隐私计算-7-隐语SCQL的架构详细拆解

日向远 日向远 墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年,写一次发全网 我也要 + 加入社区

SCQL概述

  • SCQL定义:Secure Collaborative Query Language,是一种安全协作查询语言,用于在多方数据分析场景中实现数据隐私保护。
  • 隐语架构:SCQL是隐语架构中的一部分,隐语架构包括硬件层、资源层、计算层、算法层和产品层,提供全栈的隐私计算解决方案。
  • SCQL系统组件:
    • SCDB:部署在可信第三方,负责将查询转换成密态执行图,下发给SCQLEngine。
    • SCQLEngine:部署在数据参与方,协同其他参与方完成执行图的计算。

SCQL关键特性

  • 半诚实安全模型:假设参与方可能会尝试获取其他参与方的数据,但不会主动破坏系统或协议。
  • 多方支持:SCQL支持多个参与方(N>=2)进行协作。
  • 易上手:提供MySQL兼容的SQL语言用户界面。
  • 常用SQL语法和算子支持:满足大部分场景的需求。
  • 列级别数据使用授权控制(CCL):通过CCL描述每列数据的使用约束。
  • 多种密态协议支持:如SEMI2K、CHEETAH、ABY3等。
  • 多种数据源接入:支持MySQL、Postgres、CSV等数据源。

SCQL应用场景

  • 医疗数据研究:分析多家医院的医疗数据进行医学研究。
  • 联合精准营销:金融机构与电商平台联合分析用户画像进行精准营销。
  • 智能保险理赔:保险机构接入医疗机构数据提升理赔体验和核赔效率。

SCQL CCL

  • CCL定义:Column Control List,是一种约束机制,用于描述数据在使用过程中的约束条件。
  • CCL描述:三元组< src_column, dest_party, constraint >,定义了数据拥有者允许某列数据在满足约束条件下被访问。
  • CCL示例:
    • <salary, Bob, PLAINTEXT_AFTER_AGGREGATE>:Bob可以在聚合操作后明文访问salary列。
    • <id, Alice, PLAINTEXT_AFTER_JOIN>:Alice可以在JOIN操作后明文访问id列。

SCQL架构

  • SCQL工作流程:

    1. 发起DQL(数据查询语言)。
    2. 下发密态执行图至SCQLEngine。
    3. 从数据源读取数据。
    4. 执行MPC(多方计算)协议。
    5. 上报执行结果。
    6. 返回执行结果。
  • 执行图示例:展示了如何在不同数据状态下,根据CCL设置选择最佳执行协议,如Private groupby、HESum groupby、Oblivious groupby、Vertical groupby等。

课程总结

操顺德 | 蚂蚁集团隐私计算技术专家
视频地址,pdf地址
CCL起到了挺关键的作用

...全文

相关推荐

蚂蚁开源的隐私计算框架SecretFlow资源包,含SPU/SCQL/HEU等核心模块

这个资源包完整收录了蚂蚁集团发起的隐语(SecretFlow)隐私计算框架源码,适用于需要在多方数据协作中保障原始数据不出域、模型与结果可验证的场景。包内包含统一框架主体及多个关键子项目:SPU提供可证明安全的密态计算设备支持;SCQL实现跨机构SQL级联合查询,无需暴露原始数据;HEU是高性能同态加密算法库,适配多种加密方案;YACL封装底层密码学、网络通信和IO基础能力;Kuscia基于K3s构建轻量级任务编排系统,支撑隐私计算作业调度与生命周期管理。整个框架分层清晰——抽象设备层兼容明文与密态运行环境,设备流层将算法自动映射为设备间DAG执行流,算法层覆盖水平/垂直联邦学习、安全统计、隐私求交等典型任务,工作流层打通数据预处理、模型训练、超参搜索全流程。资源包附带完整构建脚本(make.bat、Makefile)、配置文件(.bazelrc、.clang-format)、测试入口(conftest.py、load.py)、许可证(LICENSE)、多语言文档(README.md/README.zh-CN.md)及社区协作规范(CONTRIBUTING.md、SECURITY.md等),适合开发者快速部署、二次开发或集成进现有数据平台。

