- 综合排序
- 最热优先
- 最新优先
- 来自专栏大数据文摘
白宫大数据报告：5点关注隐私
报告说，大数据提出了严肃的隐私问题以待解决，宜早不宜晚。大数据的潜力是无穷的-可能带来好处也可能带来坏处。一份描述大数据的变革特质的白宫新报告深入地探究了与数据相关的隐私和安全主题。 关键的关注点：大数据正在创造大量的隐私主题需要及时处理，宜早不宜晚。 美国人与数据的关系，她（他）们的机会和潜力将得以扩展而不是消减"。 报告讨论了一系列有关隐私的主题，包括以下5个： 1." 小"数据造成更大的隐私威胁 不论对大数据潜在侵犯个人权利的言论多么汹涌，今天大多数最常见的隐私风险都与"小数据"有关，比如黑客以个人银行信息为目标实施金融诈骗。 5.相反地，隐私法律反而阻碍了某些重要的分析 报告说："大数据分析使得数据科学家可以积累大量的数据，包括非结构化数据，并且发现异常现象和模式"，"这个发现模型中一个关键的隐私挑战是，你不得不去大海里捞针
619110发布于 2018-05-21 - 来自专栏超级架构师
5最糟糕的大数据隐私风险（以及如何防范）
该文件宣称：“美国的消费者隐私数据框架实际上是强大的...（但它）缺少两个要素：适用于商业世界的基本隐私原则的明确声明，以及所有利益相关者持续承诺解决消费者数据隐私问题，因为技术和商业模式的进步。 像CFA，电子隐私信息中心（EPIC）和民主与科技中心（CDT）等组织，以及隐私教授首席执行官Rebecca Herold等个人倡导者已经列举了大量数据分析和结果自动化的多种方式决策，可以侵犯个人的个人隐私 “Sidley Austin律师事务所的隐私，数据安全和信息法实践”，但尽管技术发展有限，法律保护也没有实质性进展。 她说甚至取消了数据并不一定会消除隐私风险。 “即使在一两年前使用的标准已经不够了。想要将数据匿名化然后将其用于其他目的的组织将会越来越难。 5.你的数据被代理 许多公司收集和销售用于个人资料的消费者数据，没有太多的控制或限制。由于自动化决策，有一些着名的公司开始向孕妇推销产品，之后才告诉家里的其他人。像性取向或像癌症这样的疾病也是如此。
2.2K50发布于 2018-04-09 - 来自专栏HarmonyOS知识集合
【HarmonyOS 5】鸿蒙应用隐私保护详解
【HarmonyOS 5】鸿蒙应用隐私保护详解一、前言在今天这个手机不离手的时代，我们每天用手机支付、聊天、记录生活，不知不觉中，大量个人信息都存储在了移动设备里。 但你有没有想过，如果这些隐私数据泄露了会怎样？从接到诈骗电话，到遭遇身份盗用，后果可能不堪设想。好在，HarmonyOS早就为我们的隐私安全做好了全方位的防护。 想象一下，你的健康数据、聊天记录、甚至支付密码被陌生人随意查看，是不是细思极恐？隐私泄露不仅会侵犯个人权利，还可能带来财产损失。更重要的是，保护隐私是法律的硬性要求，也是企业对用户的责任。 这其实是应用在主动“自报家门”：“我会收集这些数据，用来做这些事，你同意了我才开始。”这样一来，用户能清楚知道自己的隐私会如何被使用，还能自主选择是否授权，真正掌握主动权。 对于开发者而言，重点是以下三点：(1) 清楚说明会收集哪些数据(2) 告知数据将如何使用(3) 必须获得用户同意才能继续使用代码示例：在“HMOS世界”应用中，通过以下代码实现隐私声明弹窗功能。
90410编辑于 2025-05-06 - 来自专栏PPV课数据科学社区
隐私遇上大数据，各国大数据隐私保护情况分析
当大数据使人们的生活变得愈加方便快捷的同时，一些人也在担忧隐私的泄露。 一.大数据与隐私的碰撞 大数据迅速的发展正面临着与人们对隐私保护需求的碰撞，这一问题在美国尤为突出。 那么通过了解美国在大数据时代，如何在法律、社会方面对隐私权进行保护，和一些相关探讨，我们可以学到一些在隐私与大数据方面的权衡之道。 四.对于大数据隐私的保护是否正确？ 对于隐私权的保护必然在一定程度上会阻碍数据的获取并限制数据的使用，从而阻碍大数据的应用与发展。随着大数据的发展，信息获取与隐私权益的冲突愈演愈烈。 无论侧重点如何，大多数探讨都得到了一个较为中庸的结论，即立法者应当权衡隐私与大数据带来的价值，在大数据发展的同时，同样应当大力发展对大数据使用的监管技术以及大数据自身对个人隐私的保护能力。 在大数据与隐私的发展道路中，我国可以借鉴美国的探讨而未雨绸缪，在大数据滥用成灾之前以权衡大数据发展与隐私保护的前提下对其进行有效监督与控制，使大数据在健康的道路上得以发展。
