- 综合排序
- 最热优先
- 最新优先
- 来自专栏AIGC
【LangChain系列】第十节：数据保护
Thank you for your assistance, John Doe"""documents = [Document(page_content=document_content)]anonymized_text = anonymizer.anonymize(document_content)print_colored_pii(anonymized_text)Date: <DATE_TIME>Witness: ChatOpenAItemplate = """Answer the question based only on the following context: {context}Question: {anonymized_question model = ChatOpenAI(temperature=0.3)_inputs = RunnableParallel( question=RunnablePassthrough(), anonymized_question ") | retriever, "anonymized_question": itemgetter("anonymized_question"), } | prompt
59000编辑于 2024-05-27 - 来自专栏AI SPPECH
120_物联网安全：从设备到云端的全方位防护策略与实践指南
() anonymized["device_id"] = f"device_{hashed_id[:8]}" # 2. 时间模糊化 if "timestamp" in anonymized: # 将时间戳调整到最近的小时 dt = datetime.fromtimestamp(anonymized 位置模糊化 if "location" in anonymized: location = anonymized["location"] if "latitude : del anonymized[field] # 5. 数值范围化 # 对于某些数值型数据，可以将其转换为范围 if "temperature" in anonymized: temp = anonymized["temperature
47110编辑于 2025-11-16 - 来自专栏码农桃花源
一行代码搞定 GitHub 访问徽章
GitHub 匿名 URL：https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/about-anonymized-urls renderer.go [6]https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/about-anonymized-urls : https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/about-anonymized-urls
1.1K10发布于 2021-11-30 - 来自专栏AI SPPECH
009_数据隐私在具身人工智能中的保护：从联邦学习到同态加密的隐私增强技术
sensitivity = np.max(sensor_data) - np.min(sensor_data) # 应用拉普拉斯机制添加噪声 anonymized_data sensor_data.flatten(): noisy_value = self.laplace_mechanism.randomise(value) anonymized_data.append (noisy_value) return np.array(anonymized_data).reshape(sensor_data.shape) def 确保每个簇至少有k个点 anonymized_trajectories = [] for label in set(clustering.labels_): (noisy_point.flatten()) return np.array(anonymized_trajectories) 具身AI隐私保护综合解决方案 1.
37210编辑于 2025-11-19 - 来自专栏openclaw系列
Venice AI 深度解析：在 OpenClaw 中实现隐私优先的智能推理
第二章：VeniceAI模型生态全景2.1模型分类体系VeniceAI目前托管了41个高质量模型，分为两大类别：26个Private模型和15个Anonymized模型。 模型家族Anonymized模型通过Venice代理访问主流专有模型，主要包括：AnthropicClaude系列claude-opus-4-6：最强Opus版本，1M上下文claude-sonnet- ）编程任务：qwen3-coder-480b-a35b-instruct（Private）或openai-gpt-53-codex（Anonymized）视觉任务：qwen3-vl-235b-a22b（ Private）或openai-gpt-4o（Anonymized）超长文档：claude-opus-4-6（1M上下文）2.3模型演进路线图VeniceAI的模型生态并非静态的，而是持续演进的。 4.2.1模型层级策略采用分层使用策略，根据任务重要性选择不同级别的模型：任务重要性Private模式Anonymized模式成本节省高（关键业务）kimi-k2-5claude-opus-4-6-中（
22421编辑于 2026-03-21 - 来自专栏速入大数据
数据无罪，使用有度：从技术人角度谈数据伦理
" return hashlib.sha256(user_data.encode('utf-8')).hexdigest()# 示例user_location = "123.45,678.90"anonymized_location = anonymize_data(user_location)print(f"匿名化后的位置信息：{anonymized_location}")以上代码将用户的位置信息转化为不可逆的哈希值，这样即使数据被泄漏
43910编辑于 2025-03-27 - 来自专栏AI人工智能
智能体安全与可信AI：防护机制与伦理考量
phone', 'email', 'address'] for identifier in direct_identifiers: if identifier in anonymized : del anonymized[identifier] # 泛化准标识符 if 'age' in anonymized: anonymized['age_group'] = self.generalize_age(anonymized['age']) del anonymized['age'] if 'zipcode' in anonymized: anonymized['region'] = anonymized['zipcode'][:3] + 'XX' del anonymized['zipcode'] return anonymized def verify_patient_consent(self, consent_status
41610编辑于 2025-07-29 - 来自专栏AI SPPECH
148_医疗健康论文（论文中附有源码）：智能诊断与患者关怀 - LLM驱动的医疗决策支持系统设计与临床应用实现
：{anonymized_data['medical_history']}\n" prompt += f"人口统计学信息：{anonymized_data['demographics'] = data.copy() if 'patient_name' in anonymized: anonymized['patient_name'] = '患者' if 'medical_record_number' in anonymized: anonymized['medical_record_number'] = = anonymized_data["birth_date"].split("-")[0] if "-" in anonymized_data["birth_date"] else anonymized_data anonymized_data["anonymization_status"] = "processed" anonymized_data["anonymization_date"] =
