数据安全关键技术

数据安全技术是指用来保护数据免受未经授权的访问、使用、更改、泄露、破坏等威胁的技术，主要包括身份验证、加密、防病毒软件、防火墙、访问控制、备份和恢复等方面的技术，旨在确保数据在传输、存储和处理期间的保密性、完整性和可用性。其作用包括：一是保护财务信息、个人信息、商业秘密等敏感信息，防止被泄露和滥用；二是提高数据完整性，确保数据不被更改或删除。在网络安全事件频发的形势下，数据安全技术越发成为信息安全的强有力保障。

2022年7月，瑞士苏黎世联邦理工大学(Swiss Federal Instituteof Technology Zurich,ETH)研究人员发现一种推测执行攻击方法，可对英特尔和AMD的微处理器产生影响。研究人员将这种推测执行攻击方法命名为Retbleed。这种攻击方法利用了现代处理器的一个特性，即当处理器遇到直接或间接指令时，会预测将要接收的下一条指令的地址，并在预测得到确认之前自动执行。推测执行攻击通过诱使处理器执行指令来访问内存中的敏感数据。针对相关漏洞，两家公司均发布了相关指南，帮助其客户防范类似攻击。

2022年7月，美国哥伦比亚大学研究人员展示了ARM机密计算架构(ARM Confidential Compute Architecture,ARM CCA)的关键验证技术，可以保护敏感的私人数据。ARMCCA是ARMv9-A架构的新功能，依靠固件来管理硬件以执行其安全保证措施，因此固件的正确性和安全性至关重要。过去，工程团队依赖软件测试技术来测试固件的安全性。哥伦比亚大学的最新研究是通过数学模型来证明软件和硬件的绝对正确性，以提供最高水平的安全保证。当下，ARM处理器已经部署在全球数十亿台设备上。随着ARMCCA越来越普遍地用于保护用户的私人数据，哥伦比亚大学研究人员展示的验证技术将显著改善数据保护和安全性。

2022年9月，美国麻省理工学院研究人员开发出新型的联邦机器学习算法FedLTN。联邦学习是一种分布式机器学习技术，可保护用户数据隐私。过去，联邦学习面临通信成本高、分布数据类型多和分布用户模型非个性化的问题，严重影响了模型的性能和部署。研究人员通过迭代修剪过程优化模型大小，并将修剪后的神经网络其余部分“倒回”其原始值的步骤来加速修剪，但在此过程中不会剪掉网络中捕获有关分布用户特定数据的重要信息层，以保证分布用户模型的个性化。实验表明，FedLTN将联邦学习模型的大小降低了近1个数量级，分布用户的通信成本降低了4到6倍，综合性能提高了约10%。