1.8K60发布于 2018-04-20 - 来自专栏Debian中国
Linux Mint 19 “Tara”于5月上线：承诺不涉及隐私数据
因此推测 Linux Mint 19 “Tara” 和 LMDE 3 版本将会在 5 月下旬或者 6 月上旬的时候发布。 另个有趣的地方在于， Linux Mint 19 “Tara”明确表示不会收集/发送你的隐私或者系统数据，并且确认不会搭载 Canonical 部署在 Ubuntu 18.04 LTS 中的“ubuntu-report ”，该服务可允许选择发送的数据类型。
95310发布于 2018-12-21 - 来自专栏AI科技大本营的专栏
隐私数据在隐私AI框架中的安全流动
作者 | Rosetta技术团队 责编 | 晋兆雨 出品 | AI科技大本营 本文中，我们将介绍为了保护用户的隐私数据，在隐私 AI 框架的计算任务全流程中，数据是如何以密文形式流动，同时仍正确完成加法 隐私 AI 系统存在的目的就是赋能 AI，使得各种 AI场景下对用户隐私数据的使用都是安全的。 不能简单的认为只需要各方先在本地自己的数据上计算出一个模型，然后将模型结果交换一下 计算下其模型参数的平均值，就不会泄露各方的隐私数据了。 下面我们就结合具体案例看的看下在 Rosetta中隐私数据是如何得到安全保护的。 案例 Alice,Bob和 Charley三人最近需要在他们的 AI系统中引入对数据的隐私保护能力。 隐私数据的输入 隐私计算问题，首先要解决的是隐私数据的输入。
2.5K50发布于 2020-11-06 - 来自专栏企业数据化管理变革
数据安全与隐私保护
安全隐私.jpg 数据安全自古有之，并不是一个全新的概念。冷兵器时代的战争就非常关注情报，通过情报可以了解竞争对手的强项和弱项，从而制定制敌的方法和手段。 而数据保护就是针对这个情报采取的保护措施，确保自身的情报不被泄漏。但随着数据技术的发展，保密工作越来越难，数据安全包括个人隐私问题也是一个非常具有争议的话题。 有些网站比较重视保护个人隐私，会自动删除上传照片的EXIF信息，大数网站只会对照片进行压缩处理，这就容易导致个人信息泄漏。 绝密级别的数据一般仅限少数人能够访问，比如公司的产品技术数据、客户报价数据、采购报价数据等；机密数据是仅限公司部分级别人员或者职能部门可以访问的数据，比如薪酬数据、个人信息数据、公司财务数据和订单数据等 从保密等级上划分，形成了绝密→机密→保密→内部→公开5个等级。
3.9K20发布于 2020-05-26 - 来自专栏ThoughtWorks
如何保护数据平台的隐私数据？
本文先简要介绍一下隐私数据保护基本知识，然后再介绍在数据平台中不同场景下应用对应的数据保护措施。 为什么需要保护隐私数据? 处理个人数据的私密和安全非常重要，原因有两个。一是遵守数据隐私法律和规定。 此外我们还可以基于一些隐私扫描工具来检测数据中可能存在的隐私风险，比如微软开源的Microsoft Presidio。甚至云厂商们都不断推出隐私数据保护相关的安全产品来识别隐私数据的合规性风险。 怎么保护隐私数据？ 对于保护隐私数据的关键技术有数据脱敏、匿名化，此外还有隐私计算和数据合成。 数据仓库里就可以通过不同数据域隐私信息的哈希值进行数据关联，获取来源于各个数据域的共享数据（Payload）。 总结 个人隐私数据受到法律法规的保护，企业越来越关注对个人隐私数据的处理。 在数据平台隐私数据保护实践中，数据脱敏用于避免暴露隐私数据给大部分数据消费者，数据加密技术用于分享隐私数据给可信方，最后数据哈希技术用于跨数据域的隐私数据关联场景。
