VIP20

本课程属于：031-设备隐私与数据最小化 物联网安全与设备身份认证 · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

IoT设备本地数据脱敏与加密处理

📚 共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

课程导论与隐私计算概述

为什么数据要本地处理？隐私计算三大流派（联邦学习、安全多方计算、可信执行环境）简介。

导论隐私计算

本地环境搭建

Python虚拟环境创建、依赖管理（Pipenv/Poetry）、Docker容器化部署。

数据脱敏基础

什么是PII（个人身份信息）？数据脱敏的三种模式（静态、动态、可逆）。

Python数据脱敏实战

使用Faker库生成模拟数据、使用Pandas进行字段级脱敏（掩码、替换、泛化）。

本地数据库操作

SQLite3轻量级数据库的使用、CRUD操作、数据加密存储（SQLCipher）。

文件加密与解密

对称加密（AES-GCM）、非对称加密（RSA）、Python的cryptography库实战。

安全哈希与数字签名

SHA-256、HMAC、数字签名验证，确保数据完整性。

本地差分隐私

什么是ε-差分隐私？使用PyDP库在本地数据集上添加拉普拉斯噪声。

差分隐私PyDP

联邦学习入门

联邦学习核心概念（客户端-服务器架构、模型聚合）。

联邦学习架构

联邦学习实战（一）

使用Flower框架搭建一个简单的本地联邦学习模拟环境。

联邦学习实战（二）

在本地模拟多个客户端，训练一个简单的图像分类模型。

多客户端图像分类

安全多方计算（MPC）基础

MPC的经典问题（百万富翁问题）、秘密共享原理。

MPC秘密共享

使用MPyC库在本地模拟两方安全计算（隐私集合求交集）。

可信执行环境（TEE）概念

Intel SGX、ARM TrustZone简介，以及TEE的适用场景。

本地日志审计

如何在不泄露隐私的前提下记录操作日志？日志脱敏与安全存储。

隐私数据处理的法律合规

GDPR、个人信息保护法（PIPL）对本地处理的要求。

数据最小化原则

在代码层面实践数据最小化，只收集和保留必要字段。

最小化合规

本地特征工程

如何在本地完成特征提取、特征选择，避免原始数据上传。

特征工程本地

本地模型推理

使用ONNX Runtime在本地加载模型进行推理，数据不出本机。

隐私保护的数据可视化

使用Plotly在本地生成图表，不依赖云端服务。

Plotly可视化

Web应用中的本地隐私

使用WebAssembly（Wasm）在浏览器端进行数据处理。

本地API网关

使用FastAPI构建本地API，对请求和响应数据进行脱敏处理。

数据匿名化与假名化

k-匿名、l-多样性、t-接近性概念及Python实现。

k-匿名假名化

隐私数据生命周期管理

数据创建、存储、使用、归档、销毁的全流程本地管控。

生命周期管控

本地密钥管理

使用Hashicorp Vault的本地模式或Python的keyring库管理密钥。

隐私数据备份与恢复

加密备份策略、增量备份、安全恢复流程。

本地数据沙箱

使用Docker或Firejail创建隔离环境，防止隐私数据泄露。

隐私数据质量评估

如何在脱敏后评估数据可用性？信息损失度量。

质量评估信息损失

综合实战项目（一）

构建一个本地化的客户数据分析仪表盘（数据脱敏+本地存储+本地推理）。

仪表盘综合

综合实战项目（二）

端到端隐私保护数据流水线，从采集到分析全流程不出本地。

端到端流水线