课程概要

案例背景:
近年来，数据安全与用户隐私引起了越来越多的关注，如果从技术角度出发，实现在共享数据释放数据价值的同时，保护数据安全和用户隐私？
在具体的系统设计上，隐私计算系统的高效实现离不开对于密码学、AI模型、数据科学等的深入理解。如何实现一个解耦的架构使得密码学、AI、数据科学领域的工程师都能参与其中？

解决思路:
本报告会结合开源项目 Rosetta 介绍将安全多方计算MPC等前沿密码学协议无缝融合到TensorFlow中实现易用、可扩展、高性能的隐私计算框架的实践。
AI 模型开发者仍可以在前端使用原生TF代码构建上层模型而无需了解密码学知识，安全协议开发者可以在后端实现基础的功能算子而无需了解AI知识。

成果：
目前 Rosetta 已经可以集成 MPC协议 SecureNN、Helix 和零知识证明协议 wolverine，而在上层则可以支持 LR、DNN、ResNet 等模型的训练和预测，性能优于国内外类似框架。
目前开源社区已经吸引了近千名爱好者。

听众收益

了解安全多方计算MPC技术的理论和应用发展历史；
了解如何对AI框架进行深度的前后端扩展以引入隐私计算技术；
学习在具体AI模型下对MPC算子进行定制改造提升通信效率的方法；