ITPub博客

打开链接点亮社区Star，照亮技术的前进之路。每一个点赞，都是社区技术大佬前进的动力Github 地址： https://github.com/secretflow一、可信数据空间介绍可信数据空间，是指基于共识规则，联接多方主体，实现数据资源共享共用的一种数据流通利用基础设施。是数据要素价值共创的应用生态，是支撑构建全国一体化数据市场的重要载体。可信数据空间须具备数据可信管控、资源交互、价值共创三

当数据被确认为新的生产要素，数据流通就不再是简单的交换或整合，而是一种全新的“可信协作”。而在可信数据流通过程中，隐语SecretFlow开源隐私计算框架正逐渐成为连接多方数据、可信数据空间、打破孤岛、守护合规的技术底座。在过去几年，隐语SecretFlow 作为面向产业级可信数据流通场景的开源隐私计算框架，持续在各类数据协同、联合建模、合规计算实践中落地。而在其背后，一群来自各行各业的开发者、研

摘要：隐私计算技术正成为金融证券行业应对数据合规与协同分析挑战的关键解决方案。在监管趋严和数据高敏感性的背景下，隐语（SecretFlow）开源框架以"可用不可见"理念支持加密状态下的联合分析。10月30日线上活动将邀请国泰海通证券专家分享隐语在金融场景的实践经验，包括二次开发、性能优化等核心议题。活动面向金融科技从业者、隐私计算开发者及数据合规管理者，旨在降低技术应用门槛，推动行业数据要素合规流通。

打开链接点亮社区 Star，照亮技术的前进之路。每一个点赞，都是社区技术大佬前进的动力Github 地址： https://github.com/secretflow本文根据蚂蚁集团隐私计算产品专家 陈步华，在「隐语城市行·成都站 X 蓉数大讲堂」的演讲分享整理。在数字化时代，隐私保护与数据价值的挖掘成为企业关注的焦点。作为蚂蚁隐语团队的产品经理，非常高兴在这里跟大家分享隐语在隐私计算领域的最新实

一个偶然的机会接触到隐私计算，当时隐语（SecretFlow）刚刚开源，社区热度很高，也吸引了我开始关注。带着好奇心，我开始尝试了解隐语的架构与生态，从而开启了我在隐语社区的开源旅程。

打开链接点亮社区 Star，照亮技术的前进之路。每一个点赞，都是社区技术大佬前进的动力Github 地址： https://github.com/secretflow在传统机器学习场景中，完成模型训练得到模型之后，如何将模型的推理能力应用到实际的生产业务场景中呢？通用的做法是通过使用在线推理框架加载这些模型，并将其服务化以提供接口给业务系统使用。然而，在多方共同参与的隐私计算场景下，数据、调用系统

在隐私计算领域中，如何选择一个既稳定又高性能的框架，是每个技术团队在产品初期都会面临的问题。

打开链接点亮社区 Star，照亮技术的前进之路。每一个点赞，都是社区技术大佬前进的动力Github 地址： https://github.com/secretflow在国家数据局统筹推动下，可信数据空间正成为国家数据基础设施的重要组成。它通过数字合约和使用控制等技术，**为数据流通构建安全可信的“管道”与“枢纽”，**实现跨主体有序共享，让数据像用电、用水一样便捷高效。全国数据标准化技术委员会（S

导语2022 年 10 月份，隐语发布了 PSI 的性能数据，当时就引起了内部和外部用户的广泛关注，具体协议包括：ecdh/kkrt16/bc22 协议，这些协议更适合双方数据量差别不大的场景，称为平衡 PSI（Balanced PSI）。在现实的隐私求交场景中，有时双方数据量级差异很大，例如：百万 vs 十亿，2 千万 vs 20 亿。针对这种场景，隐语实现并开源了专门的非平衡 PSI（Unba

打开链接点亮社区 Star，照亮技术的前进之路。每一个点赞，都是社区技术大佬前进的动力Github 地址： https://github.com/secretflow本文将介绍隐语 SGB 的具体测试环境、步骤和数据, 方便您了解协议的使用方法和性能数据, 从而更好地了解隐语 SGB, 满足您的业务需求。让我们一起来领略隐语 SGB 的魅力吧！导语：在数据科学竞赛中经典算法 XGB 备受关注。但有

打开链接点亮社区 Star，照亮技术的前进之路。每一个点赞，都是社区技术大佬前进的动力Github 地址： https://github.com/secretflow/secretflow他是英特尔中国云计算平台系统方案的高级工程师，长期深耕机密计算领域。也是 SecretFlow 社区的推动者之一，助力框架适配 Intel TDX 平台，为隐语在真实场景中的部署保驾护航。他是朱运阁，一位用行动诠

打开链接点亮社区 Star，照亮技术的前进之路。每一个点赞，都是社区技术大佬前进的动力Github 地址： https://github.com/secretflow为什么隐私计算中会需要可证明安全？顾名思义，隐私计算是保护隐私的计算，那么视隐私保护程度的不同，其计算效率也不同。比如，广域网下多方合作，使用 LR 训练一个这么大的数据集，迭代一次需要多久呢？有的方案需要 100 秒，有的需要 0.