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
场景描述 现有企业A和企业B达成了一项数据共享合作协议，企业B允许企业A根据用户id查询企业B的数据，辅助企业A的实时分析业务。而企业A不想暴露给企业B自己查询的用户id，因为查询该用户的信息隐含着“该用户是企业A的客户”的信息，存在用户隐私泄露的风险。 企业A和企业B可以使用TICS
准备数据 企业A的实时业务不需要准备数据，在发起查询时通过参数传递需要查询的用户id。 表1 企业B用户画像数据 字段名称 字段类型 描述 id string hash过后的手机号字符串 f0-f4 float 用户数据画像特征 bigdata_all.csv id,f0,f1,f2
场景描述 有效的风险控制能够消灭或减少风险事件发生的各种可能性，或减少风险事件发生时造成的损失，对于企业具有重要意义。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
申请使用数据 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
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
基本计算能力验证 验证TICS的基础计算能力，以计算各企业在2021年的价值评分，用于评估信贷能力，其中的公式仅为简单的参考计算式。 操作步骤 执行如下的sql作业。 select c.id as `企业id`, 0.5 * a.tax_bal + 0.8 * b.supp_bal
查看求交结果 隐私求交作业执行完成后，企业A可以通过单击“历史作业 > 查看结果”看到隐私求交作业的运行结果，包括交集的大小和交集文件的路径。 打开obs到指定目录下查看，可以看到有两个结果文件，其中一个是交集记录的序号alignedIds.csv，另一个是交集记录的id alignedOriginalIds.csv
数据集发布 前提条件 完成数据准备工作。 操作步骤 进入TICS服务控制台。 在计算节点管理中，找到购买的计算节点，通过登录地址，进入计算节点控制台。 图1 前往计算节点 登录计算节点后，在下图所述位置新建连接器。 图2 新建连接器 输入正确的连接信息，建立数据源和计算节点之间的安全连接
发布数据集 企业A和企业B分别将自己的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”。 以企业A为例，数据集信息如下： 隐私求交场景需要将求交的字段设置为“非敏感”的唯一标识。 父主题： 隐私求交黑名单共享场景
创建实时隐匿查询作业 实时隐匿查询作业需要由数据查询方创建作业，企业A单击“作业管理 > 隐匿查询 > 实时隐匿查询”页面的创建按钮，填写相关信息，例如： 其中“不可区分度”即为实时隐匿查询的安全级别，不可区分度越高，则安全级别越高，但查询的速度会变慢，传输的数据量也会变大。 企业
使用TICS可信联邦学习进行联邦建模 场景描述 准备数据 发布数据集 创建可信联邦学习作业 选择数据 样本对齐 筛选特征 模型训练 模型评估 父主题： 纵向联邦建模场景
执行实时隐匿查询作业 企业A在发起实时隐匿查询前需要先执行数据初始化。 待实时预测作业初始化完成后，企业A可以通过页面单击“执行”试用发起查询。 例如查询id为“19581e27de7ced00ff1ce50b2047e7a567c76b1cbaebabe5ef03f7c3017bb5b7
场景描述 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
训练型横向联邦作业流程 联邦学习分为横向联邦及纵向联邦。相同行业间，特征一致，数据主体不同，采用横向联邦。不同行业间，数据主体一致，特征不同，采用纵向联邦。xx医院的应用场景为不同主体的相同特征建模，因此选用横向联邦。 创建训练型横向联邦学习作业。 图1 创建训练型横向联邦学习作业
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，
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
准备数据 首先，企业A和大数据厂商B需要商议确定要提供的数据范围及对应的元数据信息，双方初始决定使用最近三个月的已有用户转化数据作为联邦训练的训练集和评估集，之后使用每周产生的新数据作为联邦预测的预测集。 表1 企业A的数据 字段名称 字段类型 描述 id string hash过后的手机号字符串
数据准备 数据准备 以下数据和表结构是根据场景进行模拟的数据，并非真实数据。 以下数据需要提前存导入到MySQL\Hive\Oracle等用户所属数据源中，TICS本身不会持有这些数据，这些数据会通过用户购买的计算节点进行加密计算，保障数据安全。 政府信息提供方的数据tax和support
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
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
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
