TrustFlow是一种基于可信执行环境 (TEE) 的零信任计算系统。TrustFlow 的名称来源于可信执行环境 (TEE) 和秘密流 (Secret Flow) 的融合。TrustFlow 利用可信执行环境技术，构建安全隔离的环境，从而保护敏感数据。TrustFlow 注重数据的机密性、完整性和可用性，提供强大的数据存储和处理能力。TrustFlow 通过采用加密技术和利用受控受限环境，确保

摘要：隐语SML 0.1.0版本正式发布，这是一个专注于隐私保护的Python机器学习库，旨在构建安全版scikit-learn。该版本支持数十种核心算法，涵盖监督学习、无监督学习、数据预处理和模型评估等主要领域，所有算法均针对MPC场景优化。SML现可从PyPI安装，支持金融、医疗等对数据隐私要求高的场景。项目团队邀请开发者共同建设隐私计算时代的机器学习生态，未来将持续完善算法覆盖、API设计和

联邦学习将传统机器学习中的数据聚合转换成模型聚合，即client和server在联邦训练过程中需要进行模型传输或梯度传输。随着任务复杂性和对模型性能要求的逐渐提升，神经网络的层数呈逐渐加深的趋势，模型参数也相应的越来越多。

摘要：隐语SML 0.1.0版本正式发布，这是一个专注于隐私保护的Python机器学习库，旨在构建安全版scikit-learn。该版本支持数十种核心算法，涵盖监督学习、无监督学习、数据预处理和模型评估等主要领域，所有算法均针对MPC场景优化。SML现可从PyPI安装，支持金融、医疗等对数据隐私要求高的场景。项目团队邀请开发者共同建设隐私计算时代的机器学习生态，未来将持续完善算法覆盖、API设计和

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。

摘要： 本文采访了隐语社区贡献者陈天增，分享他在SCQL功能优化中的实践经验。作为研发工程师，他通过优化大数据任务执行、扩展CCL语言等推动SCQL在金融场景落地。他认为隐语的开源特性建立了机构间数据流通的信任基础，特别赞赏SCQL"SQL语法+安全计算"的易用性。对于新手，他建议"从实际需求切入开源"，并展望隐语未来在大模型安全领域的潜力。最后，他感谢社区

本次一周年 Meetup ，由隐语开源社区发起，在上海市科学技术协会的指导下，联合上海金融科技产业联盟、上海开源信息技术协会共同主办，获得了中国信通院云计算与大数据研究所、隐私计算联盟的广泛支持。现特邀广大关注数据要素和隐私计算的兴趣人士、用户、开发者 7 月 22 日在上海相聚。🎉在一周年 Meetup 上，不仅会对隐语 1.0 版本进行详解，还有新鲜出炉的隐语 MVP 部署体验包，让你秒变高

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