1.2K20编辑于 2023-09-18 高度隐私的医疗文件泄露 看数据销毁保护隐私
由于该文件与张雪峰的抢救事件直接相关，其泄露导致原本应受到严格保护的患者隐私被置于公众视野之下，引发了广泛讨论。 法律依据与现实困境相关法律规定：患者的病历等医疗信息属于个人隐私范畴，受到法律的严格保护。《中华人民共和国基本医疗卫生与健康促进法》明确规定，医疗卫生机构及其工作人员有义务保护患者的隐私。 《民法典》也规定，医疗机构及其医务人员应当对患者的隐私和个人信息予以保密，泄露者需承担相应的侵权责任。泄露事件反映的现实问题：尽管法律对保护患者隐私做出了明确规定，但患者隐私泄露事件仍屡见不鲜。 此次事件再次引发了公众对医疗机构信息安全管理和患者隐私权保护问题的关注与深入讨论。
27620编辑于 2026-03-25- 来自专栏机器之心
为数据而生，为隐私而战：隐私计算产业加速崛起
在推动数据二十条理念落地的途径中，隐私计算作为平衡数据流通与价值释放的关键「技术解」，得到了越来越多的重视。 隐私计算技术发展情况 隐私计算是隐私保护计算（Privacy-preserving Computation）的简称，它能够在保证数据提供方不泄露原始数据的前提下，对数据进行分析、处理和使用，是一个广义的概念 根据 Gartner《2022 隐私技术成熟度曲线》报告，预计未来 5-10 年隐私计算技术会被大规模商业化应用，到 2025 年 60% 以上的大型组织将在数据分析、商业智能或云计算中使用一种或多种隐私计算技术 其中，隐私计算作为核心技术，确保机器学习和大数据分析在各个场景中落地时调用数据的安全。 目前，腾讯隐私计算汇聚了来自腾讯大数据、腾讯安全、腾讯计费、腾讯云、腾讯广告 AI，华中科技大学的密码学、隐私计算、大数据和机器学习领域的技术专家。
86150编辑于 2023-05-16 隐私数据计算技术解析
隐私数据计算当今最具创新性的数据驱动产品和解决方案往往需要处理隐私数据。如何在使用敏感数据的同时保护数据主体、所有者或用户的隐私信息不被泄露，成为一个关键问题。 两种隐私保护技术安全多方计算(MPC)MPC允许多方在不公开各自私有数据的情况下，共同计算一个涉及所有数据的功能。 差分隐私(DP)DP通过统计和算法技术发布数据集的聚合功能，同时保护数据贡献者与数据项之间的关联关系。 核心特点包括：通过添加噪声保护隐私隐私参数ε控制噪声量级（ε越小隐私性越强但准确性越低）输出为随机变量典型案例：选举预测调查中，受访者通过随机响应机制提供扰动后的答案，既保护个人真实选择又能统计总体倾向 ：使用MPC计算差分隐私近似函数，既能获得MPC的输入保护，又能享有DP的抗辅助信息攻击特性。
36800编辑于 2025-08-18- 来自专栏FreeBuf
Facebook推出“隐私中心”，教育用户了解数据收集和隐私选项
该公司发布的新闻稿中说：“隐私中心主要由五大板块组成，分别是共享、安全、数据收集、使用和广告。” 安全：将提供对常用工具的轻松访问，例如帐户安全设置和双因素身份验证。 数据收集和使用：使用户快速了解Meta收集的数据类型，并了解其使用的方式和原因。 广告：将提供有关用户广告偏好的信息。 目前，隐私中心仅面向美国本土PC端用户开放，未来数月内可能将该功能推向其他地区用户和App端。参与试点的用户将能够通过在桌面版Facebook上导航到“设置和隐私”来访问隐私中心。 隐私中心保留了之前就有的隐私设置菜单，例如隐私快捷方式和隐私检查。点击这两个菜单可以帮助用户快速进行隐私设置并查看选择项。 多年来，Facebook的隐私控制饱受争议，用户想要在其服务界面中作出有利于隐私保护的选择并不容易，迷宫般的菜单和晦涩的措辞，使人们不得不怀疑其在用户数据保护方面的有效性。
60720编辑于 2022-02-23 - 来自专栏日常活动篇
差分隐私：平衡隐私保护与数据价值的核心技术
