推荐序__eol__前言__eol__数学符号__eol__第1 章隐私计算介绍/1__eol__1.1 隐私计算的定义与背景/2__eol__1.1.1 隐私计算的定义与分类/2__eol__1.1.2 隐私计算的发展历程/6__eol__1.2 隐私计算的技术实现/8__eol__1.3 隐私计算平台与案例/10__eol__1.4 隐私计算的挑战/10__eol____eol__第2 章秘密共享/13__eol__2.1 问题模型及定义/15__eol__2.1.1 秘密共享问题模型/15__eol__2.1.2 秘密共享定义/16__eol__2.2 原理与实现/19__eol__2.2.1 秘密共享方案的发展/19__eol__2.2.2 经典秘密共享方案/21__eol__2.2.3 秘密共享方案的同态特性/26__eol__2.3 优缺点分析/28__eol__2.4 应用场景/28__eol__2.4.1 秘密共享在横向联邦学习中的应用/28__eol__2.4.2 秘密共享在纵向联邦学习中的应用/31__eol__2.4.3 秘密共享在安全多方计算中的应用/32__eol____eol__第3 章同态加密/35__eol__3.1 问题模型及定义/36__eol__3.2 原理与实现/39__eol__3.2.1 群/40__eol__3.2.2 环/41__eol__3.2.3 格/41__eol__3.2.4 部分同态加密/42__eol__3.2.5 近似同态加密/44__eol__3.2.6 全同态加密/45__eol__3.2.7 层级同态加密/48__eol__3.3 优缺点分析/50__eol__3.3.1 同态加密的优点/50__eol__3.3.2 同态加密的缺点/51__eol__3.4 应用场景/52__eol__3.4.1 密文检索/52__eol__3.4.2 云机器学习服务/54__eol____eol__第4 章不经意传输/57__eol__4.1 问题模型及定义/58__eol__4.2 不经意传输的实现/58__eol__4.2.1 基于公钥加密的不经意传输/58__eol__4.2.2 不经意传输的扩展与优化/59__eol__4.3 应用场景/61__eol____eol__第5 章混淆电路/63__eol__5.1 问题模型及定义/64__eol__5.2 混淆电路的实现与优化/65__eol__5.2.1 使用不经意传输的简单实现/66__eol__5.2.2 混淆电路计算与门电路/67__eol__5.2.3 任意逻辑门和电路/67__eol__5.2.4 主流的优化方案和代价分析/69__eol__5.3 优缺点分析/71__eol__5.4 应用场景/72__eol__5.4.1 与其他安全多方计算协议混合使用/72__eol__5.4.2 混淆电路实现一般的安全多方计算/73__eol____eol__第6 章差分隐私/75__eol__6.1 问题模型及定义/7__eol__6.1.1 随机回答的问题模型及定义/77__eol__6.1.2 差分隐私的问题模型及定义/78__eol__6.2 实现方法及性质/83__eol__6.2.1 离散值域：随机回答/83__eol__6.2.2 连续值域：拉普拉斯噪声法和高斯噪声法/83__eol__6.2.3 差分隐私的性质/86__eol__6.3 优缺点分析/88__eol__6.4 应用场景/90__eol__6.4.1 传统数据分析/90__eol__6.4.2 机器学习/92__eol____eol__第7 章可信执行环境/97__eol__7.1 可信执行环境简介/98__eol__7.2 原理与实现/99__eol__7.2.1 ARM TrustZone/99__eol__7.2.2 Intel SGX/101__eol__7.2.3 AMD SEV/102__eol__7.2.4 AEGIS/104__eol__7.2.5 TPM/104__eol__7.3 优缺点分析/104__eol__7.4 应用场景/106__eol__7.4.1 移动终端/106__eol__7.4.2 云计算/108__eol__7.4.3 区块链/110__eol____eol__第8 章联邦学习/111__eol__8.1 联邦学习的背景、定义与分类/112__eol__8.1.1 联邦学习的背景/112__eol__8.1.2 联邦学习的定义/113__eol__8.1.3 联邦学习的分类/113__eol__8.1.4 联邦学习的安全性/115__eol__8.2 横向联邦学习/16__eol__8.2.1 