摘要： SecretFlow 2.0发布，通过三层架构重构推动隐私计算规模化落地。安全编译范式将代码转为可审计的“安全执行图”，杜绝篡改风险；融合计算引擎统一支持AI与BI任务，安装包大幅精简；协同底座Kuscia 2.0实现跨机构高效调度。新架构已在金融、车联网等场景验证，支持多方数据安全协作。隐语开源社区同步公布开源计划，推动技术普惠化，目前生态已覆盖4万用户、100+企业及150+高校，致力

TrustFlow是一套用于数据授权管理的语法系统，提供简洁的方式描述数据使用行为的约束规则。其核心包含三个层级：constraint定义具体行为限制（如TEE平台、MRENCLAVE等元信息），rule由多个constraint组成并指定被授权方和可操作列，policy则整合rules并关联具体数据ID。系统支持多种操作符和约束条件，通过JSON格式实现细粒度的访问控制，例如限制特定算法参数或执

本文介绍了 Kuscia 中 Domain 的概念及操作指南。Domain 作为隐私计算节点，通过 K3s Namespace 实现资源隔离与管理。文章详细讲解了创建、更新和清理 Domain 的具体步骤，并提供了 YAML 配置示例。关键特性包括：通过 role 区分节点类型（partner/内部节点）、cert 字段管理节点证书、resourceQuota 控制资源配额。状态监控方面，stat

摘要：本文专访隐语社区核心贡献者居侯，一位专注于应用密码学的算法工程师。他分享了从2011年参与SPU开源项目到主导两方安全计算算子实现的技术历程，特别提到基于同态加密的矩阵乘法首次贡献经历。居侯强调了隐语框架通过MLIR+PPHLO中间层的技术优势，以及Python前端对降低MPC使用门槛的价值。他认为隐私计算技术将助力企业应对全球数据合规挑战，并期待隐语未来加强对PyTorch的兼容性。作为社

隐语”是开源的可信隐私计算框架，内置 MPC、TEE、同态等多种密态计算虚拟设备供灵活选择，提供丰富的联邦学习算法和差分隐私机制开源项目国际机器学习大会（International Conference on Machine Learning，简称 ICML）是机器学习领域最重要和最有影响力的学术会议之一，ICML 2024 于当地时间7月21日至7月27日正在奥地利维也纳召开。

前言：基于差分隐私随机梯度下降法 (DP-SGD) 是深度学习中最流行的 DP 训练方法，与传统的随机梯度下降算法（SGD）的主要不同点是：DP-SGD算法在每一轮迭代过程中都会进行梯度裁剪和添加高斯噪声。本篇内容将对深度学习下的DP-SGD进行分析总结，隐语在此方向也有相关探索，敬请期待后续开源进展。

隐私计算、密码学、机器学习、数据库

前言：隐语awesome-PETs（PETs即Privacy-Enhancing Technologies ，隐私增强技术）精选业内优秀论文，按技术类型进行整理分类，旨在为隐私计算领域的学习研究者提供一个高质量的学习交流社区。awesome-pets包含：安全多方计算(MPC)、零知识证明(ZPK)、联邦学习(FL)、差分隐私(DP)、可信执行环境(TEE)、隐私求交(PSI)等系列主题论文！继上

通过课题组研究发现，尽管安全多方学习机制底层的安全多方计算协议为计算过程提供了严格的安全性保障，经由安全多方学习训练得到的模型依然无法抵抗那些仅依赖模型访问的攻击手段，例如成员推理攻击。另一方面，尽管差分隐私技术能够帮助抵御成员推理攻击，其所要求的大量随机噪声会给模型带来较大的精度损失。（1）用于简化模型结构的数据无关特征提取方法，利用数据无关的特征提取器，如预训练模型、启发式规则等，预先提取数据

常用的HE、MPC等密态技术计算的函数逻辑与明文是一致的，因此其精度影响主要来自于定点数近似，即它们需要将高精度的浮点数映射到固定位数的定点数运算中（也存在一些可以完美模拟浮点计算单元的密态技术，但还处于研究阶段，实践中没有定点数应用广泛）。在联合建模场景中，MPC所能支持的数据规模则会大幅降低，在不同的安全假设条件下，性能存在较大差异，如经典金融风控场景中，如在较为宽松的诚实大多数条件下，约可实