第一篇 体系篇
第1章 数据要素安全概述 2
1.1 数据要素的发展历程 2
1.1.1 数据1.0时代 2
1.1.2 数据要素时代到来 4
1.1.3 数据与数据要素的关系 5
1.1.4 数据要素的发展 7
1.2 数据安全概述 11
1.2.1 数据1.0时代的数据安全 11
1.2.2 数据要素安全 12
1.2.3 数据安全与数据要素安全 14
1.2.4 数据要素安全与个人隐私 15
1.3 本章小结 17
第2章 数据安全标准体系、合规现状与安全事件 18
2.1 数据安全标准体系 18
2.1.1 国际数据安全标准体系 18
2.1.2 国内数据安全标准体系 20
2.2 全球数据安全立法现状 22
2.2.1 国外典型数据安全法律法规 22
2.2.2 中国数据安全法律法规 23
2.3 典型的数据安全监管要点分析 34
2.3.1 法规保护的数据和个人信息对象 34
2.3.2 隐私法律赋予用户各项数据权利 35
2.3.3 企业应履行的数据安全保护义务 37
2.3.4 企业违反法律条款的相关处罚 37
2.4 典型数据安全事件与执法情况 38
2.4.1 全球数据安全事件态势 38
2.4.2 数据安全事件梳理 40
2.4.3 数据合规的监管执法情况 41
2.5 本章小结 42
第3章 数据要素安全体系 43
3.1 数据流通的生命周期 44
3.1.1 数据生命周期 44
3.1.2 数据的流通方式 45
3.1.3 数据跨域流通 47
3.2 数据流通所面临的安全挑战 47
3.2.1 政策挑战 48
3.2.2 技术挑战 48
3.3 数据安全治理 50
3.3.1 数据治理与数据安全治理 50
3.3.2 现代企业数据安全治理框架 52
3.4 数据确权 54
3.4.1 数据三权分置框架 54
3.4.2 数据权利主张 55
3.4.3 可信数据活动 56
3.5 数据要素安全流通 59
3.5.1 数据要素流通现状 59
3.5.2 数据要素安全流通框架 61
3.5.3 数据要素流通场景与新技术 65
3.6 本章小结 67
第二篇 技术洞察篇
第4章 “数据安全自用”场景的技术洞察 70
4.1 场景需求分析 70
4.1.1 静止态数据 70
4.1.2 传输态数据 71
4.1.3 运行态数据 72
4.1.4 小结 72
4.2 摸清家底：敏感数据识别与分类分级 73
4.2.1 数据分类分级的目标 73
4.2.2 数据分类分级技术 74
4.2.3 小结 76
4.3 重塑身份与访问机制：零信任安全架构 77
4.3.1 零信任的理念 77
4.3.2 身份管理与访问控制 79
4.3.3 软件定义边界 83
4.3.4 微隔离 89
4.3.5 开源项目介绍：Guacamole 91
4.3.6 小结 94
4.4 监测针对数据的内部威胁：用户和实体行为分析 95
4.4.1 用户和实体行为分析概述 95
4.4.2 UEBA架构与核心技术 95
4.4.3 UEBA在数据安全领域的应用 96
4.4.4 小结 96
4.5 数据安全防护的基石：新型加密技术 97
4.5.1 更安全的加密算法 98
4.5.2 更高效的加密算法 101
4.5.3 更具功能性的加密算法 103
4.5.4 开源项目介绍：Acra 106
4.5.5 小结 109
4.6 本章小结 110
第5章 “数据可信确权”场景的技术洞察 111
5.1 场景需求分析 111
5.2 帮助各方建立权益共识：区块链 112
5.2.1 区块链概述 112
5.2.2 区块链中的区块与节点 112
5.2.3 区块链的类型 113
5.2.4 基于区块链的新型数字资产：NFT 114
5.2.5 开源项目介绍：Hyperledger Fabric 115
5.3 建立全局可信的唯一身份：去中心化身份 118
5.3.1 去中心化身份概述 118
5.3.2 可验证的数字凭证系统 119
5.3.3 去中心化身份在数据要素确权中的应用 121
5.3.4 开源项目介绍：DIDKit 122
5.3.5 小结 123
5.4 追溯与明确数据的权属：数字水印 123
5.4.1 数字水印概述 124
5.4.2 数字水印的分类与性质 124
5.4.3 主流数字水印技术 125
5.4.4 小结 127
5.5 本章小结 127
第6章 “数据可控流通”场景的技术洞察 128
6.1 场景需求分析 128
6.2 降低敏感数据风险：数据脱敏与风险评估 129
6.2.1 数据脱敏概述 129
6.2.2 假名化、去标识化与匿名化技术 130
6.2.3 数据脱敏风险及效果评估 133
6.2.4 开源项目介绍：Presidio 134
6.2.5 小结 136
6.3 精确平衡隐私与价值：差分隐私 136
6.3.1 差分隐私概述 137
6.3.2 典型的差分隐私算法 138
6.3.3 差分隐私变体 141
6.3.4 开源项目介绍：OpenDP 141
6.3.5 小结 147
6.4 模仿真实世界的数据：合成数据 147
6.4.1 合成数据概述 147
6.4.2 创建合成数据的常用技术 148
6.4.3 合成数据的优势 149
6.4.4 合成数据的典型应用场景 149
6.4.5 开源项目介绍：Synthetic Data Vault 150
6.4.6 小结 152
6.5 防护数据流通的应用：API 安全 152
6.5.1 API安全概述 153
6.5.2 API安全防护的主要技术手段 154
6.5.3 API安全在数据要素安全中的应用 155
6.5.4 小结 156
6.6 本章小结 156
第7章 “协同安全计算”场景的技术洞察 157
7.1 场景需求分析 157
7.2 在密文域中计算：同态加密 158
7.2.1 同态加密概述 158
7.2.2 同态加密的关键技术 159
7.2.3 开源项目介绍 161
7.2.4 小结 167