一、数据时代的隐私困境与解决方案在大数据驱动的智能时代，政务统计、医疗科研、互联网产品优化等场景都依赖数据的共享与分析，但用户隐私泄露风险始终存在 —— 例如通过人口普查数据反推个人住址、借助医疗病例识别患者身份等 ，成为解决数据隐私与可用性矛盾的关键技术。 二、差分隐私的核心定义与数学原理1. 核心定义差分隐私的本质是：对包含或不包含某个体数据的两个 “相邻数据集”，通过同一算法处理后，输出结果的概率分布差异极小，使得攻击者无法判断该个体是否在数据集中。 关键参数解析隐私预算 \( \epsilon \)：衡量隐私保护强度的核心指标。\( \epsilon \) 越小，相邻数据集的输出概率差异越小，隐私保护越强，但数据可用性越低。 ：多次查询同一数据集会累积隐私泄露风险，需通过 “隐私预算管理” 技术（如分层预算分配）解决；非数值型数据的适配：目前主流机制适用于数值型数据，文本、图像等非数值数据的差分隐私保护仍需进一步研究。
42030编辑于 2026-01-14 数字隐私与数据安全：推销电话背后的隐私泄露风险
你被骚扰的同时，个人隐私也在悄悄流失。 大数据与人工智能：隐私泄露的幕后推手 如今，随着大数据和人工智能技术的普及，个人信息的收集和分析变得更加精准和广泛。 这些技术让我们享受到个性化的推荐和服务，但也意味着我们的隐私更加暴露。 数据滥用与隐私泄露 如今，许多公司都在使用大数据来分析消费者的行为和偏好。 这些隐私泄露的风险往往超出了我们想象。 算法偏见：隐私泄露之外的伦理问题 除了数据滥用，人工智能和大数据的使用还带来了算法偏见的问题。 如何防止隐私泄露，保护个人数据 面对越来越严重的隐私泄露问题，作为消费者的我们，应该如何保护自己的个人信息呢？以下是一些可以帮助你减少隐私泄露风险的建议： 1. 隐私设置是我们主动保护个人数据的第一步，合理设置这些权限，能有效减少隐私泄露的风险。 5. 选择注重隐私保护的服务平台 在选择服务平台时，优先选择那些在隐私保护方面有明确规定和措施的公司。
34210编辑于 2025-07-04- 来自专栏腾讯高校合作
Wiztalk | 刘哲理 Part 1 《隐私集合交集算法：追踪广告效果&保护用户隐私—大数据隐私保护》
隐私集合交集算法：追踪广告效果&保护用户隐私 Part 1 大数据隐私保护 分享专家： 南开大学 刘哲理教授 内容简介： 随着云计算和大数据能力的增强，我们已经步入了一个基于智能的方法，挖掘数据价值的时代 在有效地利用数据下，智能科技确实给我们带来了不少便利，但数据的滥用也有可能侵犯我们的隐私。今天南开大学的刘哲理教授将给我们讲讲大数据下如何进行隐私的保护。
1.4K40发布于 2021-03-30 - 来自专栏绿盟科技研究通讯
洞见RSA2022 | 守护5G终端隐私
近年来欧盟发布了个人隐私相关法律GDPR，美国发布了个人隐私相关法律CCPA，我国有关个人隐私相关的法律《数据安全法》[2]和《个人信息保护法》[3]也在2021年正式实施。 在5G通信中，保护终端用户的个人隐私也自然成为了5G安全中的热门话题。 一 IMSI明文传输导致的隐私风险 然而，个人隐私信息目前仍然存在非常大的安全问题。 综上所述，将IMSI在SIM卡中加密更优于在设备中进行加密，TCA建议在5G SIM卡中对IMSI进行加密来保护用户的隐私。 三 总结 随着5G技术越来越成熟，使用5G的用户也越来越多，随之而来与5G相关的安全问题也越来越突出。伴随着全球范围个人隐私相关法律的逐渐完善，个人隐私安全也逐渐在法律法规上得到高度重视和保护。 在致力于提供高质量通信的同时，5G对于隐私保护的支持也越发完善。5G时代下，对用户个人隐私进行治理与保护的问题获得了业界的高度关注，与之前的通信协议相比，5G协议对隐私保护相关能力会提供更多支持。
71310编辑于 2022-11-14 - 来自专栏BestSDK
不是开发者也要知道，揭秘SDK采集5大隐私数据的方式
