在大数据和人工智能时代，如何在享受新技术带来的便利性的同时保护自己的隐私，是一个重要的问题。本书系统讲解了隐私计算的基础技术和实践案例，全书共有11章，按层次划分为三部分。第一部分全面系统地阐述隐私加密计算技术，包括秘密共享、同态加密、不经意传输和混淆电路。第二部分介绍隐私保护计算技术，包括差分隐私、可信执行环境和联邦学习。第三部分介绍基于隐私计算技术构建的隐私计算平台和实践案例，隐私计算平台主要包括面向联邦学习的FATE平台和加密数据库的CryptDB系统等五个平台，以及隐私计算平台的效率问题和常见的加速策略；实践案例部分主要介绍包括金融营销与风控、广告计费、广告推荐、数据查询、医疗、语音识别及政务等领域的应用案例。此外，本书还展望了隐私计算未来的研究和落地方向。在附录中介绍了当前最新的中国数据保护法律概况。本书可供计算机科学、隐私保护、大数据和人工智能相关专业的学生，以及对隐私计算有兴趣的相关从业者阅读，也适合从事隐私保护相关研究的研究人员、法律法规制定者和政府监管部门阅读。

推荐序
前言
数学符号
第1章 隐私计算介绍
1.1 隐私计算的定义与背景
1.1.1 隐私计算的定义与分类
1.1.2 隐私计算的发展历程
1.2 隐私计算的技术实现
1.3 隐私计算平台与案例
1.4 隐私计算的挑战
第2章 秘密共享
2.1 问题模型及定义
2.1.1 秘密共享问题模型
2.1.2 秘密共享定义
2.2 原理与实现
2.2.1 秘密共享方案的发展
2.2.2 经典秘密共享方案
2.2.3 秘密共享方案的同态特性
2.3 优缺点分析
2.4 应用场景
2.4.1 秘密共享在横向联邦学习中的应用
2.4.2 秘密共享在纵向联邦学习中的应用
2.4.3 秘密共享在安全多方计算中的应用
第3章 同态加密
3.1 问题模型及定义
3.2 原理与实现
3.2.1 群
3.2.2 环
3.2.3 格
3.2.4 部分同态加密
3.2.5 近似同态加密
3.2.6 全同态加密
3.2.7 层级同态加密
3.3 优缺点分析
3.3.1 同态加密的优点
3.3.2 同态加密的缺点
3.4 应用场景
3.4.1 密文检索
3.4.2 云机器学习服务
第4章 不经意传输
4.1 问题模型及定义
4.2 不经意传输的实现
4.2.1 基于公钥加密的不经意传输
4.2.2 不经意传输的扩展与优化
4.3 应用场景
第5章 混淆电路
5.1 问题模型及定义
5.2 混淆电路的实现与优化
5.2.1 使用不经意传输的简单实现
5.2.2 混淆电路计算与门电路
5.2.3 任意逻辑门和电路
5.2.4 主流的优化方案和代价分析
5.3 优缺点分析
5.4 应用场景
5.4.1 与其他安全多方计算协议混合使用
5.4.2 混淆电路实现一般的安全多方计算
第6章 差分隐私
6.1 问题模型及定义
6.1.1 随机回答的问题模型及定义
6.1.2 差分隐私的问题模型及定义
6.2 实现方法及性质
6.2.1 离散值域：随机回答
6.2.2 连续值域：拉普拉斯噪声法和高斯噪声法
6.2.3 差分隐私的性质
6.3 优缺点分析
6.4 应用场景
6.4.1 传统数据分析
6.4.2 机器学习
第7章 可信执行环境
7.1 可信执行环境简介
7.2 原理与实现
7.2.1 ARM TrustZone
7.2.2 Intel SGX
7.2.3 AMD SEV
7.2.4 AEGIS
7.2.5 TPM
7.3 优缺点分析
7.4 应用场景
7.4.1 移动终端
7.4.2 云计算
7.4.3 区块链
第8章 联邦学习
8.1 联邦学习的背景、定义与分类
8.1.1 联邦学习的背景
8.1.2 联邦学习的定义
8.1.3 联邦学习的分类
8.1.4 联邦学习的安全性
8.2 横向联邦学习
8.2.1 横向联邦学习架构、训练与推理
8.2.2 联邦平均算法
8.2.3 横向联邦学习的隐私安全性
8.3 纵向联邦学习
8.3.1 纵向联邦学习架构、训练与推理
8.3.2 纵向联邦线性回归
8.3.3 纵向联邦学习的隐私安全性
8.4 联邦迁移学习
8.4.1 迁移学习简介
8.4.2 联邦迁移学习算法训练和推理
8.4.3 联邦迁移学习的安全性
8.5 联邦学习的应用场景
8.5.1 自然语言处理
8.5.2 医疗
8.5.3 金融
8.6 联邦学习的未来展望
8.6.1 隐私与效率、性能的权衡
8.6.2 去中心化的联邦学习
第9章 隐私计算平台
9.1 隐私计算平台概述
9.2 FATE 安全计算平台
9.2.1 平台概述
9.2.2 FATE 中的隐私计算技术
9.2.3 平台工作流程
9.2.4 应用场景
9.3 CryptDB 加密数据库系统
9.3.1 系统概述
9.3.2 隐私计算技术在CryptDB 中的实现：基于SQL 感知的加密策略
9.3.3 基于密文的查询方法
9.3.4 应用场景
9.4 MesaTEE 安全计算平台Teaclave
9.4.1 飞桨深度学习平台与安全计算
9.4.2 PaddleFL 联邦学习框架
9.4.3 MesaTEE 平台概述
9.4.4 MesaTEE 底层可信执行环境
9.4.5 FaaS 服务
9.4.6 执行器MesaPy
9.4.7 应用场景——MesaTEE 与飞桨
9.5 Conclave 查询系统
9.5.1 系统概述
9.5.2 Conclave 隐私安全技术介绍
9.5.3 Conclave 查询编译
9.5.4 应用场景
9.6 PrivPy 隐私计算平台
9.6.1 PrivPy 平台概述
9.6.2 平台后端安全计算介绍
9.6.3 用户编程接口
9.6.4 应用场景
9.7 隐私计算平台效率问题和加速策略
9.7.1 隐私计算技术中的效率问题
9.7.2 异构加速隐私计算
9.7.3 网络优化解决数据传输问题
第10章 隐私计算案例解析
10.1 隐私计算在金融营销与风控中的应用
10.2 隐私计算在广告计费中的应用
10.3 隐私计算在广告推荐中的应用
10.4 隐私计算在数据查询中的应用
10.5 隐私计算在医疗领域的应用：基因研究
10.6 隐私计算在医疗领域的应用：医药研究
10.7