出版说明
前言
第1章隐私计算概述/
1.1隐私计算的定义与分类/
1.2隐私计算技术理论基础/
1.2.1安全多方计算/
1.2.2密码学/
1.2.3机器学习/
第2章联邦学习/
2.1联邦学习简介/
2.1.1联邦学习的由来与发展/
2.1.2联邦学习与分布式机器学习/
2.1.3联邦学习分类/
2.2联邦学习主要开源框架/
2.2.1主要开源项目简介/
2.2.2开源框架FATE/
2.2.3开源框架FederatedScope/
2.2.4开源框架PaddleFL/
2.3FATE架构分析/
2.3.1fate-arch 架构模块/
2.3.2FATE Flow调度模块/
2.3.3FederatedML算法模块/
2.3.4FATE Board可视化模块/
2.3.5FATE Serving在线服务模块/
2.3.6Docker-Compose与Kubernetes部署/
2.4FATE联邦特征工程/2.4.1特征分箱/
2.4.2特征归一化/
2.4.3特征筛选/
2.4.4特征编码/
2.5FATE联邦机器学习模型/
2.5.1逻辑回归/
2.5.2XGBoost/
2.6经典案例：使用纵向联邦学习进行信用评分卡建模/
第3章不经意传输/
3.1OT技术简介/
3.2基础OT及其扩展/
3.2.12选1的基础OT/
3.2.22选1的OT扩展——IKNP/
3.2.3n选1的OT扩展——KK［13］/
3.2.4∞选1的OT扩展——KKRT［16］/
3.2.5C-OT与R-OT/
3.3OT技术的泛化/
3.3.1OPRF技术/
3.3.2OPPRF技术/
3.3.3不经意多项式计算/
3.3.4不经意线性函数/
3.4OT 开源实现/
第4章秘密共享/
4.1秘密共享基础协议/
4.1.1加法秘密共享/
4.1.2门限秘密共享/
4.1.3复制秘密共享/
4.1.4可验证秘密共享/
4.2技术架构及主要开源框架/
4.2.1常见开源秘密共享架构简介/
4.2.2开源框架TF Encrypted/
4.2.3开源框架CrypTen/
4.3TF Encrypted中的协议实现/
4.3.1SecureNN协议/
4.3.2TF Encrypted中SecureNN的实现/4.3.3TF Encrypted主要安全算子/
4.3.4实例：使用TF Encrypted实现纵向训练/
4.4CrypTen协议及实现介绍/
4.4.1CrypTen协议简介/
4.4.2CrypTen主要代码实现/
4.4.3CrypTen主要安全算子/
4.4.4实例：使用CrypTen训练纵向卷积神经网络/
第5章混淆电路/
5.1基于乱码表的混淆电路/
5.1.1姚氏混淆电路/
5.1.2点置换技术Point-and-Permute/
5.1.3行缩减技术GRR/
5.1.4“免费”“异或”门Free-XOR/
5.1.5半门技术 Half-Gates/
5.2基于秘密共享的混淆电路/
5.2.1GESS协议/
5.2.2GMW协议/
5.2.3BGW协议/
5.2.4BMR协议/
5.3混合协议/
5.3.1ABY混合协议框架/
5.3.2ABY3混合协议框架/
5.3.3TF Encrypted中的ABY3实现/
第6章面向应用的隐私保护技术/
6.1应用介绍/
6.1.1隐私集合求交/
6.1.2隐私信息检索/
6.2PSI主要实现方案/
6.2.1RSA盲签名/
6.2.2DH密钥交换/
6.2.3混淆布隆过滤器方案/
6.2.4OPRF方案/
6.2.5基于OPPRF的Circuit-PSI/
6.3PIR主要方案/
6.3.1OT方案/6.3.2全同态加密方案XPIR/
6.3.3全同态加密方案SealPIR/
6.3.4FrodoPIR/
第7章隐私保护的安全联合分析/
7.1安全联合分析概述/
7.2SMCQL/
7.2.1SMCQL原理简介/
7.2.2架构及主要实现分析/
7.2.3SMCQL的安装/
7.2.4医疗联合分析案例/
7.3Conclave/
7.3.1Conclave原理简介/
7.3.2架构主要实现及分析/
7.3.3Conclave的安装/
7.3.4JIFF作为后端的MPC框架运行/
7.3.5Obliv-C作为后端的MPC框架运行/
参考文献/
展开
