产品特性

剥离中间方规避合谋风险

业界现有联邦协议及算法部分涉及可信中间方,为了规避合谋风险,针对性改造主流联邦协议、剥离可信中间方,排除任何中间方包括云安全隐私计算平台本身,最大化保障合作双方数据安全。

多方联邦高效稳定

主流数据合作市场已不再满足于两两合作,多方联合建模场景诉求日益强烈,云安全隐私计算在稳定的两方联邦基础上进行定制化改造,目前已支持稳定的3方、4方联邦,充分发挥多方数据融合价值。

单向网络策略

对于银行、保险等金融机构监管严格的场景,云安全隐私计算针对性地实现了单向网络策略,在私有化部署的基础上金融机构可以访问到数据合作方,但数据方无法访问到金融机构,这样最大化保障金融机构环境安全。

产品控制台简单易用

从联邦节点注册、数据注册、项目创建、任务设置、安全求交、特征工程到算法调试等关键环节,不需要编写任何脚本,只需基于控制台简单操作即可完成,同时还可以方便地进行模型效果对比及参数调整,让联合建模成本降到最低。

性能优异可扩展

基于K8s提供整套平台服务,基于 Apache Pulsar 提供消息通信服务,保证数据量级与通信资源的效率,同时,基于 Spark 集群提供弹性的计算服务,性能优异且可弹性扩展。

轻松处理海量数据

基于腾讯云 Angel PowerFL 框架,可实现异步并发计算,轻松处理千亿级数据量。一个小时左右可以完成千万量级数据的 XGBoost 模型训练,十分钟左右可以完成千万量级数据的推理。

应用场景

  • 跨机构数据合作场景
  • 银行信贷场景
  • 广告 RTA 场景
  • 保险业务场景
  • 政务数据开放场景
  • 在线教育营销场景

在银行、保险、政务、教育、电商等众多行业的业务场景中,都会涉及到跨机构、跨部门的数据合作,但数据隐私泄露问题又是一个长期无法逾越的障碍。云隐私计算平台正好完美地解决了这个问题,只需在合作方之间传递加密中间参数即可完成联合建模,最大化保障了合作方之间的数据安全。

常见问题

云安全隐私计算是什么?

云安全隐私计算(Cloud Security Privacy Computing,CSPC)是腾讯云推出的以联邦学习(FL)、安全多方计算(MPC)、可信执行环境(TEE)等隐私数据保护技术为基础的隐私计算平台,产品针对机器学习算法进行定制化的隐私保护改造,保证原始数据不出本地即可完成联合建模,同时支持安全多方 PSI(隐私保护集合求交技术)、安全隐私查询、安全统计分析,提供基于硬件的 TEE 可信执行环境。通过腾讯云安全隐私计算,各合作机构既能保障数据安全,又能发挥数据最大价值,很好地解决了业界数据孤岛的难题。

什么是联邦机器学习?

联邦学习有哪些使用场景?

使用云安全隐私计算进行联合建模,合作双方需要对齐数据吗?

什么是安全多方计算(MPC)?

安全多方计算有哪些使用场景?

什么是可信执行环境(TEE)?

可信执行环境(TEE)适合哪些场景?

云安全隐私计算是怎么保障用户的数据安全的?

更多问题请查看 常见问题,也可在 问答社区 中进行提问 。

请填写应用需求进行申请。申请审核通过后将会有专人与您联系并详细沟通。