隐私计算在金融行业数据融合场景中的应用探析

来源 :中国金融电脑 | 被引量 : 0次 | 上传用户:gonyen
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
<正>近年来,伴随金融数据与其他数据融合应用的案例持续增多,跨行业的数据共享、开放和协作演化为新的发展趋势,并促使金融机构在普惠金融、精准营销、风险管理等领域发生了深刻变革,而如何实现数据开发利用与安全保护、如何建设安全可信的金融数据生态,也成为金融行业亟待解决的关键问题。对此,隐私计算技术的发展为金融数据融合应用提供了全新路径,通过综合运用密码学、统计学等方法,实现了数据“可用不可见”与“可控可计量”,
其他文献
停车服务为司机提供了寻找空闲停车位的便利,但现有的大多数停车方案将停车请求上传至云服务器进行处理和分析,易导致通信延迟和用户隐私泄露等问题。针对上述问题,提出了一种基于雾计算面向停车服务的隐私保护方案,通过雾节点实现司机与停车位的匹配,使用基于椭圆曲线的签名技术实现身份认证;利用布隆过滤器和模糊提取器,在不公开用户隐私信息的情况下实现空闲停车位的查询;采用TA签名的电子钱包实现支付功能。此外,通过
<正>当前,全社会各行各业都在围绕大数据进行转型,人们的一举一动、一言一行等信息无时无刻地被各类电子终端收集和使用。人类社会实现了前所未有的高效连接,使得社会的运转效率得以大幅提升,也促成了大数据时代的到来。在人们享受大数据便利的同时,个人隐私的安全性也同样面临挑战。随着大数据的不断发展,传统的数据隐私保护技术已经难以规避数据计算环节存在的安全隐患,数据信息泄露问题越发凸显。
期刊
本论文研究的目的是将社交网络安全作为主要研究内容,构建起基于云计算的社交网络安全隐私数据融合方法,旨在提高公民社交网络中的个人隐私保护意识和安全技能、建立健全相关法律法规、加强行业自律、加强社会信用体系与信息伦理道德建设、防范非法恶意攻击。
在当前移动互联网时代,数据量增长迅速,服务计算能力不断增强,数据隐私保护和服务环境可信成为备受关注的重要问题.本文研究面向卷积神经网络典型应用场景的可信隐私服务计算模型,探索支持同态加密的数据和模型计算方法,保护数据隐私.构建基于区块链和智能合约技术服务过程存证及计算权益分配方法,保证服务计算的公开透明、可信可追溯.探索资源提供者、模型拥有者及用户的新型云环境资源数据服务模式,促进资源有效整合,发
针对联邦学习算法中存在的训练效率低、通信成本高等问题,提出基于纵向联邦学习的快速提升树算法,在模型传递一阶导数和二阶导数时使用差分隐私方案,并在初始化预测类标签时增加随机扰动。相比于目前常见联邦学习框架FATE中依靠半同态加密实现的安全提升树(SecureBoost)模型,本算法在不降低模型精度的情况下,在相同8.5万样本的数据上,运行速度提升了60.79%,传输数据量减少了31.65%。相同65
隐私计算是一种新型数据处理技术,可以在保护数据隐私及安全的前提下,实现数据价值转化和流通。然而隐私计算场景中“数据可用不可见”的特性给传统的数据质量治理工作带来了很大的挑战,业界尚缺乏完善的解决方案。针对上述问题,提出一种适用于隐私计算场景的数据质量治理方法与流程,构建了本地与多方两个层级的数据质量评估体系,能够兼顾本地域及联邦域的数据质量治理工作,同时提出了一种数据贡献度衡量方法,对隐私计算的长
在国家数据要素化战略和数据隐私保护要求并行的时代背景下,隐私计算技术作为实现数据安全融合的工具受到金融行业广泛关注,并已出现较多探索应用。然而,目前相关理论研究较少,同时行业对隐私计算技术缺乏系统性的梳理。本文先根据技术原理,对隐私计算技术进行了系统梳理,并从数据流通安全的角度对典型产品技术架构进行剖析。在此基础上,总结了金融行业的隐私计算技术应用现状,提出下阶段该技术大规模商业化应用的建议,为金