本報記者 李冰    

    5月28日，360數(shù)科隱私保護與安全計算研究院院長沈赟在“科技賦能隱私合規(guī)”研討會上表示，當前隱私計算主要的技術分類有可信執(zhí)行環(huán)境TEE、安全多方計算、同態(tài)加密以及差分隱私四類。根據應用場景不同，將四種技術與場景有機結合，就能更靈活地保護信息安全。

    但主流的傳統(tǒng)聯(lián)邦學習訓練模型對服務器與傳輸量有著不低的要求。為了解決這一問題，360數(shù)科自主研發(fā)分割式神經網絡，這一技術框架輸出層數(shù)據的維度遠小于原始輸入層的維度，即使輸出層的數(shù)據沒有加密也無法反推原始輸入層的數(shù)據，從而在框架設計上杜絕了數(shù)據泄露的問題。由于輸出層數(shù)據的維度較小，也可以大幅降低服務器端的計算量與內存使用量，減少網絡傳輸量，降低對帶寬的要求。

    “我們一直以來都在做一些技術上的創(chuàng)新。在隱私數(shù)據保護領域，使用神經網絡算法更加靈活，可以把不同類型數(shù)據提取出來，在統(tǒng)一架構下去學習，效率上能夠大幅提升。”沈赟表示。

（編輯 孫倩）