- 综合排序
- 最热优先
- 最新优先
- 来自专栏喔家ArchiSelf
从隐私到隐私计算
对于个人电子产品而言，例如手机，平板电脑，便携式电脑等等，或多或少，都会涉及到隐私计算，那么什么是隐私计算呢？理解隐私计算，先要澄清“隐私”的概念，那么，什么是隐私呢？ 进而，明确隐私计算分别与隐私和计算之间的关系，即隐私计算是为了实现个人隐私保护而进行的计算还是在实现了隐私保护的前提下进行的计算？最后，才是隐私计算涉及的技术和方法。 1. 什么是隐私？ 一般地，隐私可以分为身体隐私、行为隐私、身份隐私、名誉隐私、肖像隐私、个人收入隐私和个人经历隐私。 理想情况下，对于强大的隐私保障，隐私损失应该很小。因此，为了减轻日益增长的隐私损失，可以强制执行由隐私预算表示的最大隐私损失。每个查询都可以被视为隐私，这会导致隐私损失的增加。 隐私计算 一般地， 对隐私计算有不同的理解。一种是隐私计算是隐私保护的一部分，为了实现隐私保护而采用的技术。另一种是对隐私保护的数据进行计算，侧重在隐私数据应用的层面。
1.6K30编辑于 2022-12-03 - 来自专栏韩曙亮的移动开发专栏
【Google Play】Android 应用隐私政策 ( 生成隐私政策 | HTML 隐私政策模板 | Markdown 隐私政策模板 )
文章目录 一、生成隐私政策 二、HTML 隐私政策模板 三、Markdown 隐私政策模板 一、生成隐私政策 ---- 推荐使用 https://toolbox.yolo.blue/#/privacy-policy 工具 , 生成 隐私政策 , 点击下一步 , 根据收集的信息 , 以及添加的第三方 SDK , 再次点击 下一步 , 生成隐私政策 : 二、HTML 隐私政策模板 ---- 可替换文本 : 开发者名称 本《隐私政策》与您所使用的 产品名称 服务息息相关，希望您仔细阅读，在需要时，按照本《隐私政策》的指引，作出您认为适当的选择。 本《隐私政策》与您所使用的 _产品名称_ 服务息息相关，希望您仔细阅读，在需要时，按照本《隐私政策》的指引，作出您认为适当的选择。 变更 我们可能适时修订本《隐私政策》的条款。当变更发生时，我们会在版本更新时向您提示新的《隐私政策》，并向您说明生效日期。
3.9K20编辑于 2023-03-30 - 来自专栏喔家ArchiSelf
隐私保护之隐私信息检索
【引子】用户的隐私保护涉及多个方面，用户行为的隐私保护更是一个难点。 那么，如何在用户进行信息检索时保护用户的隐私呢？这或许会涉及到一种名为隐私信息检索的技术。 什么是隐私信息检索？ 现代的隐私信息检索 现代的隐私信息检索方案不再基于多项式，其关键技术要素是一个具有限制交集的大集合族的设计。设 k 是一个小整数，它将 n 位消息编码成码字。 计算型隐私信息检索方案之所以具有吸引力，是因为它们避免了维护数据库的复制副本的需要，并且不会对用户隐私造成损害。 结论 近年来，隐私信息检索已经成长为一个庞大而深入的领域，并与其他领域相连。 【关联阅读】 隐私计算与区块链的融合思考 隐私计算中可信执行环境的一知半解 隐私计算之全同态加密 隐私计算中的联邦学习 从隐私到隐私计算 与代码无关的网络安全 放心用吧！
2.2K30编辑于 2023-09-02 - 来自专栏学习
处理开始匹配停止匹配请求(匹配算法，匹配器的实现)
处理开始匹配/停止匹配请求 实现 handleTestMessage 先从会话中拿到当前玩家的信息 解析客户端发来的请求 判定请求的类型 如果是 startMatch，则把用户加入到匹配队列 如果是 stopMatch，则把用户对象从匹配队列中删除 此处需要实现一个匹配器对象，来处理匹配的实际逻辑 @Override protected void handleTextMessage(WebSocketSession session, TextMessage message) throws Exception { // 实现处理开始匹配请求和处理停止匹配请求 User user = (User 只要队列里面的元素 (匹配的玩家) 凑成了一对，就把这对玩家取出来，放到一个游戏房间中 当前的匹配实现，比较粗糙，只是简单的搞了三个段位的队列 如果想要匹配的更加精确，就可以多搞几个队列 实现匹配器(1 ，突然连接关闭/断开了，相应的匹配就要停止了 停止匹配逻辑为：matcher.remove(user); 实现匹配器(2) 修改 game.Matcher，实现匹配逻辑 在 Matcher 的构造方法中
