检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
根据企业用户的职能，设置不同的访问权限，以达到用户之间的权限隔离。 将TICS资源委托给更专业、高效的其他华为账号或者云服务，这些账号或者云服务可以根据权限进行代运维。 如果华为账号已经能满足您的要求，不需要创建独立的IAM用户，您可以跳过本章节，不影响您使用TICS服务的其它功能。
作业描述可按需填写。 勾选参与双方的数据集，同时单击右侧已选数据集的对齐列框选择需要求交集的字段信息。 对齐列只能选择非敏感的唯一标识。 选择求交算法。 选择椭圆曲线。 选择大数据量节点。 配置重试参数。开关开启后，执行失败的作业会根据配置定时进行重试，仅对开启后的执行作业生效。开关关闭后
场景描述 某企业A在进行新客户营销时的成本过高，想要通过引入外部数据的方式提高营销的效果，降低营销成本。 因此企业A希望与某大数据厂商B展开一项合作，基于双方共有的数据进行联邦建模，使用训练出的联邦模型对新数据进行联邦预测，筛选出高价值的潜在客户，再针对这些客户进行定向营销，达成提高营销效果、降低营销成本的业务诉求。
联合多方正样本的效果，丰富模型的特征，提高模型的泛化能力。 计算全程保障企业数据安全与个人隐私。 图2 金融联合营销 使能数据交易 传统数据交易方式，交易的是数据所有权，交易完成后，数据被无限制的复制。采用可信交易方式，交易的不是数据，而是数据的使用权，卖家卖的是对某个数据的用法用量，不用担心数据被复制。
可信联邦学习作业是可信智能计算服务提供的在保障用户数据安全的前提下，利用多方数据实现的联合建模。 安全可信。 多种训练场景。 方便与已有服务对接。 使用场景 横向联邦机器学习 横向联邦机器学习，适用于参与者的数据特征重叠较多，而样本ID重叠较少的情况，联合多个参与者的具有相同特征的多行样本进行可信联邦学习，联合建模。
发布数据集 企业B分别自己的csv数据文件上传到自己的计算节点上，通过“数据管理”模块创建各自的数据集，并单击“发布”。 企业B的数据集如下： 创建数据集后单击“发布”按钮即可将数据的元数据信息发布到tics空间侧，供其他合作方参考。 父主题： 外部数据共享
本案例以“预测乳腺癌是良性/恶性”的场景为例。假设一部分的乳腺癌患者数据存储在xx医院，另一部分数据存储在某个其他机构，不同机构数据所包含的特征相同。 这种情况下，xx医院想申请使用其他机构的乳腺癌患者数据进行乳腺癌预测模型建模会非常困难。因此可以通过华为TICS可信智能计算平台的横向联邦功能，实
文件管理是可信智能计算服务提供的一项管理联邦学习模型文件的功能。通过文件管理，参与方无需通过登录后台手动导入模型文件，而是直接将模型文件上传到数据目录进行管理。 使用文件管理功能后，创建联邦学习作业时用户可以便捷地选择自己以前上传的执行脚本、训练模型、数据文件、权重参数文件，极大地提高了系统的易用性及可维护性。
数据商业空间中公司B针对公司A的某些数据资产存在业务需求，由于安全性和数据主权的考虑，公司A与公司B基于TICS完成数据资产的交换。基于TICS进行数据资产交换，保证公司A的数据主权、公司B的数据可获得，同时保证交换过程安全可信。 以下是数据拥有方公司A和数据需求方公司B基于TICS平台的操作。 父主题：
管理任务 任务管理是可信智能计算服务提供的一项查看计算节点参与任务的功能。通过任务管理，用户可以查看到曾在该计算节点上执行过的所有作业，并查看自己这个计算节点在作业中的位置以及数据流向。 通过任务管理，用户可以查看自己的计算节点在空间中的作业参与度，并通过“计算过程”来确认数据是否合理、安全地被使用。
创建联邦预测作业 企业A单击“联邦预测 > 批量预测 > 创建”按钮，进入联邦预测作业的创建页面。企业A需要通过“算法类型”、“训练作业”等筛选条件可以找到用于预测的模型，点选使用的模型后单击“确定”按钮即完成联邦预测作业的创建。 父主题： 使用TICS联邦预测进行新数据离线预测
隐私规则防护 使用TICS的隐私规则防护能力确保数据安全。 前提条件 完成数据集发布。 操作步骤 进入多方安全计算的作业执行界面，单击创建。 图1 创建作业 在作业界面中，按照示例一和示例二提供的案例和SQL语句进行作业测试。 图2 作业界面 示例一： 假设有人输入以下代码试图直接查询敏感数据。
场景描述 某企业A在进行新客户营销时的成本过高，想要通过引入外部数据的方式提高营销的效果，降低营销成本。 因此企业A希望与某大数据厂商B展开一项合作，基于双方共有的数据进行联邦建模，使用训练出的联邦模型对新数据进行联邦预测，筛选出高价值的潜在客户，再针对这些客户进行定向营销，达成提高营销效果、降低营销成本的业务诉求。
场景描述 某企业A在进行新客户营销时的成本过高，想要通过引入外部数据的方式提高营销的效果，降低营销成本。 因此企业A希望与某大数据厂商B展开一项合作，基于双方共有的数据进行联邦建模，使用训练出的联邦模型对新数据进行联邦预测，筛选出高价值的潜在客户，再针对这些客户进行定向营销，达成提高营销效果、降低营销成本的业务诉求。
数据需求方公司B在自己的计算节点页面上可以查看数据目录，找到数据拥有方公司A创建并发布的数据。 图1 创建数据申请 对数据集单击“申请使用”，在弹窗中填写需要使用的字段和访问需求，保存后可以提交审批，由公司A审核。 访问需求包括： 访问截止时间：设置访问的时间限制，超过访问时间后，对方的访问权限
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，用于准确评估横向联邦学习得到的模型准确率。此外由于原始的数据集较小，采用了Imb
从上面两张表可以看出： （1）训练轮数对于联邦学习模型的性能影响不大，这主要是由于乳腺癌数据集的分类相对简单，且数据集经过了扩充导致的； （2）增大每个参与方本地模型训练的迭代次数，可以显著提升最终联邦学习模型的性能。 参与方数据量不同时，独立训练对比横向联邦训练的准确率 本节实验不再将训练集均匀划
保证目录下至少包含一个csv文件，且所有csv文件的特征数保持一致。此外，选择数据集的原始文件，需要指定csv文件的“分隔符”、“是否包含表头”。“是否包含表头”是指文件的第一行是否是每一个字段的名称。 数据结构：配置每个字段的类别标签，包括以下几种： “字段类型”：支持BOOL
样本对齐 单击右下角的下一步进入“样本对齐”页面，这一步是为了进行样本的碰撞，过滤出共有的数据交集，作为后续步骤的输入。企业A需要选择双方的样本对齐字段，并单击“对齐”按钮执行样本对齐。执行完成后会在下方展示对齐后的数据量及对齐结果路径。 父主题： 使用TICS可信联邦学习进行联邦建模
登录到计算节点对应的宿主机。 执行“docker ps -a”命令，查看NAMES为“k8s_db”开头容器的CONTAINER ID，该ID由数字和小写字母组成。 执行“docker exec -it {CONTAINER ID} bash”命令，登录到容器中，命令中的{CONTAINER
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