横向联邦学习架构、训练与推理/116__eol__8.2.2 联邦平均算法/117__eol__8.2.3 横向联邦学习的隐私安全性/118__eol__8.3 纵向联邦学习/122__eol__8.3.1 纵向联邦学习架构、训练与推理/122__eol__8.3.2 纵向联邦线性回归/123__eol__8.3.3 纵向联邦学习的隐私安全性/125__eol__8.4 联邦迁移学习/125__eol__8.4.1 迁移学习简介/126__eol__8.4.2 联邦迁移学习算法训练和推理/126__eol__8.4.3 联邦迁移学习的安全性/129__eol__8.5 联邦学习的应用场景/129__eol__8.5.1 自然语言处理/130__eol__8.5.2 医疗/130__eol__8.5.3 金融/131__eol__8.6 联邦学习的未来展望/131__eol__8.6.1 隐私与效率、性能的权衡/132__eol__8.6.2 去中心化的联邦学习/132__eol____eol__第9 章隐私计算平台/135__eol__9.1 隐私计算平台概述/136__eol__9.2 FATE 安全计算平台/136__eol__9.2.1 平台概述/136__eol__9.2.2 FATE 中的隐私计算技术/138__eol__9.2.3 平台工作流程/139__eol__9.2.4 应用场景/141__eol__9.3 CryptDB 加密数据库系统/142__eol__9.3.1 系统概述/142__eol__9.3.2 隐私计算技术在CryptDB 中的实现：基于SQL 感知的加密策略/144__eol__9.3.3 基于密文的查询方法/145__eol__9.3.4 应用场景/147__eol__9.4 MesaTEE 安全计算平台Teaclave/148__eol__9.4.1 飞桨深度学习平台与安全计算/148__eol__9.4.2 PaddleFL 联邦学习框架/149__eol__9.4.3 MesaTEE 平台概述/150__eol__9.4.4 MesaTEE 底层可信执行环境/150__eol__9.4.5 FaaS 服务/152__eol__9.4.6 执行器MesaPy/153__eol__9.4.7 应用场景——MesaTEE 与飞桨/154__eol__9.5 Conclave 查询系统/155__eol__9.5.1 系统概述/155__eol__9.5.2 Conclave 隐私安全技术介绍/156__eol__9.5.3 Conclave 查询编译/158__eol__9.5.4 应用场景/161__eol__9.6 PrivPy 隐私计算平台/161__eol__9.6.1 PrivPy 平台概述/161__eol__9.6.2 平台后端安全计算介绍/163__eol__9.6.3 用户编程接口/165__eol__9.6.4 应用场景/166__eol__9.7 隐私计算平台效率问题和加速策略/166__eol__9.7.1 隐私计算技术中的效率问题/167__eol__9.7.2 异构加速隐私计算/168__eol__9.7.3 网络优化解决数据传输问题/171__eol____eol__第10 章隐私计算案例解析/175__eol__10.1 隐私计算在金融营销与风控中的应用/176__eol__10.2 隐私计算在广告计费中的应用/182__eol__10.3 隐私计算在广告推荐中的应用/185__eol__10.4 隐私计算在数据查询中的应用/187__eol__10.5 隐私计算在医疗领域的应用：基因研究/189__eol__10.6 隐私计算在医疗领域的应用：医药研究/193__eol__10.7 隐私计算在语音识别领域的应用/194__eol__10.8 隐私计算在政务部门的应用/196__eol__10.9 隐私计算在用户数据统计的应用/ 203__eol____eol__第11 章隐私计算未来展望/209__eol____eol__参考文献214__eol____eol__附录A 中国数据保护法律概况/233__eol__A.1 《个人信息保护法》与数据保护/234__eol__A.1.1 适用范围/234__eol__A.1.2 个人信息处理原则/234__eol__A.1.3 个人信息保护影响评估制度/235__eol__A.1.4 禁止“大数据杀熟”的算法歧视/235__eol__A.1.5 个人信息跨境提供规则/236__eol__A.1.6 个人信息主体权利/236__eol__A.2 《数据安全法》与数据保护/ 237__eol__A.2.1 适用范围