- 综合排序
- 最热优先
- 最新优先
- 来自专栏用九智汇分享
数据视角下的隐私合规2
，数据处理活动的事前和事后来探讨这8个主题的内在逻辑，同时探讨目前市场对隐私合规的几个误区。 ———— 《数据出境安全评估办法》 “事前”是隐私合规与数据安全非常大的区分点， 隐私合规的整个逻辑是建立在“见本而知末”之上，即敏感数据的处理需事前记录及评估，后续的实际处理应该与事前记录一致 那数据发现或者流量检测在隐私合规领域是否就一无是处呢，我们认为也不是，他可以起到后续的持续监督作用做到及时补救，以及在隐私合规体系冷启动的时候，帮助做已上线业务的数据梳理 当下市场存在的误区之二是隐私合规是合规 数据留存管理需要数据发现及隐私政策作为输入，利用数据发现能力找出所有敏感数据分布，综合隐私政策和行业法规，执行留存策略 数据泄漏响应需要数据发现作为输入，利用数据发现能力找出所有敏感数据分布及数据主体 这篇我们通过“见本而知末，执一而应万”介绍了隐私合规在数据处理层面存在事前与事后的两面性。下篇我们将从数据流转层面介绍隐私合规的两面性，此处先用两句偈语埋个伏笔。
62930编辑于 2023-11-01 - 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。 奥巴马政府在2012年2月宣布推动《消费者隐私权利法案》（ConsumerPrivacyBillofRights）的立法程序，这是与大数据最为息息相关的法案，法案中不仅明确且全面的规定了数据的所有权属于用户 2.美国与欧盟之间的安全港 在2012年3月，欧盟也颁布了类似的法规，《数据保护法规》(TheDataProtectionRegulation)。 比如，在美国的很多网站上，都有一个公司的标示（见图2），这家公司专门为在隐私保护方面合格的网站提供认证，也会将不合格的网站取消认证及拒之门外。 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。
1.8K60发布于 2018-04-20 - 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。 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。 我们可以看到，在处理隐私数据输入的整个过程中， P0无法知道 Y 值， P1 无法知道 X 值， P2 无法知道 X 或 Y 值。 最后，我们总结一下这三个主要阶段： ?
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 如果担心数据泄漏而拒绝开放数据，让数据在服务器的硬盘里“睡觉”，那么企业将永远无法获得数据价值，反而让数据等待着被盗走。
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？
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。 thoughtworks.com → ajdsifojwoiefahodsjoaijd FPE加密（Format-Preserving Encryption） 明文和密文格式不变 1990-01-03 → 2dwa -42-14 唯一替换 使用替换表对敏感数据进行1对1替换 1 → a, 2 → b 加密（Encryption） 通过密码学算法对数据信息进行加密 18623413242 -> U2FsdGVkX1/ 对于问题2，我们选择了AES-256-GCM作为数据加密的算法同时使用ECDH算法来交换两个实体的公钥来创建共享AES-256-GCM的加密密钥，来保证加密密钥的安全性。 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- 来自专栏腾讯高校合作
Wiztalk | 刘哲理 Part 2 《隐私集合交集算法：追踪广告效果&保护用户隐私—在线广告类型及其隐私问题》
隐私集合交集算法：追踪广告效果&保护用户隐私 Part 2 在线广告类型及其隐私问题 分享专家： 南开大学 刘哲理教授 内容简介： 随着互联网的发展，在线广告逐渐成为主流，那么在线广告具体有着什么分类
50020发布于 2021-04-01 - 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 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。 ，是业内首家通过多方安全计算产品测评（信通院 MPC 测评）和首批通过金标委 MPC 测评的产品，截止 2022 年 2 月已服务 150 余家行业客户。
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。
60620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
2. 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。 2. 高斯机制（松弛差分隐私）同样适用于数值型查询，但噪声服从高斯分布 \( N(0, \sigma^2) \)，其中方差 \( \sigma^2 = 2 \ln(1.25/\delta) \times (\ 步骤 2：计算高斯噪声方差\( \sigma^2 = 2 \ln(1.25/10^{-6}) \times (1/1)^2 â 2 \times 14 \times 1 = 28 \)，即噪声服从 价值：既满足公众和研究机构对公共数据的需求，又符合《个人信息保护法》等法规要求。2.
