秘密网 用编写的安全，简单的密码管理器。 它的目标是成为NYAPM （不是另一个密码管理器），但是通过遵循仅做一件事并做得很好的UNIX哲学，试图与其他人有所不同。 该存储库用于自托管的Web解决方案。 还有一个。 在这里阅读更多有关的信息。 安装 从下载最新的二进制文件，压缩，初始化保管库配置并启动服务器。 就是这样。 当然，您可以自由地编译自己的二进制版本，以确保100％不会被篡改，因为毕竟这是一个开源项目。 用法 这是secrets-web --help命令的输出。 $ secrets-web COMMAND [OPTIONS] Usage: secrets-web initialize --config=CONFIG_PATH --path=VAULT_PATH --alias=VAULT_ALIAS secrets-web serve --config=CONFI

Customized privacy preserving for inherent data and latent data

Deep learning with differential privacy---PPT.pdf

Differential Privacy From Theory to Practice，作者为Ninghui Li Purdue University。总共140页

zkay：一种区块链隐私语言 Zkay（发音为[zi: keɪ] ）是一种编程语言，它可以利用加密和非交互式零知识（NIZK）证明，自动将直观的数据隐私规范编译为以太坊智能合约。 该存储库提供了用于编译，部署和使用zkay合同的工具链。 除了下面的说明，我们还引用以下资源： 原始介绍了zkay的核心概念。 ，其中提供了教程，语言参考和API文档。 该介绍了zkay v0.2的功能和实现。 警告/安全免责声明 Zkay是一个研究项目及其实施不应该被认为是安全的（例如，它可能包含的错误，并没有发生任何安全审查）！ 不要在生产系统中使用zkay或处理敏感机密数据。 先决条件 Zkay需要安装python 3.7或更高版本。 此外，使用系统的程序包管理器安装以下依赖项： Debian / Ubuntu sudo apt-get install default-jdk-headless git build-essential cmake libgmp-dev pkg-config libssl-dev libboost-dev libboost-program-options-dev

差异化隐私的联合学习 引文 如果您发现“ DP联合学习”在您的研究中很有用，请考虑引用： @ARTICLE{Wei2020Fed, author={Kang Wei and Jun Li and Ming Ding and Chuan Ma and Howard H. Yang and Farhad Farokhi and Shi Jin and Tony Q. S. Quek and H. Vincent Poor}, journal={{IEEE} Transactions on Information Forensics and Security}, title={Federated Learning with Differential Privacy: {Algorithms} and Performance Analysis}, year={2020}, vo

由于云数据管理的安全性和隐私保护要求，有时需要以加密形式访问视频内容。 隐藏在加密域中的可逆数据是一项新兴技术，因为它可以在不解密的情况下将数据隐藏在加密视频中，从而保留了内容的机密性。 此外，解密和提取数据后，可以无损地恢复原始封面。 提出了一种有效的可逆数据隐藏方案，用于加密的H.264 / AVC视频。 在H.264 / AVC编码期间，将使用标准流密码对帧内预测模式，运动矢量差和残差系数的符号位进行加密。 然后，不知道原始视频内容的数据隐藏者可以通过使用直方图移位技术的修改版本将秘密数据可逆地嵌入到加密的H.264 / AVC视频中。 利用比例因子来选择嵌入区域，该嵌入区域可针对不同的容量需求进行扩展。 使用包含隐藏数据的加密视频，可以在加密或解密域中进行数据提取。 此外，实现了真正的可逆性，因此数据提取和视频恢复没有任何错误。 实验结果证明了该方案的可行性和有效性。

privacy（Dwork2014）.pdf

了解语音识别的客户端隐私权衡 相应代码。 这是我们生成的样本的。 背景 现有的确保用户语音数据隐私的方法主要集中在服务器端方法上。 尽管改善服务器端的隐私可以减少某些安全问题，但用户仍然无法保持对客户端是否确保隐私的控制。 在本文中，我们定义，评估和探索了语音识别中客户端隐私的技术，其目标是在离开客户端设备之前保留原始语音数据的隐私。 首先，我们在确保性能，计算要求和隐私之间的客户端隐私方面正式权衡了几个权衡。 使用我们的权衡分析，我们对现有方法进行了大规模的实证研究，发现它们在至少一个度量标准上达不到要求。 我们的结果要求在这一关键领域进行更多研究，以迈向跨移动设备大规模大规模安全部署现实语音识别系统的一步 笔记 我们使用作为我们的ASR模型。 到GAN语音转换模型。 到VAE语音转换模型。 我们使用和来构建我们的信号处理方法。 详细信息在我们的中描述。 运行src/main.

Fidelius-YeeZ隐私计算 介绍 为了增强企业之间的数据协作并帮助企业使用数据来增强其核心竞争力，我们推出了Fidelius，这是一种用于数据协作的隐私保护解决方案。 Fidelius基于“数据可用但不可见”的思想，同时有效地确保了原始数据的一致性，计算逻辑的可控制性，计算结果的正确性和私密性。 下图描述了基于Fidelius的数据协作的抽象流程。 与传统的数据协作模型相似，参与者包括数据提供者和数据消费者。 Fidelius在数据提供者和数据使用者的两端运行，并且双方与Fidelius进行交互以实现数据协作操作。 数据提供者与数据使用者之间没有直接的数据交互，并且原始/纯文本数据不会离开数据提供者，从根本上避免了私有数据泄漏的问题。 值得注意的是，与传统的数据协作模型相比，Fidelius引入了区块链。 由于区块链本身具有去中心化网络，公开且可验证的特征，因此Fidelius