浙江大学-安恒信息联合发布AI数据隐私保护论文，入选世界顶尖计算机安全学术会议

ACM Conference on Computer and Communications Security(ACM CCS)在计算机安全领域有着广泛的影响力，与IEEE S&P、Usenix Security和NDSS并称安全领域国际四大顶级会议，同时也是CCF推荐A类会议，论文录取率常年在20%以下。CCS也是业界顶尖公司与技术专家展示技术成果和交流的重要平台。2023年CCS将于11月26-30日期间在丹麦的哥本哈根举办。

随着数字经济的发展，数据流通使用过程中数据的安全保障变得及其重要。差分隐私（DP）是一种通过在计算之前向数据添加经过精确校准的噪声，实现保护数据集中个体数据的隐私保护技术。

本论文由杭州安恒信息、浙江大学、斯坦福大学和亥姆霍兹信息安全中心联合完成。将差分隐私技术应用于机器学习场景中后，可以通过降低机器学习训练与推理过程中隐私信息的泄露，达到保护模型训练数据的安全与隐私保护的目的。

将差分隐私技术与机器学习技术融合的过程中，其中一个重要的考虑因素是隐私和模型可用性之间的平衡。添加过多的噪声可能会导致模型准确性显著降低，而添加过少的噪声可能无法提供足够的隐私保证。为了在保护隐私的前提下尽可能少的损失性能，许多研究人员积极探索新技术和算法，以平衡隐私和模型性能。但是，这些研究是孤立的，不能准确的衡量算法改进在不同条件下的性能。更重要的是，缺乏全面的研究来比较这些差分隐私机器学习（Differential Privacy Machine Learning, DPML）算法的改进在可用性、防御能力和通用性方面的表现。

本论文首先依据机器学习训练流程针对DPML算法提出了一种分类方法，从而为细致分析不同类别的算法提供了便利。其次对先进的DPML算法的模型性能和对成员推理攻击的防御能力进行了大量的实验测量，得出了众多有利于业界后续研究的结论。同时本论文还提出并实现了一个模块化可重复使用的测试平台，DPMLBench，能够方便地使用和扩展差分隐私算法，方便隐私数据所有者可以轻松部署差分隐私算法，也可以作为相关领域用户的评估工具。

随着互联网技术的快速发展，数据在我们日常生活中扮演着越来越重要的角色。与数据相关的数据安全、数据资产化、数据交易等问题也愈发受到国家和社会的关注。3月7日，国务院提出组建国家数据局，进一步推动数字中国、数字经济建设。

在此背景下，由安恒信息董事长范渊和安恒信息CTO刘博主编，多位领域权威专家合作编写的《数据安全与隐私计算》应运而生。书中，作者们结合多年在数据安全领域实践积累的经验，对数据安全和隐私计算进行了深入探讨，并介绍了数据安全和隐私保护的最新动态和实用技巧。

点击“阅读原文”可获购买链接

《数据安全与隐私计算》的出版，为人们的数字生活构筑坚实的安全屏障。无论您是从事企业数据安全管理还是研究数据隐私保护，该书都将为您提供有价值的参考和指导。