96600编辑于 2025-05-30 - 来自专栏用户2882913的专栏
隐私政策
APP隐私政策 本政策仅适用于高微的易店通软件 更新日期： 【2021】年【2】月【1】日 生效日期： 【2021】年【2】月【1】日 1. 4 ．易店通如何使用信息 易店通严格遵守法律法规的规定以及与用户的约定，按照本隐私政策与服务协议所述使用收集的信息，以向您提供更为优质的服务。 4 . 2 告知变动目的后征得同意的方式 易店通将会在本隐私政策与服务协议所涵盖的用途内使用收集的信息。 7 ．变更 易店通可能会适时对本隐私政策与服务协议进行修订。当隐私政策与服务协议的条款发生变更时易店通会在版本更新时以对话框提示等方式向您提示变更后的隐私政策与服务协议，并向您说明生效日期。 请您仔细阅读变更后的隐私政策与服务协议内容，您继续使用易店通表示您同意易店通按照更新后的隐私政策与服务协议处理您的个人信息。
1.6K00发布于 2021-09-08 - 来自专栏FreeBuf
个人隐私保护之隐私政策解析
隐私政策文件 《隐私政策》依据标准必须要单独的文件，也许在《隐私政策》之前APP已经编写有了《用户服务协议》或者《软件服务协议》等，其中部分内容是涉及隐私条款的，或者是重复的。 但隐私政策还是需要单独成文，部分内容可以使用相互引用的方式，也可以独立编写。 例如微信： ? 当前大多数APP已经有了隐私政策，但是如果隐私政策仅作为其他服务协议的附件是不符合规范要求的。 隐私政策的查阅位置 关于隐私政策必须易于查阅的要求在《指南》中有明确的限定，用户在进入APP后四次点击可以查阅到。比如点击我的——设置——关于——隐私政策就是刚好四次。 还可以“我的——隐私政策”；“我的——关于——隐私政策”。 2.3. 隐私政策的格式 要求隐私政策必须要清晰易于查阅。其实是规定不能字体不能过小，颜色不能太浅，一般使用黑色，字体可以参考宋体、雅黑等。 例如京东和滴滴隐私政策中通过单独的小节说明，可以明显看出系统功能类的隐私收集 ? ?
5.5K20发布于 2019-11-28 - 来自专栏酒楼
SpringBoot正匹配和负匹配
SpringBoot正匹配和负匹配 在Spring框架的自动配置中，”Positive matches”（正匹配）和”Negative matches”（负匹配）是用于条件化配置的概念。 Positive matches（正匹配）指的是满足条件的情况。当某个条件（使用@ConditionalOn...注解）得到满足时，相应的自动配置将会生效。 Negative matches（负匹配）指的是不满足条件的情况。当某个条件不满足时，相应的自动配置将不会生效。 这些正负匹配的机制用于根据项目的实际情况自动启用或禁用某些配置，以满足特定的需求。 通过正负匹配的机制，Spring Boot可以智能地自动配置应用程序的各个部分，根据项目的依赖和配置情况来进行灵活的自动装配，提供了方便的开发体验和可扩展性。
1.6K20编辑于 2023-06-20 - 来自专栏sktj
python 贪婪匹配 非贪婪匹配
贪婪匹配 str_pat = re.compile(r'"(.*)"') text1 = 'Computer says "no."' 非贪婪匹配 str_pat = re.compile(r'"(.*?)"') str_pat.findall(text2) ['no.', 'yes.']