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. 2. 利用12321消费者投诉平台 如果你发现自己频繁接到骚扰电话或认为个人隐私被泄露，可以通过12321消费者投诉平台进行举报。该平台专门处理消费者的隐私泄露投诉，能够帮助你减少骚扰并追究责任。
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 - 来自专栏我是极客人
保护日志中的用户隐私数据
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。 例如： PID | 外键-------------------------42-12xxxx-345 |pJlyhr7FhTcLPfvlEAb1eA2Hza 在用户表以外的所有数据库表，都应该使用这个随机 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
引言 在当今数字化时代，大型语言模型（LLM）如GPT-4、Claude 2、BERT等正在重塑我们与技术交互的方式。 }，预计隐私预算: ε = {current_epsilon:.2f}") # 更新差分隐私引擎 self.model, optimizer, train_loader 最终隐私预算: ε = {final_epsilon:.2f}") def run(self): """运行完整的差分隐私训练流程""" try: } # 创建差分隐私训练器实例 dp_trainer = DPModelTrainer( model_name_or_path="distilgpt2 6.2 医疗行业案例 案例2：某医疗研究机构的隐私保护大模型 该医疗研究机构需要使用大量患者的医疗数据训练大模型，用于辅助诊断和医学研究。为了保护患者的隐私，该机构采用了多种隐私保护技术和措施。
65210编辑于 2025-11-13 - 来自专栏AI SPPECH
大模型与数据隐私保护_02
大模型与数据隐私的矛盾 大模型的发展与数据隐私保护之间存在着一定的矛盾： 数据需求与隐私保护的矛盾：大模型需要大量数据进行训练和优化，而数据收集和使用可能侵犯个人隐私 模型性能与隐私保护的矛盾：增强隐私保护措施 , nn.ReLU(), nn.Linear(hidden_dim // 2, output_dim) ) def : 验证准确率 = {max(history_no_dp['val_acc']):.4f}, 训练时间 = {time_no_dp:.2f}秒") print(f"差分隐私模型 (epsilon =1.0): 验证准确率 = {max(history_dp_1['val_acc']):.4f}, 训练时间 = {time_dp_1:.2f}秒") print(f"差分隐私模型 (epsilon =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
64910编辑于 2025-11-13 - 来自专栏喔家ArchiSelf
从隐私到隐私计算
例如电子邮件、即时通信的内容等，这些工具本身并不是隐私，只是其中记载并反映出来的信息才是隐私。 2. 什么是隐私保护？ 隐私的挑战是在完全公开的数据和完全保留的数据之间找到平衡。当原始数据完全共享时，它的实用性最大，但隐私性最小; 当不披露任何信息时，隐私性最大，但实用性有限。 在数学上，差分隐私算法可以定义如下: 如果对于所有数据集，D1和 D2最多在一个元素上不同，并且所有的 S是Range (M) 的子集，在随机函数 M 得到了 ε 的差分隐私。 因此: Pr[M(D1) ε S] ≤ exp(ε) x Pr[M(D2) ε S] 数据集 D1中管理员输出的 M (D1)分布与数据集 D2中的 M (D2)几乎相同，数据集 D1和 D2只有一个个体的记录不同 ，而 M 是保证 ε微分隐私的随机化算法: ε 决定了两个数据集 D1和 D2的不可区分性，即对两个数据库集的查询响应偏差由 ε 决定。
1.4K30编辑于 2022-12-03 - 来自专栏大数据在线
315曝光数据隐私问题，企业如何上好数据隐私保护这门必修课？
无独有偶，近年来数据滥用、数据隐私保护不利的现象频发，涉及到科技、金融、教育等多个领域，也让数据安全相关话题多次成为焦点，这驱使业界共同思考该如何上好数据隐私保护这门必修课： 即在数字经济蓬勃发展的今天 01 打开数据隐私保护新思路 十年前，舍恩伯格在《大数据时代》指出，大数据将开启一次重大的时代转型。如今看来，深以为然。 种种变化无疑让很多企业的数据安全与隐私建设需要与时俱进。多位数据隐私保护领域的专家向大数据在线表示，企业数据安全与合规建设需要新思路，从制度、意识和员工等多个角度全面提升数据安全水平。 员工对于数据隐私保护的重视以及数据合规使用，将极大有利于减少诸多隐患。 --数据驱动创新、数据保护驱动信任。在数字化时代里，任何组织/企业/个人都无法独善其身，数据隐私保护需要从一点一滴做起，从而构建起一个更加美好的数字世界。
43410编辑于 2022-04-06 - 来自专栏学习
机器学习——数据隐私与安全学习
数据隐私与安全学习：保护机器学习中的敏感信息 随着机器学习技术的广泛应用，数据隐私与安全问题变得越来越重要。机器学习模型通常依赖于大量的数据进行训练，而这些数据中可能包含敏感的个人信息或商业机密。 本文将从数据隐私和安全的基本概念、技术手段以及实际应用等方面展开详细讨论。 1. 为什么数据隐私与安全对机器学习如此重要？ 因此，确保数据隐私和模型安全是机器学习系统开发和应用中的核心挑战之一。 2. 保护数据隐私与安全的技术手段 2.1 差分隐私（Differential Privacy） 差分隐私是一种保护用户数据隐私的重要方法。 In Proceedings of the 2nd SysML Conference. Gentry, C. (2009).
1.1K10编辑于 2024-10-22 - 来自专栏LB说IOT
物联网隐私、数据保护、信息安全
据了解，隐私和数据保护与信息安全是紧密相连的领域，尽管可能存在重叠的要求。本文件提供了物联网隐私、数据保护和安全、可能的选择和影响的挑战和目标的观点。 –应在设计阶段系统地解决信息安全、隐私和数据保护问题。 根据这些原则，应考虑以下选择： 隐私、数据保护和信息安全风险管理–只有在进行良好的隐私、数据保护和信息安全风险管理的情况下，才能确定适当和相关的技术保障措施。 （研究）设计隐私和默认隐私–通常不是技术本身增加了隐私、数据保护和安全风险，而是技术的开发和应用方式。如果应用于物联网系统，这种做法对隐私、数据保护和安全的负面影响将显著增加。 为了使设计隐私和默认隐私成为现实，考虑数据保护要求应成为标准化过程中的强制性设计目标，因为标准可以作为隐私友好型应用程序设计的乘数。
3.5K20编辑于 2022-04-12
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