- 综合排序
- 最热优先
- 最新优先
- 来自专栏iSharkFly
Confluence 6 数据收集隐私策略 原
为什么 Confluence 收集使用数据？ 我们收集的数据将有助于我们从成千上万的用户使用中确定哪些对用户而言是重要的，然后将会帮助我们在后续的版本中持续进行更新。 那些数据将会被收集？ 在 Confluence 中，数据总是会被收集。 Confluence 如何收集数据？ 如果 Confluence 不能连接到互联网上，这些数据将不会上传。 在 Confluence 中启用/禁用数据收集 你可以在你的 Confluence 安装实例中关闭和启用数据收集。进入 ? https://www.cwiki.us/display/CONF6ZH/Data+Collection+Policy
61250发布于 2019-01-30 - 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。 P0 P1 E 2f43d6aa0110b712 E 2f43d6aa0110b712 F afc38eb9c42d92d8 F afc38eb9c42d92d8 5.本地计算 Z0；P1本地计算
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？
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。 在 2022 年 Gartner 技术成熟度曲线列出的 25 项值得关注的新兴技术中，有 6 项与隐私计算相关，足见其价值与潜力。 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。
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。 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。 用户界面设计中内置的“黑暗模式”，也曾在2018年6月成为众人关注的焦点，当时挪威消费者委员会一份题为“被设计欺骗”的报告，解释了默认设置的黑暗模式，旨在操纵用户的界面设计技术和功能，被用来诱导用户选择侵犯隐私的选项
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 概率松弛项 \( \delta \)：允许隐私保护失败的极小概率（通常设置为 \( 10^{-6} \) 量级，远小于数据集大小的倒数），用于平衡隐私与可用性。 示例：APP 用户点击行为统计某 APP 需统计 100 万用户对某功能的点击次数（真实点击量为 356800 次），要求满足 \( (\epsilon=1, \delta=10^{-6}) \) 差分隐私 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 ：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 - 来自专栏我是极客人
保护日志中的用户隐私数据
2019年度“315”晚会人工智能拨打骚扰电话的情节，让大众了解到在信息时代，保护个人隐私的重要性。本篇文章分享了在日志记录中保护用户隐私数据的几个最佳实践。 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
大模型时代的数据隐私挑战 1.1 数据隐私的重要性 数据隐私是指个人或组织对其数据的控制权，包括决定何时、如何、在何种程度上共享其信息的权利。 大模型数据处理的关键环节与隐私风险 2.1 数据收集环节 数据收集是大模型开发的第一步，也是隐私风险的源头之一。 差分隐私数据发布：在发布训练数据或模型输出时，应用差分隐私技术，确保发布的数据不会泄露个人敏感信息。 创建差分隐私Trainer self.create_dp_trainer() # 6. () 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
本文将深入探讨大模型与数据隐私保护的关系，分析大模型应用中面临的数据隐私风险，介绍主流的数据隐私保护技术，并探讨未来的发展趋势和应对策略，为企业和个人在大模型时代的数据隐私保护提供参考。 数据隐私的核心要素 数据隐私是指个人或组织对其数据的控制权，包括数据的收集、存储、使用、传输和销毁等环节。 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 全局差分隐私：在整个数据集上应用差分隐私保护，适用于集中式数据处理 本地差分隐私：在数据收集阶段就在用户端添加噪声，适用于分布式数据收集 差分隐私机器学习：将差分隐私技术应用于机器学习算法 本文系统分析了大模型应用中的数据隐私风险，介绍了主流的数据隐私保护技术，并探讨了法律法规合规要求和未来发展趋势。 数据隐私保护是大模型健康发展的前提和基础。
65010编辑于 2025-11-13 - 来自专栏喔家ArchiSelf
从隐私到隐私计算
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。 据报道，苹果在 MacOS 中使用 ε = 6，甚至在 iOS 10 beta 版本中使用了 ε = 43，而在谷歌在chrome中的 ε 为9。 ε 值越小，隐私性越好，但结果的准确性可能受到影响。从隐私角度来看，ε 大于6可能并不好。虽然这确实是一个很好的目标，但是考虑到用例的细微差别，这通常是不可能实现的。 隐私计算 一般地， 对隐私计算有不同的理解。一种是隐私计算是隐私保护的一部分，为了实现隐私保护而采用的技术。另一种是对隐私保护的数据进行计算，侧重在隐私数据应用的层面。 6.小结 随着世界信息的数字化，个人信息的隐私已经成为个人和组织关注的重要问题。组织理解并解决任何涉及数据的活动所附带的隐私问题是至关重要的。根据场景的不同，各种隐私保护技术有着不同的优点和缺点。
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。 如果在训练和部署过程中不能妥善保护这些数据，就会引发隐私泄露与安全风险。因此，数据隐私与安全学习成为了机器学习中的一个重要研究方向。 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？ 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。 差分隐私可以用来保护用户行为数据的隐私，同时允许公司对这些数据进行统计分析，例如推荐广告或个性化内容。 4.
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 - 来自专栏用九智汇分享
数据视角下的隐私合规
千呼万唤始出来，犹抱琵琶半遮面 2016年6月，通用数据保护条（GDPR）正式发布，其长臂管辖权对全球企业在隐私合规领域产生了深远的影响，在GDPR 5周年之际，截止2023年3月1日，GDPR 2018年6月，美国加州立法机构颁布了CCPA，但颁布之后引发了很多争议，立法机构进行了多次修订，对多种场景进行了豁免。 本文并不从法律视角去解读各个场景的隐私合规要求，而是尝试用技术视角去看隐私合规的数据脉络。 隐私合规完美的形态可能是打开任意一个数据，你都能知道他关联了哪个RoPA，场景，方式，目的，关联了哪个PIA，关联了哪个隐私协议，关联了哪些同意记录，关联了哪些实际使用场景，关联了哪些留存策略，关联了哪个数据主体 东船西舫悄无言，唯见江心秋月白 之前有位客户问了我们一个问题，隐私合规为什么要做数据治理？
1K40编辑于 2023-11-01
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