2.6K20发布于 2019-09-25 - 来自专栏Sign
AR与隐私
因为和现实链接不强，因此也不会让人觉得自己的隐私可能受到威胁。或者说，其实人们还没意识到，这些看起来属于『现实信息』的东西算不算隐私。 很多时候，我们都忽略了网络上的隐私。比如注册帐号时各种用户使用协议以及各种各样的规范。没人会去看的吧，毕竟不同意就没法继续了。 万一你打开AR的时候，正在做一些不可描述的事，而AR正好拉取了这个信息…… 关于隐私，最后扯几个事。 另外，隐私有多大作用？ 智能机诞生初始，黑莓，安卓和iphone之间无法互通短信，那时候，出现了一个软件，kik。 这些『隐私』居然可以直接拉取，在现在看来简直不可思议，然而混沌时期就是这样。 现在，AR也处于这个时期。 ?
1.6K120发布于 2018-04-18 - 来自专栏大数据-BigData
隐私计算介绍
什么是隐私计算 从20世纪70年代一直到近年，隐私计算交叉融合了密码学、人工智能、计算机硬件等众多学科，逐渐形成以多方安全计算、联邦学习、可信执行环境为代表，混淆电路、秘密分享、不经意传输等作为底层密码学技术 隐私计算分类 从技术角度出发，隐私计算是涵盖众多学科的交叉融合技术，目前主流的隐私计算技术主要分为三大方向：第一类是以多方安全计算为代表的基于密码学的隐私计算技术；第二类是以联邦学习为代表的人工智能与隐私保护技术融合衍生的技术 ；第三类是以可信执行环境为代表的基于可信硬件的隐私计算技术。 从算法构造来说，常应用同态加密、差分隐私技术以及包括基于秘密分享、不经意传输、混淆电路等密码学原理的各类多方安全计算协议和其它用于保证隐私计算的密码学技术来提升安全性。 另外，与纯软件的密码学隐私保护方案相比，TEE 不会对隐私区域内的算法逻辑语言有可计算性方面的限制，支持更多的算子及复杂算法，上层业务表达性更强。
3.7K21编辑于 2022-01-19 隐私硬币概述
image.png 什么是隐私硬币？ 隐私硬币是像比特币这样的加密货币的演变。比特币交易是匿名的，因为每个钱包的所有者都是未知的，但每笔交易都是在公共账本上公开广播和可见的。 与比特币一样，大多数隐私硬币都使用公共分类帐进行交易，但是使用各种方法来掩盖交易的发送者和接收者。 主要的隐私硬币对这个问题实施了不同的解决方案（这将在本文中进行描述），但主要的问题是给定交易的发送者和接收者之间的链接被遮蔽，这阻碍了跟踪钱包地址的活动。 为什么要使用隐私硬币？ 为什么需要隐私硬币？ 隐私币旨在解决这些问题，并以分散和可扩展的方式授予交易匿名性。 本指南旨在概述以市值计算的三种最受欢迎的隐私硬币（Monero，Dash和ZCash）以及他们如何尝试确保隐私。 image.png 比较 image.png 结论 看到隐私硬币如何继续发展并实施针对交易隐私问题的新解决方案将令人兴奋。
2.1K50发布于 2018-03-16- 来自专栏Rindew的iOS技术分享
tvquan隐私政策
tvquan尊重和保护利用用户的隐私所有的服务。为了向您提供更准确，更人性化的服务，将tvquan使用和披露按照本隐私政策您的个人信息。 但是tvquan将是一个高度的勤勉，审慎义务对待这些信息。 除本隐私政策另有规定外，未经您的许可之前，tvquan信息将不会被披露或向第三方提供。 tvquan更新本隐私政策不时。当您同意tvquan服务协议，您将被视为已同意本隐私政策的全部内容。 本隐私政策属于服务协议tvquan不可分割的一部分。
1.1K30发布于 2019-03-15 - 来自专栏AI科技大本营的专栏
隐私数据在隐私AI框架中的安全流动