脑补型选手

隐语的MPC SQL数据分析引擎,提供SQL语法的多方安全联合的数据分析能力

隐语的MPC SQL数据分析引擎,提供SQL语法的多方安全联合的数据分析能力

0仰望星空007

A Survey of LLM Negotiation and Bargaining Agents |LLM谈判与议价智能体综述 |arxivreview

# A Survey of LLM Negotiation and Bargaining Agents |LLM谈判与议价智能体综述 |arxivreview 综述原文见 [ArxivReview](https://www.arxivreview.com/surveys/LLM%20Negotiation%20and%20Bargaining%20Agents) ## 导读 大语言模型(LLM)谈判智能体正经历从语言模拟向经济理性的范式跃迁,其核心矛盾在于人类对齐训练带来的亲社会偏见与博弈论要求的最优策略之间的冲突。早期研究聚焦于自然语言生成的流畅性,但NegotiationArena等基准迅速揭示了模型在策略推理上的系统性缺陷,如锚定偏差与过度合作。为修正这些非理性行为,研究重心转向可验证奖励强化学习(RLVR),利用客观经济信号替代主观人类偏好,显著提升了剩余提取能力。与此同时,情感策略蒸馏与机制可解释性分析作为互补路线,分别解决了边缘部署中的能力缺失与偏差的神经基础问题。各路线在策略理性、部署效率与可解释性之间做出了不同取舍,由此形成当前多元并存的方法格局。本综述梳理这条从行为优化到机制理解的因果演进链条,为读者提供一张领域认知地图。全文按问题演化与路线取舍组织,覆盖该领域从奠基到当前的主要工作。 ## 1. 研究背景、问题结构与演进脉络 LLM谈判与议价智能体领域的兴起,源于大语言模型从静态文本生成向自主智能体(Autonomous Agents)的范式转变。早期研究如Lewis et al. (2017)提出的DealOrNoDeal和He et al. (2018)的CraigslistBargain,局限于基于规则或简单神经网络的文本谈判协议,缺乏对复杂策略推理和自然语言说服力的建模。这些工作确立了基于对话历史的策略生成与语言生成分离的早期架构,但仅

Jessica Zhan

typora编辑器 markdown Mac版本

typora编辑器 markdown Mac版本

沫离痕

数据挖掘实战项目-从零实现决策树、朴素贝叶斯、KMeans与PCA,含清洗特征评估全流水线,33个源文件8457行

内容概要:190 页项目教程 + 一套从零实现的数据挖掘算法库与流水线,按源文件交付 33 个模块:数据集读取与 schema 校验、清洗(缺失填充、去重、IQR/Z-score 异常值、类别编码)、特征工程(标准化、分箱、多项式、方差/相关/卡方选择)、切分与分层 K 折交叉验证、CART 决策树(基尼、连续特征二分、剪枝)、朴素贝叶斯(高斯/多项式 + 拉普拉斯平滑)、KNN、线性回归(正规方程与梯度下降双实现、残差分析)、逻辑回归(交叉熵 + L2 + 梯度校验)、KMeans(k-means++ 与轮廓系数)、PCA(特征值分解与解释方差)、指标(混淆矩阵、P/R/F1、手算 ROC-AUC)、流水线(先切分后 fit,防数据泄漏)、报告与 CLI。 适合人群:要做数据挖掘课设或毕设的同学;只会调库、被问「决策树怎么分裂」答不上来的开发者;想把算法写成可跑代码而不是背公式的人。 使用场景及目标:照着教程手写每个算法,跑通三个可复现数据集,最后用一条命令跑完整流水线并输出指标报告;每个算法都配边界用例(空集、单样本、全同类、常数列、NaN),结论能被复算。 其他说明:33 个源文件 8,457 行,主机侧用例全部通过(本机 make test 实跑,只用标准库 + numpy,不依赖任何机器学习框架)。代码完整,无省略、无伪代码,数值下溢保护与参数校验全部保留。

LCG元
评论
收藏 已收藏
分享
返回顶部