让数据安全可信

Making Data Secure and Trusted

SeceumFL
产品介绍
SeceumFL联邦学习是神谱科技自主研发的产品,旨在建立一个基于分布数据集的联邦学习模型。联邦学习包括模型训练和模型推理两个阶段,在训练过程中,模型相关的信息以加密形式能够在各方之间交换,这一交换不会泄露每个站点上数据集中任何受保护的隐私部分,已训练好的联邦学习模型可以置于联邦学习系统的各参与方,也可以在多方之间共享;推理阶段,模型可以应用于新的数据实例。
核心功能

分布式

分布式的数据架构,减轻数据集 中存储的压力;
同时能够保证模型质量无损,不 会出现负迁移,保证联邦模型比 割裂的独立模型效果好。

隐私保护

对原始数据隔离,数据不会泄露 到外部,满足用户隐私保护和数 据安全的需求。

协作

参与者地位对等,能够实现公平 合作;
能够保证参与各方在保持独立性 的情况下,进行信息与模型参数 的加密交换,并同时获得成长。
SeceumMPC
产品介绍
SeceumMPC是神谱科技自主研发的多方安全计算产品,可提供基于同态加密(HE)、混淆电路(GC)、不经意传输(OT)、秘密分享(SS)的MPC原语协议以及隐私求交(PSI)、隐私信息检索(PIR)等高级MPC协议。
技术特点

输入与计算的隐私性

MPC主要是针对在无可信第三方的情况下,如何安全地计算一个约定函数的问题,同时保障协同计算时各用户的隐私数据安全。 所以必须严格要求各参与方的输入保证独立性,保证本地数据与隐私不被泄漏。

去中心化

在传统分布式计算中,都有中心节点来收集用户信息并进行运算后派发给各个输入方,而MPC协议进行去中心化处理,即保证各参与方权力平等,不存在拥有特权的输入方或者第三方。
核心技术 TECHNOLOGY

多方安全计算(Secure Multi-Party Computation,缩写:MPC)通过混淆电 路、不经意传输、秘密共享、零知识证明、隐私求交等技术环节,保障各个参与 节点数据输入和计算的隐私性。

同态加密(Homomorphic Encryption,缩写:HE)参与节点将各自数据加密 发送给计算节点,计算节点直接在密文上进行计算,并将计算结果的密文返还给 参与节点,参与节点再将结果的密文解密,得到最终的计算结果。

差分隐私(Differential Privacy,缩写:DP)通过在数据集中引入噪声的方式混淆数据, 使得加噪数据能够抵抗对原始数据的攻击,防止数据隐私泄露。

可信执行环境(Trusted Execution Environment,缩写:TEE)通过在安全硬件创建的可信执行环境中进行数据计算和交互,确保了数据隐私、安全和合规。

技术资料 TECHNICAL MATERIALS
应用场景 SCENARIOS
合作伙伴 PARTNERS