- 文集信息
- 目录大纲
- 最新文档
- 知识宇宙
文集详情
文集导读
隐私增强技术 (PETs) 教程导读
导读摘要：数据要流通，隐私要保护——这对矛盾怎么解？隐私增强技术（PETs）给答案。本教程以"隐私工程师"视角，从密码学基础到联邦学习、差分隐私，讲清楚每项技术的原理、适用场景、工程权衡。读完你能在实际项目里选对 PETs、避坑落地。
为什么写这个教程
GDPR、CCPA、PIPL 接连落地，"数据可用不可见"从口号变成法律要求。但具体怎么做？加密存储不够——数据要用就得解密，用了就泄露。匿名化不够——多次"匿名"数据集交叉能重新识别个人。传统手段到头了，需要 PETs。
PETs 不是单一技术，是一族"在数据流通中保护隐私"的方法——同态加密、多方安全计算、差分隐私、联邦学习、零知识证明、可信执行环境等。每项都解决一类问题，也都有代价。选错了，要么保护不够，要么性能崩、可用性差。
本教程的目标：让你理解每项 PETs 的原理和边界，能在项目里做合理选型，而不是听供应商吹"完全隐私保护"。
叙事视角：隐私工程师
我不是密码学理论家，是隐私工程师。理论家关心"能不能证明安全"，工程师关心"在真实负载下跑得动吗、部署成本多少、出事谁担责"。所以本教程侧重：
- 原理够用即可：讲清数学直觉，不陷入证明细节。
- 工程权衡为主：性能、部署、合规、运维是重点。
- 案例驱动：每项技术配真实部署案例，说清坑。
- 诚实说局限：PETs 没有银弹，每项都有代价和适用边界。
PETs 全景
学习路径
怎么读
- 想快速选型：直接看第3章核心保护 + 第5章应用部署。
- 想理解原理：从第1-2章基础开始顺序读。
- 想了解前沿：跳到第7章挑战与趋势。
- 要做合规：第6章标准规范 + 第1章威胁模型。
每节都有"本节摘要""要点回顾""常见误读""关键直觉"——帮你抓重点、避误区。
阅读前提
- 了解基础密码学（对称/非对称加密、哈希）。
- 了解基本机器学习（训练、梯度）——第4章联邦学习需要。
- 了解分布式系统基础——MPC、联邦学习涉及。
- 不需要深数学——公式给直觉，证明跳过。
准备好了，开始。
教程内容与阅读方法
本教程共 7 章：第 1 章建立 PETs 的概念框架；第 2 章学习密码学与基础设施；第 3 章深入四大核心技术（同态加密、多方计算、零知识证明、差分隐私）；第 4 章介绍联邦学习与组合方案；第 5 章讨论应用部署与案例；第 6 章讲解标准与最佳实践；第 7 章分析挑战、攻击与未来趋势。
阅读建议：第 1-3 章是基础，建议按顺序精读并理解每类技术的安全模型与适用边界；第 4-5 章偏工程实践，可结合开源框架动手实验；第 6-7 章适合在设计与评估方案时查阅。学习过程中始终带着两个问题：这项技术保护什么隐私、在什么威胁模型下有效——避免对任何技术产生"绝对安全"的误解。
目标读者
本教程面向对数据隐私保护有实际需求的技术人员：隐私计算工程师、数据安全负责人、算法工程师与合规人员。读者应具备基本的密码学概念（如对称加密、哈希）与编程能力，但不要求深入数学背景——教程会以工程视角解释各技术的原理与适用场景，关键数学细节以理解概念为目标。
目录大纲
最新文档
知识宇宙
正在加载知识图谱...