

L

联邦学习

联邦学习(Federated Learning,FELE)是一种打破数据孤岛、释放 AI 应用潜能的分布式机器学习技术,能够让联邦学习各参与方在不披露底层数据和底层数据加密(混淆)形态的前提下,通过交换加密的机器学习中间结果,实现联合建模。联邦学习兼顾 AI 应用与隐私保护,开放合作,协同性高,充分释放大数据生产力,广泛适用于金融、消费互联网等行业的业务创新场景。

联合建模

联合建模指将各数据拥有方的数据汇集在一起,在此基础上运行算法,得到联合模型的过程。

S

SMC

参见 安全求交

T

同态加密

同态加密是一种特殊的加密技术,允许在加密状态下对数据进行计算,而无需解密数据。它保护数据隐私,允许对加密数据进行有意义的计算,如云计算、数据共享和隐私保护等。完全同态加密(FHE)允许任意计算操作,部分同态加密(PHE)允许特定计算操作。同态加密应用广泛,如云计算中保护用户数据隐私、安全的数据共享和隐私保护。

Y

隐匿查询

隐匿查询(Private Query)是一种隐私保护技术,允许用户在不暴露敏感数据的情况下进行查询。通过加密和协议设计,隐匿查询确保查询过程中的数据隐私。常见的隐匿查询技术包括安全多方计算(Secure Multiparty Computation,MPC)、同态加密(Homomorphic Encryption)和可搜索加密(Searchable Encryption)。隐匿查询可应用于隐私敏感的数据共享、云计算和大数据分析等场景,保护用户隐私并实现有意义的查询和分析。

隐私计算

隐私计算是一种在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合。其核心目标是实现数据的“可用、不可见”,即在充分保护数据和隐私安全的前提下,释放数据价值。隐私计算涵盖了信息收集、发布、使用等全生命周期过程的所有计算操作,并支持海量用户、高并发、高效能的隐私保护系统设计。