-
变量&规则开发指导 - 可信智能计算服务 TICS
变量&规则开发指导 前言 简介 注释规范 排版规范 SQL语法 存储过程语法 系统视图 数据安全 数据库空间规划 数据库备份恢复 性能优化 设计规范 注意事项 父主题: 变量&规则配置
-
数据操作语句SELECT - 可信智能计算服务 TICS
为SELECT声明一个或者多个源表,它包括下列元素: table_name:一个现在的表或视图的名字(可以有模式修饰)。 alias:为那些包含别名的FROM项目取的别名。别名用于缩写或者在自连接中消除歧义(自连接中同一个表将扫描多次)。如果提供了别名,它就会完全隐藏表或者函数的实际名字。 sub-select:可以
-
准备数据 - 可信智能计算服务 TICS
准备数据 A方提供了待查询的用户ID数据,样例如下: blacklist_query.csv id 1914fd1aef9346e7a1b0a63c95aa918e 6b86b273ff34fce19d6b804eff5a3f57 66985617b4f74d14b4eceeaa25d61f5e
-
简介 - 可信智能计算服务 TICS
简介 目前业界的关系型数据库都参照ANSI/ISO国际SQL标准基础,本文也不例外,参考标准SQL,是标准SQL的子集。 本规范以提高可读性和代码质量为原则,强调实用性、可操作性,对RTD产品的数据库的开发、设计、SQL进行约束。 本规范采用以下的术语描述: 规则:编程时强制必须遵守的原则。
-
查询空间已注册数据集列表 - 可信智能计算服务 TICS
String 数据类型,DWS.DWS类型数据集,LOCAL_CSV.本地文件类型数集据,MRS.HIVE类型数据集,MYSQL.MySql类型数据集,ORACLE.Oracle类型数据集,RDS.RDS类型数据集 枚举值: DWS LOCAL_CSV MRS MYSQL ORACLE
-
阶段五:基于MPC算法的高安全级别计算 - 可信智能计算服务 TICS
阶段五:基于MPC算法的高安全级别计算 完成demo验证阶段,为提升数据保护级别,接入以纯密文的状态做计算的更高安全级别的数据,可以通过开启高隐私级别开关,提升空间安全级别。 图1 高隐私级别开关 再次单击作业,审批进行的同时敏感数据被进行了秘密分享加密。DAG图显示了“psi + 秘密分享”的全过程流向,基
-
基于MPC算法的高安全级别计算 - 可信智能计算服务 TICS
基于MPC算法的高安全级别计算 完成demo验证阶段,为提升数据保护级别,接入以纯密文的状态做计算的更高安全级别的数据,可以通过开启高隐私级别开关,提升空间安全级别。 图1 高隐私级别开关 再次单击作业,审批进行的同时敏感数据被进行了同态加密。DAG图显示了“psi + 同态”的全过程流向,基本符合
-
业务运营 - 可信智能计算服务 TICS
业务运营 概览 基础配置 变量&规则配置 添加决策引擎 数据库工具 模板管理 父主题: 智能风控服务RTD
-
基本概念 - 可信智能计算服务 TICS
计算节点是管理参与方数据的最小单位。部署计算节点时需要指定空间配置信息。在计算节点中支持配置连接器,注册数据集,任务执行,查看任务执行日志。 连接器(Connector) 连接器是可信智能计算节点内置的连接特定数据源所需的对象模板,目前支持连接MRS Hive、MySQL、RDS、DWS、
-
场景描述 - 可信智能计算服务 TICS
现阶段,企业级的单方风控体系已逐步建立,在机构内数据统一共享的基础上实现了覆盖业务前、中、后各环节的智能风控。然而,单方数据风控面临存在数据不全面、风控不及时的问题。随着隐私计算等技术为数据要素的有效流通提供了必要手段,多方数据联合风控成为新趋势。其中,黑名单共享查询是风控中的
-
产品概述 - 可信智能计算服务 TICS
