【演讲合集】摩斯隐私计算在营销场景的应用实践

蚂蚁摩斯隐私计算论坛 2025-03-06 11:55:20

近日,摩斯团队多位技术老师分别在TOP100案例峰会、2024CCF中国数字金融大会、2024开放原子开发者大会上发表演讲。围绕“隐私计算”、“营销业务”等话题,从摩斯密码库、隐私计算技术到摩斯隐私计算在营销场景应用、助力营销业务增长与数据合规等多方面进行详细阐述。

 

大会演讲

 

摩斯团队基础算法同学胡芯忆的演讲《MorseCrypto:国家商用密码算法的高速软件实现》,为大家介绍了MorseCrypto以及SM2、SM4优化实现方法及性能优势。摩斯算法专家李漓春在《摩斯隐私计算助力营销数据合规与业务创新》演讲中,介绍了针对金融业营销方案以及支撑方案的三大核心能力,并阐述了摩斯在隐私计算领域的技术创新。摩斯高级技术专家王华忠在TOP100峰会,“数据治理/数据要素”分会场带来分享——《隐私计算在营销科技的应用》,着重对隐私计算在企业数智化增长、联合建模等多个营销场景的应用进行详细阐述。

 

图片

摩斯基础算法胡芯亿

 

图片

摩斯算法专家李漓春(左)

 

图片

摩斯高级技术专家王华忠(右)

 

 

营销场景对隐私计算性能要求高

 

在营销场景中,存在大量的数据流通,隐私计算技术作为一门应用于跨机构数据合作、解决互不信任参与方之间保护隐私协同计算问题的交叉融合技术,可用来进行关键数据的保护实现数据的合规安全流通。

营销场景数据量大、时效性强,对产品性能要求高,摩斯基于多年金融营销场景打磨,利用协议算法库MorseCrypto进一步构建出高性能的半同态算法(ElGamal、Paillier)、GC、OT等MPC基础协议的高性能实现,极大地提升了摩斯隐私计算产品的性能。摩斯是行业内为数不多的同时通过信通院多方安全(MPC)和联邦学习(FL)隐私计算大规模性能认证的厂商。

目前摩斯隐私计算产品已在上百家银行等金融机构部署使用,建立了以隐私计算节点连接的数据和流量资源生态网络。通过隐私计算安全连接的全渠道分布式流量场景平台、数据源等,助力数据安全流通与价值释放。

 

摩斯营销科技助力行业全域智能增长

 

摩斯隐私计算技术在营销业务中应用广泛,已在企业数智化增长、跨域营销数据安全、联合营销建模、营销实时决策等营销场景落地,根据客户不同的需求给出对应的方案。

针对银行卡营销,摩斯在发卡、绑卡、促活等各阶段提供全生命周期的营销服务。结合交易场景制定精细化权益发放策略,帮助银行用户提升开卡效率和用户留存率。

针对其他机构营销,摩斯基于隐私计算技术:1、利用多方数据帮助增强金融机构与场景数据的联动。2、通过用户支付行为分析+覆盖多支付机构和多消费场景,能更精确的触达对应的场景和权益。3、充分了解用户支付偏好+覆盖含衣食住行在内的各类消费场景和各支付机构,可更高效的分发支付机构。构建了全域场景,结合包括摩斯自有数据、广告主数据、媒体数据、数据源数据在内多方数据形成的全域数据,搭建了全域场景+全域数据的数智营销模型体系。服务于金融、零售、互联网行业,为他们提供智能营销平台、智能营销助理、营销生态网络等精准营销能力。

 

Morse营销科技,行业智能全域增长专家!

 

关注我,获取更多资讯~

...全文
536 回复 打赏 收藏 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本文针对传统彩色数字图像加密算法存在的密钥空间有限、随机性不足及抗干扰能力弱等问题,提出一种结合混沌系统与DNA编码的复合型彩色图像加密解密方案。通过混沌系统生成伪随机序列,对图像RGB三通道像素进行置乱与混淆,并利用DNA编码规则实现信息的高维扩散与并行处理,从而提升加密强度与安全性。文章重点对该方案的抗噪声与抗裁剪性能进行了系统性分析,实验结果表明该算法具备大密钥空间、强加密随机性,且在面对高斯噪声、椒盐噪声干扰及不同程度裁剪攻击时仍能较好恢复图像内容,展现出优良的鲁棒性与实用性。; 适合人群:具备一定图像处理、密码学基础知识的科研人员及研究生,或从事信息安全、多媒体通信领域的技术人员。; 使用场景及目标:①应用于网络环境下的彩色图像安全传输与私密存储,防范信息窃取与篡改;②为高鲁棒性图像加密技术的研究提供理论支持与实验验证,推动复合加密算法在实际工程中的落地应用。; 阅读建议:建议读者结合文中提出的加密流程与实验设计,自行复现算法并对不同类型的图像数据进行测试,重点关注混沌参数敏感性、DNA编码规则选择及不同干扰场景下的解密效果,以深入理解算法的抗干扰机制与优化空间。
【不讲道理,只给数据】网上讲 JS 性能的文章大多只给结论不给数据。这个包把 8 个常见优化手法真的跑了一遍,把耗时与提速倍数写出来——包括 3 项「优化后反而更慢」的结果。 ■ 实测(本机 node 实跑,见包内 04 文件) · 按 id 查找:Map 代替 find → 680 倍 · 数组去重:Set 代替双重循环 → 90 倍 · 记忆化递归:加缓存 → 800 倍 · 深拷贝:structuredClone 反而比 JSON 慢(0.44x) · 字符串拼接:现代 V8 下 += 与 join 几乎无差别(0.9x) ■ 资源内容 · 01_优化实战/:bench.js + run_all.js,8 项 before/after 基准,可直接跑,也能改成测你自己的代码 · 02_单元测试示例/:6 个工具函数 + Node 内置测试器写的测试(零依赖,不用装 Jest) · 03_工程化配置模板/:ESLint 9 扁平配置、Prettier、Vite 手动分包、Webpack 5 持久化缓存、package.json 脚本 + 逐项说明 · 04/05 真实运行结果:程序实跑输出,非手写示例 · 06_优化清单30条.md:每条标注实测结论 · 07_自检脚本:一键重跑测试与基准 ■ 使用方法 1)只需 Node 18+,不用 npm install:node 01_优化实战/run_all.js 即可看对比表 2)单元测试:cd 02_单元测试示例 && node --test 3)用 bench.js 量你项目里最慢的函数,先记基线再动手改 4)工程化配置直接拷进项目,重点看 03 里「为什么这么配」 ■ 说明 全部代码原创,可直接用于你的项目。基准数字因 CPU 与 Node 版本略有差异,趋势一致。

11,628

社区成员

发帖
与我相关
我的任务
社区描述
聚集一群数据分析专家,分享技术干货内容,资料汇聚~
社区管理员
  • 小小明-代码实体
  • 数据分析与统计学之美
  • 叶庭云
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