推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

面向AI存储系统的数据安全与隐私计算技术.docx

资料介绍

面向AI存储系统的数据安全与隐私计算技术

——从联邦学习到安全多方计算的AI数据隐私保护

引言

AI训练和推理中,数据安全和隐私保护是重要的合规要求。联邦学习通过在多个数据源之间训练模型,无需共享原始数据,保护数据隐私。安全多方计算通过在多个计算节点之间执行计算,无需共享原始数据,保护数据安全。在AI存储系统中,数据安全与隐私计算技术需要在存储和计算之间建立安全的数据流通机制。本文系统分析面向AI存储系统的数据安全与隐私计算技术。

数据安全威胁

训练数据威胁

AI训练数据面临的安全威胁:

1. 数据泄露:训练数据在存储和传输过程中可能被窃取,导致数据泄露。

2. 数据污染:训练数据可能被恶意篡改,导致模型训练结果被污染。

3. 数据滥用:训练数据可能被滥用于未经授权的目的,导致数据滥用。

模型数据威胁

AI模型数据面临的安全威胁:

1. 模型窃取:模型参数在存储和传输过程中可能被窃取,导致模型知识产权损失。

2. 模型逆向:通过模型推理结果,逆向推断训练数据,导致训练数据泄露。

3. 模型篡改:模型参数可能被恶意篡改,导致模型推理结果错误。


部分文件列表

文件名 大小
面向AI存储系统的数据安全与隐私计算技术.docx 38K

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载