41210编辑于 2025-11-16 - 来自专栏速入大数据
数据的“潘多拉魔盒”：大数据伦理的深度思考
anonymize_data(user_id): return hashlib.sha256(user_id.encode()).hexdigest()user_id = "user1234"anonymized_id = anonymize_data(user_id)print(anonymized_id) # 生成一个不可逆的哈希值这段代码通过SHA-256哈希算法将用户ID转换为不可逆的哈希值，避免了直接暴露用户身份
38110编辑于 2025-02-27 - 来自专栏Python项目实战
隐私失窃背后的设备“告密者”：可穿戴设备的隐私保护之道
return latitude + delta_lat, longitude + delta_lon# 测试user_location = (22.5431, 114.0579) # 深圳某位置anonymized_location = anonymize_location(*user_location)print(f"模糊化后的位置信息：{anonymized_location}")模糊化的地理位置信息既满足应用需求，又有效保护了用户隐私
48810编辑于 2025-03-27 - 来自专栏AI SPPECH
10_大模型开发环境：从零搭建你的LLM应用平台
= data.copy() # 处理常见的个人身份信息 if "name" in anonymized: anonymized["name"] = "用户" + hashlib.md5(anonymized["name"].encode()).hexdigest()[:4] if "email" in anonymized: email = anonymized["email"] if "@" in email: username, domain = email.split("@", "phone" in anonymized: phone = anonymized["phone"] # 简单的电话号码处理，实际应用中可能需要更复杂的逻辑 anonymized["phone"] = re.sub(r'(\d{3})\d{4}(\d{4})', r'\1****\2', phone) if "address" in anonymized
58311编辑于 2025-11-13 - 来自专栏AI SPPECH
06_LLM安全与伦理：部署大模型的防护指南
PermissionError("Insufficient permissions to process sensitive data") # 数据匿名化处理 anonymized_data _anonymize_data(data) # 加密处理 encrypted_data = self.encryption.encrypt(anonymized_data data): """数据匿名化""" # 实现数据匿名化逻辑 import re # 示例：匿名化电子邮件 anonymized [a-zA-Z]{2,})', r'***@\2', str(data)) # 匿名化电话号码 anonymized = re.sub(r'(\d{3})\d{4}(\d{4})', r'\1****\2', anonymized) return anonymized LLM安全防护体系
59810编辑于 2025-11-13 - 来自专栏Y-StarryDreamer
[自然语言处理|NLP]NLP在电子健康记录中的应用：从原理到实践
anonymized_data = anonymize_patient_data(patient_data)print("匿名化处理结果:", anonymized_data)5.2 访问控制和权限管理通过
1.3K10编辑于 2023-11-27 - 来自专栏arxiv.org 翻译专栏
加速斯坦福医学临床数据科学的新模式（CS CY）
In this platform, data is anonymized to preserve patient data privacy and made available preparatory
56320发布于 2020-03-26 - 来自专栏码匠的流水账
langchain4j+Chroma小试牛刀
name chromadb \ -p 8000:8000 \ -v "$(pwd)/chroma_data:/chroma/chroma" \ -e IS_PERSISTENT=TRUE \ -e ANONYMIZED_TELEMETRY
55100编辑于 2025-03-05 - 来自专栏AI SPPECH
73_安全配置：LLM开发环境的全面防护指南
EMAIL_ADDRESS", "CREDIT_CARD", "PERSON", "LOCATION"], language='en' ) # 匿名化敏感信息 anonymized_text anonymizer.anonymize( text=text, analyzer_results=results ).text return anonymized_text # 脱敏示例 user_data = "我的电话号码是13812345678，邮箱是user@example.com" anonymized_data = anonymize_data(user_data ) print(anonymized_data) # 输出: 我的电话号码是<PHONE_NUMBER>，邮箱是<EMAIL_ADDRESS> 5.3 本地加密存储 对于需要本地存储的敏感数据，应使用强加密算法进行加密
53210编辑于 2025-11-16 - 来自专栏MCP
MCP（Model Context Protocol）全球化部署：智能 DNS 流量调度
data.items(): # 检查是否需要匿名化 if key in self.anonymization_rules: anonymized [key] = self.anonymization_rules[key](value) else: anonymized[key] = value and not self.check_consent(user_id, 'data_collection'): # 用户不同意数据收集，进一步匿名化处理 anonymized = self.further_anonymization(anonymized) return anonymized def anonymize_ip(self, ip): }, 'user_id': user_id, 'device_model': 'iPhone 14 Pro', 'session_duration': 180}# 匿名化数据anonymized_data
66911编辑于 2025-05-15 - 来自专栏AI SPPECH
116_大规模预训练数据管理与质量控制机制
敏感信息替换 anonymized_text = text for entity in entities: if entity.type in ['PERSON', 'PHONE ', 'EMAIL', 'ADDRESS']: anonymized_text = anonymized_text.replace( entity.text 差分隐私处理 anonymized_text = apply_differential_privacy(anonymized_text) return anonymized_text
33910编辑于 2025-11-16 - 来自专栏不能显示专栏创建者
VPN，广告拦截服务提供商手忙脚乱
Sensor Tower said it only collected anonymized usage and analytics data for integration into its products
2.9K00发布于 2021-01-07 - 来自专栏大数据文摘
即使对数据作了匿名化处理，找出你是谁还是很容易
https://www.technologyreview.com/s/613996/youre-very-easy-to-track-down-even-when-your-data-has-been-anonymized
88730发布于 2019-08-08
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