7.3 确保敏感数据不出域的联合建模：联邦学习 168
7.3.1 联邦学习概述 168
7.3.2 联邦学习的分类 168
7.3.3 联邦学习中的安全风险 170
7.3.4 开源项目介绍：FATE 173
7.3.5 小结 179
7.4 从百万富翁问题到通用计算：安全多方计算 179
7.4.1 安全多方计算概述 180
7.4.2 核心原语与典型应用 181
7.4.3 向实用迈进的MPC框架 186
7.4.4 典型应用 189
7.4.5 开源项目介绍：隐语 190
7.4.6 小结 195
7.5 基于安全硬件的机密算存空间：可信执行环境及机密计算 195
7.5.1 可信执行环境概述 195
7.5.2 可信执行环境技术盘点 196
7.5.3 可信执行环境实践 200
7.5.4 小结 204
7.6 构建从硬件到软件的全信任链：可信计算 205
7.6.1 可信计算的背景与应用场景 205
7.6.2 可信计算的核心技术 205
7.6.3 可信计算与机密计算的关系 208
7.6.4 小结 209
7.7 本章小结 210
第8章 大模型与数据安全 211
8.1 大模型概述 211
8.2 构建大模型数据安全基石 212
8.2.1 大模型生命周期中的数据安全风险 213
8.2.2 防护技术应用 215
8.2.3 小结 217
8.3 大模型赋能数据安全技术 217
8.3.1 基于大模型的数据分类分级技术 217
8.3.2 基于大模型的数字水印技术 220
8.3.3 小结 221
8.4 本章小结 221
第三篇 实践案例篇
第9章 “数据安全自用”实践案例 224
9.1 分类分级与零信任相关法律法规 224
9.1.1 国内相关法律法规 224
9.1.2 美国相关法律法规 225
9.1.3 欧盟相关法律法规 226
9.2 微软的数据分类应用实践 226
9.2.1 案例背景 226
9.2.2 案例详情 227
9.2.3 小结 229
9.3 Grab智能化数据治理：LLM与数据分类的融合探索 230
9.3.1 案例背景 230
9.3.2 案例详情 231
9.3.3 小结 233
9.4 Google的零信任应用实践 233
9.4.1 案例背景 233
9.4.2 案例详情 234
9.4.3 小结 235
9.5 本章小结 235
第10章 “数据可信确权”实践案例 237
10.1 区块链、DID与数据确权的关系 237
10.1.1 区块链与数据确权 238
10.1.2 NFT与数据确权 238
10.1.3 DID与数据确权 238
10.2 三大NFT传奇 239
10.2.1 Everydays ——从每日创作到6900万美元 239
10.2.2 Merge项目——引领NFT价值与互动新篇章 240
10.2.3 无聊猿——如何打造40亿美元的数字帝国 241
10.2.4 小结 242
10.3 区块链平台的成功案例 242
10.3.1 Verisart：数字时代的艺术保护伞 242
10.3.2 Decentraland：虚拟世界与数字经济 243
10.3.3 Audius：赋予音乐创作者更多自主权 244
10.3.4 小结 245
10.4 Sovrin Network：构建全球自我主权身份体系 245
10.4.1 案例背景 245
10.4.2 案例详情 245
10.4.3 小结 246
10.5 本章小结 247
第11章 “数据可控流通”实践案例 248
11.1 平衡数据使用中的数据精度与隐私保护 248
11.1.1 案例背景 248
11.1.2 案例详情 249
11.1.3 小结 251
11.2 苹果公司差分隐私技术实践：隐私保留的用户行为分析 251
11.2.1 案例背景 251
11.2.2 案例详情 251
11.2.3 小结 253
11.3 通过合成数据技术实现隐私保护与政策评估 253
11.3.1 案例背景 254
11.3.2 案例详情 254
11.3.3 小结 255
11.4 摩根大通合成数据技术实践：破解金融AI发展的关键挑战 255
11.4.1 案例背景 256
11.4.2 案例详情 256
11.4.3 小结 258
11.5 本章小结 258
第12章 “协同安全计算”实践案例 259
12.1 荷兰中央统计局：基于同态加密实现医疗项目有效性评估 259
12.1.1 案例背景 260
12.1.2 案例详情 260
12.1.3 小结 262
12.2 四国NSO：联邦学习在跨国数据隐私保护中的应用 262
12.2.1 案例背景 262
12.2.2 案例详情 263
12.2.3 小结 265
12.3 美国教育部的MPC实践：确保学生财务信息的隐私与安全 266
12.3.1 案例背景 266
12.3.2 案例详情 267
12.3.3 小结 268
12.4 深圳大学信息中心的MPC试点：跨部门数据共享的安全新路径 268
12.4.1 案例背景 268
12.4.2 案例详情 269
12.4.3 小结 270
12.5 印尼旅游部TEE实践：保障数据安全的跨境游客分析新模式 271
12.5.1 案例背景 271
12.5.2 案例详情 271
12.5.3 小结 272
12.6 国家微生物科学数据中心：基于TEE实现基因数据分析 273
12.6.1 案例背景 273
12.6.2 案例详情 274
12.6.3 应用价值 275
12.7 Apple Intelligence：保护用户隐私的AI应用 275
12.7.1 案例背景 275
12.7.2 案例详情 276
12.7.3 小结 278
12.8 数盾：“东数西算”工程中的数据安全规划 278
12.8.1 背景介绍 278
12.8.2 相关规划及构想 279
12.8.3 小结 280
12.9 本章小结 280
参考资料 282
后记 285
· · · · · · (
收起)
还没人写过短评呢