作者 | Rosetta技术团队 责编 | 晋兆雨 出品 | AI科技大本营 本文中，我们将介绍为了保护用户的隐私数据，在隐私 AI 框架的计算任务全流程中，数据是如何以密文形式流动，同时仍正确完成加法 隐私 AI 系统存在的目的就是赋能 AI，使得各种 AI场景下对用户隐私数据的使用都是安全的。 他们很重视安全性，所以他们想通过一个简单的例子 —— 乘法（multiply），来验证下隐私 AI 框架是否真正做到了隐私安全。 隐私数据的输入 隐私计算问题，首先要解决的是隐私数据的输入。 Rosetta 将持续集成安全可靠的密码学算法协议作为“隐私计算引擎”到框架后端中，也欢迎广大开发者参与到隐私AI 的生态建设中来。
2.8K50发布于 2020-11-06 - 来自专栏VoiceVista语音智能
语音隐私问题
研究显示，在全球范围内，45%的智能音箱用户 担心语音数据隐私，42%的用户担心语音数据被黑客攻击。在另一项调查中，59%的受访者 表示，在使用语音控制设备时，隐私是一个重要因素。 本文探讨了消费者和企业对语音隐私的关注，以及保持语音数据隐私和安全的解决方案。 使用语音技术的风险 消费者和企业通过语音助手、语音转文字设备以及视频和音频会议平台分享大量的信息。 消费者声音的隐私问题 通过语音识别产生的语音相关信息是可以识别人类的生物识别数据。根据各种隐私和安全法律，这种生物识别信息属于个人信息。 生物识别数据在本地存储时，可能不会对用户隐私构成风险。 解决语音隐私问题 虽然云计算提供了许多好处，但实施安全和其他措施对保持用户数据的隐私和安全至关重要。 公司应该使用多因素认证，而不是仅仅依靠语音来避免语音欺骗。 另一种生物识别可以作为身份验证的备份。 遵循语音隐私联盟的指导方针也可以帮助企业保护语音数据。 例如，VPA建议公司明确说明语音数据收集的目的，并允许选择不分享此类信息。该小组还建议指派人员监督数据隐私的收集和监测。
1.6K20编辑于 2022-09-02 - 来自专栏Soul Joy Hub
《搜索和推荐中的深度匹配》——经典匹配模型 2.1 匹配学习
经典匹配模型 已经提出了使用传统的机器学习技术进行搜索中的查询文档匹配和推荐中的用户项目匹配的方法。这些方法可以在一个更通用的框架内形式化，我们称之为“学习匹配”。 本节首先给出学习匹配的正式定义。然后，它介绍了传统学习以匹配为搜索和推荐而开发的方法。最后，它提供了该方向的进一步阅读。 2.1 匹配学习 2.1.1 匹配函数 匹配问题的学习可以定义如下。 2.1.2 匹配学习函数 可以采用监督学习来学习匹配函数f的参数，如图2.1所示。 监督学习的匹配通常包括两个阶段：离线学习和在线匹配。 假设存在一对真正匹配度为r的对象 （x，y）。此外，假设由匹配模型给出的 （x，y）的预测匹配度是 f（x，y）。 逐项损失函数定义为表示真实匹配度和预测匹配度之间差异的度量，表示为 llist（r^，r）。r^中的预测匹配度与r中的真实匹配度越高，则损失函数的值越低。
5.3K20发布于 2021-09-10 - 来自专栏图像处理与模式识别研究所
形状匹配
相同图像的matchShape= 0.0 相似图像的matchShape= 0.19863853606386983 不相似图像的matchShape= 0.11567279132076783 算法：形状匹配是通过
1.8K10编辑于 2022-05-28 - 来自专栏阿伟的个人博客
通配符匹配