邀请云租户作为数据提供方,动态构建可信计算空间,实现空间内严格可控的数据使用和监管。 数据融合分析 支持对接多个数据参与方的主流数据存储系统,为数据消费者实现多方数据的SQL Join等融合分析, 各方的敏感数据在具有安全支撑的聚合计算节点中实现安全统计。 计算节点 数据参与方使用数
-
数据准备 - 可信智能计算服务 TICS
数据准备 乳腺癌数据集从UCI获取,该数据集只包含连续类型特征,因此对所有特征使用Scikit-Learn的StandardScaler进行了归一化。为了模拟横向联邦学习场景,将数据集随机划分为三个大小类似的部分:(1)xx医院的训练集;(2)其他机构的训练集;(3)独立的测试集
-
应用场景 - 可信智能计算服务 TICS
图1-1 政府数据融合共治 金融联合营销 传统金融企业联合营销模式中,金融企业往往需要将双方的数据集中到一个安全实验室中进行标签融合,模型训练,但常面临数据泄露和隐私等挑战。联邦建模采用分布式架构进行部署和建模,参与联合营销的企业原始和明细数据不出库的前提下进行跨域数据建模,实现精准营销,同时保障企业数据安全与个人隐私。
-
产品优势 - 可信智能计算服务 TICS
无环图DAG实现多个参与方数据流的自动化编排和融合计算。 自主高效 数据使用全流程可视化展示,为数据参与方提供可感知、可监测的数据使用过程; 支持数据参与方、计算方的多种部署模式,包括云上(同Region、跨Region)、边缘节点、HCSO的部署模式; 采用容器化资源/部署管理
-
数据集列表 - 可信智能计算服务 TICS
是否必选 参数类型 描述 dataset_type 是 String 数据集类型,按照传入枚举类型,返回所属作业类型的数据集。例如:传入MYSQL,返回分析作业可用的数据集;传入LOCAL_CSV,返回学习作业可用数据集 agent_id 否 String 可信计算节点id,最大32位,由字母和数字组成
-
TICS权限管理 - 可信智能计算服务 TICS
足企业对权限最小化的安全管控要求。例如:针对TICS服务,管理员能够控制IAM用户仅查看TICS服务,无法进行相关操作。 如表1所示,包括了TICS的所有系统权限。 表1 TICS系统策略 策略名称 描述 策略类别 TICS FullAccess TICS管理员权限,拥有该权限的
-
为什么我的计算结果每次计算时结果都不一样? - 可信智能计算服务 TICS
为什么我的计算结果每次计算时结果都不一样? 当空间开启了“结果差分隐私”开关时, 对敏感数据字段的sum操作都会添加一个差分噪声,来保护单条敏感数据不被泄露。 如果需要更精确的结果, 可联系空间管理员关闭“结果差分隐私”开关, 或者联系敏感字段的合作方修改字段分类。
-
最新动态 - 可信智能计算服务 TICS
同态加密确保双方数据交互安全,通过批处理技术进一步提升联邦训练性能。 公测 创建纵向联邦学习作业 2 样本对齐支持PSI算法 纵向联邦作业中支持对两方数据集进行样本对齐,在不泄露数据隐私的情况下计算出双方共有的数据,并将共有的数据作为后续特征选择、模型训练的数据集。 公测 创建纵向联邦学习作业
-
TICS使用简介 - 可信智能计算服务 TICS
Computing Service )打破数据孤岛,在数据隐私保护的前提下,实现行业内部、各行业间的多方数据联合分析和联邦计算。TICS基于安全多方计算MPC、区块链等技术,实现了数据在存储、流通、计算过程中端到端的安全和可审计,推动了跨行业的可信数据融合和协同。 使用TICS的用户角色
-
TICS使用流程简介 - 可信智能计算服务 TICS
Computing Service )打破数据孤岛,在数据隐私保护的前提下,实现行业内部、各行业间的多方数据联合分析和联邦计算。TICS基于安全多方计算MPC、区块链等技术,实现了数据在存储、流通、计算过程中端到端的安全和可审计,推动了跨行业的可信数据融合和协同。 使用TICS的用户角色