数据作为第五大生产要素，已成为数字经济发展的重要引擎，正在深刻影响着全社会生产生活的方方面面。隐私保护计算是在保障数据要素和隐私安全的同时实现高效计算的技术体系，在加速数据要素流通和释放数据要素价值等方面发挥着核心作用。本书旨在阐释隐私保护计算的基础知识和核心技术，为隐私保护计算相关应用的落地和数据价值的释放提供重要参考。
本书共分为3个部分：第一部分介绍隐私保护计算的基础知识，第二部分介绍联邦学习、同态加密、零知识证明、安全多方计算、可信执行环境、差分隐私、数据删除及智能合约等隐私保护计算的核心技术：第三部分介绍隐私保护计算的应用实践，包括应用指南（法律法规、标准体系和应用准则等）、产业发展及对未来的展望等。
本书适合隐私保护计算领域的研究人员、工程技术人员，以及金融科技、互联网和数字经济等领域的从业人员阅读，也可供计算机、人工智能等专业的研究生学习、参考。

刘吉强，北京交通大学教授、博士生导师、软件学院院长、智能交通数据安全与隐私保护技术北京市重点实验室常务副主任。主要从事可信计算、隐私保护、物联网安全等方面的研究工作，是国家重点研发计划项目负责人、教育部新世纪优秀人才（2011）、中国互联网发展基金会首届网络安全优秀教师（2016）、教育部网络空间安全专业教学指导委员会委员、IEEE高级会员。发表学术论文200余篇，获授权专利20余项。

序
前言
数学符号
第一部分 基础知识
第1章 绪论
1.1 信息繁荣与隐私危机
1.1.1 数字时代沧海桑田
1.1.2 隐私风险无处不在
1.2 隐私意识的觉醒
1.2.1 隐私的概念
1.2.2 隐私的权利
1.3 隐私保护的动机
1.4 延伸阅读
第2章 隐私保护计算的基础知识
2.1 隐私保护计算的相关概念
2.1.1 隐私设计与工程
2.1.2 隐私、安全与效用
2.2 隐私保护计算模型
2.2.1 角色定义
2.2.2 计算类型
2.2.3 隐私保证
2.3 隐私保护计算技术
2.3.1 历史沿革
2.3.2 技术概览
2.4 延伸阅读
第二部分 核心技术
第3章 联邦学习
3.1 联邦学习的基本思想
3.1.1 联邦学习的背景
3.1.2 联邦学习的工作流程
3.1.3 联邦学习的分类与特征
3.1.4 联邦学习的隐私保证
3.2 联邦学习算法
3.2.1 联邦平均
3.2.2 模型性能优化
3.2.3 通信效率优化
3.2.4 个性化
3.3 联邦分析算法
3.3.1 基于统计估计的联邦分析
3.3.2 基于数据变换的联邦分析
3.4 其他协作模式
3.4.1 分割学习
3.4.2 辅助学习
3.5 潜在威胁与解决方案
3.5.1 隐私推断攻击
3.5.2 对抗样本攻击
3.5.3 隐私增强的联邦学习
3.5.4 稳健的联邦学习
3.6 延伸阅读
第4章 同态加密
4.1 同态加密的基本思想
4.1.1 基本概念
4.1.2 同态特征
4.1.3 体系结构
4.2 同态加密的数学基石
4.2.1 整数理论
4.2.2 格理论
4.3 非全同态加密算法
4.3.1 RSA
4.3.2 Paillier算法
4.3.3 BGN算法
4.4 全同态加密算法
4.4.1 BFV
4.4.2 GSW
4.5 同态加密的应用实例
4.5.1 优势与局限性分析
4.5.2 数据库密文检索
4.5.3 机器学习的隐私保护
4.6 延伸阅读
第5章 零知识证明
第6章 安全多方计算
第7章 可信执行环境
第8章 差分隐私
第9章 数据删除
第10章 智能合约
第三部分 应用实践
第11章 隐私保护计算的应用指南
第12章 隐私保护计算产业的发展
第13章 隐私保护计算回顾与展望
参考文献