和 ‘*’ 的通配符匹配。 '?' 可以匹配任何单个字符。 '*' 可以匹配任意字符串（包括空字符串）。 两个字符串完全匹配才算匹配成功。 可以匹配 'c', 但第二个 'a' 无法匹配 'b'。 示例 4: 输入: s = "adceb" p = "*a*b" 输出: true 解释: 第一个 '*' 可以匹配空字符串, 第二个 '*' 可以匹配字符串 "dce". ‘*’这些，又不等于s[i]，s从i开始p从j开始无论如何也匹配不上； 剩下就只有p[j] 为 ’*‘这种可能了，依次让p[j] 匹配0个，1个，2个….k个，fun(i, j)的求解就可以转化为求解一系列的 递归的出口： 当p已经没了，但是s还有，该情况无论如何也匹配不上了，返回false； 当p和s都没了 返回true； 当s没了p还有，该情况下只有p的后续全为’*’才能匹配上。
3K40发布于 2020-08-05 - 来自专栏图像处理与模式识别研究所
视差匹配
plane_sweep_ncc(im_l,im_r,start,steps,wid) imageio.imwrite('C:/Users/xpp/Desktop/result.png',res) 算法：视差匹配是以图像对中任一幅图像为基准 ，其大小为该基准图像的大小，元素值为视差值的图像进行匹配。 从立体图像对中提取包含了场景的距离信息的视差图进行匹配，一直是双目视觉研究中最为活跃的领域。
1.3K50编辑于 2022-05-29 - 来自专栏SpringBoot教程
Kibana查询语言（KQL）AND、OR匹配，模糊匹配
使用索引匹配查询 在Kibana中进行查询的时候，建议使用指定索引查询，这样的效率更高，而不建议使用全局查找的方式。 如果要查询1200或者2001，这种模糊匹配的，可以使用通配符，比如 response:*200 或者 response:200* 实例2 message:"hello world yes" 上面这个表达式 在搜索的时候不会区分大小写，也就是说，Hello world YES也是会被搜索出来的； 需要注意，上面的"hello world yes"使用了引号，这样的话，这3个单词会被作为一个词进行查询，不会再进行分词，也就是说匹配的时候只会匹配 hello world yes这样的顺序匹配，而不会匹配出helllo yes world； 实例3 message:hello world 上面这个表达式，针对message字段进行搜索，搜索message 五.总结 KQL还是比较简单地，主要记住KQL匹配时是不区分大小写的，可以使用括号改变匹配优先级； 另外一个要点就是，匹配是 包含，某个字段“包含”某个词，而不是某个字段的值为某个词。
15.1K23编辑于 2023-02-16 - 来自专栏乐行僧的博客
字符串匹配算法 -- 朴素匹配
何为匹配? 就是在一个串中寻找是否和有何目标串相同的真字串。 为什么叫做朴素匹配，我理解的就是这是一种寻常想法，简单粗暴的算法。是一种暴力的算法，不考虑其时间复杂度以及效率。只要达到匹配的目的即可。 = NULL); int i = pos;//从主串的第pos个位置开始匹配 int j = 0;//目标串 int lens = strlen(s); int lensub 目标串回退到下标为0 } } if(j >= lensub) { return i-j; } return -1;//返回`-1`以示未匹配到 } 测似： int main() { char* s = "abcdabad"; char* sub = "aba";//可以看出，在主串的第四个位置可以匹配到 下标从0开始
3.2K20编辑于 2022-02-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号