隐私计算场景落地辅助技师考试试卷及答案

隐私计算场景落地辅助技师考试试卷及答案一、填空题（共10题，每题1分）1.隐私计算核心技术主要包括联邦学习、安全多方计算和______。2.联邦学习中数据不出本地的特性被称为______。3.实现隐私集合交集计算的常用方法是______。4.《个人信息保护法》要求处理个人信息遵循______原则。5.联邦学习按架构可分为横向、纵向和______。6.差分隐私衡量隐私强度的参数是______。7.解决数据孤岛问题的隐私计算技术是______。8.安全多方计算需在不泄露______的前提下协同计算。9.开源联邦学习框架FATE主要支持______领域。10.政务场景中隐私计算可用于______数据跨部门共享。答案：1.差分隐私2.数据可用不可见3.隐私集合求交（PSI）4.最小必要5.联邦迁移学习6.ε（隐私预算）7.联邦学习8.输入数据9.金融10.个人敏感二、单项选择题（共10题，每题2分）1.不属于隐私计算核心技术的是？A.联邦学习B.安全多方计算C.差分隐私D.区块链2.纵向联邦学习适用于______场景。A.相同用户、不同特征B.不同用户、相同特征C.相同用户、相同特征D.不同用户、不同特征3.PSI的主要作用是______。A.计算交集大小B.生成加密数据C.训练模型D.去重数据4.不属于“最小必要”原则的是？A.只收集必要信息B.只存储必要时长C.公开所有流程D.只用于必要目的5.联邦学习典型开源框架是？A.TensorFlowB.FATEC.PyTorchD.Scikit-learn6.差分隐私ε值越小意味着______。A.隐私保护越强B.隐私保护越弱C.数据可用性越高D.计算效率越高7.隐私计算落地首先需明确______。A.模型算法B.数据合规性C.计算硬件D.结果展示8.安全多方计算参与方至少______个。A.1B.2C.3D.49.医疗场景隐私计算可用于______。A.病历公开B.跨医院疗效分析C.医生信息泄露D.身份识别10.隐私计算核心价值是______。A.提高传输速度B.全量数据共享C.平衡价值与隐私D.降低存储成本答案：1.D2.A3.A4.C5.B6.A7.B8.B9.B10.C三、多项选择题（共10题，每题2分）1.隐私计算核心技术包括______。A.联邦学习B.安全多方计算C.差分隐私D.同态加密2.联邦学习架构类型有______。A.横向联邦B.纵向联邦C.联邦迁移学习D.混合联邦3.隐私计算典型落地场景有______。A.金融风控B.医疗科研C.政务共享D.电商推荐4.PSI应用场景包括______。A.跨机构用户匹配B.广告投放C.反欺诈D.数据脱敏5.我国相关合规法规有______。A.《个人信息保护法》B.《数据安全法》C.《网络安全法》D.GDPR6.差分隐私实现方式有______。A.拉普拉斯机制B.指数机制C.随机响应D.同态加密7.安全多方计算特点有______。A.数据不出本地B.输入隐私保护C.输出可验证D.无需密钥8.联邦学习落地挑战有______。A.协同难度B.计算效率低C.数据质量不一致D.合规风险9.隐私计算工具功能包括______。A.PSIB.联邦训练C.差分隐私添加D.数据加密10.金融领域隐私计算应用有______。A.联合风控B.反洗钱C.精准营销D.信贷审批答案：1.ABCD2.ABC3.ABCD4.ABC5.ABC6.ABC7.ABC8.ABCD9.ABCD10.ABCD四、判断题（共10题，每题2分）1.联邦学习需将所有数据上传中心服务器。（）2.差分隐私ε值越大，隐私保护越好。（）3.隐私计算可完全消除数据泄露风险。（）4.安全多方计算支持任意多方协同。（）5.纵向联邦适用于用户重叠、特征不重叠场景。（）6.《个人信息保护法》要求用户明示同意处理个人信息。（）7.PSI可直接获取交集用户具体信息。（）8.联邦学习计算效率比集中式学习高。（）9.隐私计算落地无需考虑数据质量。（）10.同态加密是安全多方计算的实现方式。（）答案：1.×2.×3.×4.√5.√6.√7.×8.×9.×10.√五、简答题（共4题，每题5分）1.简述隐私计算核心定义及三大核心技术。答案：隐私计算是保护数据隐私前提下实现数据价值利用的技术体系。三大核心技术：①联邦学习：数据不出本地，通过加密参数交互协同训练模型；②安全多方计算（MPC）：不泄露各方输入数据，完成多方协同计算；③差分隐私：通过添加噪声确保攻击者无法推断单个数据信息。三者分别从数据协作、多方计算、个体隐私保护角度平衡价值与隐私。2.联邦学习落地前需完成哪些准备？答案：①合规审查：确认数据来源符合法规，获取用户授权；②数据盘点：梳理各方数据特征、重叠度及质量；③技术选型：根据场景选联邦框架（如FATE）及加密算法；④参与方协同：明确角色、计算规则及责任；⑤原型验证：小样本测试模型效果与计算效率，确认可行性。3.差分隐私“ε-δ”隐私预算含义？答案：ε是相邻数据集（仅差一个个体）的输出分布差异上限，ε越小隐私越强；δ是攻击者突破保护的概率上限（通常极小，如1e-9）。两者越小隐私保护越强，但数据可用性可能降低，需权衡。4.如何解决隐私计算中参与方数据质量不一致问题？答案：①数据标准化：统一格式、编码及特征定义；②质量评估：建立完整性、一致性等指标预评估；③本地清洗：各方处理缺失值、异常值；④联邦监控：加密方式监控质量指标；⑤特征对齐：用PSI对齐纵向联邦重叠用户特征。六、讨论题（共2题，每题5分）1.结合金融风控，分析隐私计算如何平衡联合风控与用户隐私。答案：单机构风控数据维度有限，联合风控提升准确率但涉隐私风险。隐私计算通过：①联邦学习：数据不出本地，加密参数交互训练模型；②PSI：跨机构匹配重叠用户（不泄露具体信息）；③差分隐私：对风控结果加噪声，防止推断单个用户；④合规保障：用户授权下开展，符合《个人信息保护法》。既提升联合风控能力，又保护用户隐私。2.政务场景隐私计算落地挑战及应对策略？答案：挑战：①数据孤岛