隐私数据的用途及风险 以上代码基本可以囊括目前市场上SDK采集数据涉及用户隐私的类别，下面再就本文中各类数据采集后的用途，以及每个数据存在的隐私风险为大家做个评估。 完全泄露用户隐私数据，侵犯用户隐私。隐私保护建议：提前做数据披露，需要获得用户许可。 2、账号信息类（风险程度：高） SDK采集数据指标：获取用户账号。 5、传感器信息类（信息隐私程度：隐私） SDK采集数据指标：加速度传感器、环境光传感器、距离传感器、磁力计传感器、平衡传感器、震动传感器。 此类数据的采集对于用户隐私安全的侵害影响不大。 隐私保护建议：提前做数据披露，需要获得用户许可，SDK隐私政策、协议。 二、账号信息类（信息隐私程度：隐私） 获取用户账号信息。此类数据也属于严重涉及用户隐私的数据，不建议开发者在应用中做这样的操作。
3K50发布于 2018-02-27 - 来自专栏我是极客人
保护日志中的用户隐私数据
在2018年5月GDPR发布前后的一段时间里，保护个人隐私相关的需求被迅速提高了优先级，而像我这样一个开发国际化产品的普通程序员，日常工作也因此受到影响，我们放下手中的业务需求卡（Story），转而去做 首先：确定什么是隐私数据 在我们深入讨论怎样避免个人隐私数据出现在日志之前，我们来界定什么是隐私数据： 个人可标识数据（PII）：如社会安全号码，数据组合（如名字+出生日期或姓氏+邮政编码）或用户生成的数据 健康信息 财务数据（如信用卡号） 密码 IP地址：IP地址也有可能是个人隐私数据，尤其是与个人可标识数据与其有某种绑定关系。 一、解耦隐私字段 处理隐私数据时，应尽量减少系统使用这些数据的频率。比如在数据库表设计时，使用电子邮件地址Email，或者极端一点的例子，使用身份证号码（下称PID）来作为“用户”表的主键。 选项2.将敏感值作为POST的数据传递 与上面数据库解耦隐私字段一样，这些问题在API或数据库设计早期就需要考虑，否则可能后期需要花大量的工作来进行重构。
1.8K31发布于 2019-05-06 - 来自专栏AI SPPECH
大模型与数据隐私保护_01
epsilon = privacy_engine.get_epsilon(delta=self.config.get('target_delta', 1e-5) final_epsilon = privacy_engine.get_epsilon(delta=self.config.get('target_delta', 1e-5)) 设置训练参数 self.setup_training_args() # 5. ': 1e-5, # 目标隐私预算δ 'auto_adjust_noise': True, # 是否自动调整噪声乘数 'num_workers': 4 # 数据加载器的工作进程数 () 大模型隐私保护的法律法规与合规要求 4.1 全球主要数据隐私法律法规 目前，全球主要的数据隐私法律法规包括： 欧盟《通用数据保护条例》（GDPR）：2018年5月生效，是全球最严格的数据隐私保护法规之一
65210编辑于 2025-11-13 - 来自专栏AI SPPECH
大模型与数据隐私保护_02
epsilon: 隐私预算，值越小隐私保护越强 delta: 失败概率，通常设置为1e-5 """ self.epsilon = DataLoader(train_dataset_dp_5, batch_size=batch_size, shuffle=True) val_loader_dp_5 = DataLoader model_dp_5, history_dp_5 = train_model( model_dp_5, train_loader_dp_5, val_loader_dp_5, criterion 5.0): 验证准确率 = {max(history_dp_5['val_acc']):.4f}, 训练时间 = {time_dp_5:.2f}秒") print("\n结论：差分隐私保护会略微降低模型性能 if __name__ == '__main__': main() 法律法规与合规框架 全球数据隐私法规概览 欧盟《通用数据保护条例》（GDPR）： 于2018年5月25日生效，适用于所有处理欧盟居民数据的组织
65010编辑于 2025-11-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号