隐私计算技术工程师考试试卷及答案

隐私计算技术工程师考试试卷及答案填空题（每题1分，共10分）1.隐私计算三大核心技术包括联邦学习、同态加密和________。2.联邦学习按数据特征维度分为横向、纵向和________联邦学习。3.支持任意加法和乘法运算的同态加密是________同态加密。4.差分隐私衡量隐私强度的核心参数是________和δ。5.横向联邦学习适用于样本重叠多、________重叠少的场景。6.隐私计算的目标是“数据可用________”。7.联邦学习中参与方仅共享________后的模型参数/梯度。8.差分隐私通过添加________到查询结果保护隐私。9.同态加密最早由________提出。10.隐私计算在金融领域可用于________场景（如反欺诈）。答案：1.差分隐私2.联邦迁移3.全4.ε（epsilon）5.特征维度6.不可见7.加密8.噪声9.Rivest10.反欺诈单项选择题（每题2分，共20分）1.以下属于隐私计算核心技术的是？A.机器学习B.同态加密C.数据脱敏D.数据备份2.横向联邦学习适用场景是？A.样本重叠多、特征重叠少B.用户ID相同、特征不同C.样本特征都不重叠D.仅单参与方3.差分隐私中ε越小表示？A.隐私保护越强B.隐私保护越弱C.数据可用性越高D.无影响4.支持任意加乘运算的同态加密是？A.加法同态B.乘法同态C.全同态D.部分同态5.联邦学习参与方通信传递的是？A.原始数据B.加密梯度C.明文模型D.未授权API6.隐私计算与传统共享的区别是？A.无需隐私保护B.数据直接共享C.保护数据隐私D.仅保护格式7.纵向联邦学习适用场景是？A.电商+支付共享用户数据B.同行业不同公司样本重叠C.跨行业无用户重叠D.仅医疗数据8.差分隐私“邻接数据库”指？A.仅差一条记录的两个库B.同一库不同版本C.不同领域数据库D.数据量相同的库9.不属于隐私计算应用的是？A.医疗联合诊断B.金融反欺诈C.公开数据爬取D.政务共享10.联邦学习优势不包括？A.数据不出本地B.保护隐私C.提高准确率D.无需加密答案：1.B2.A3.A4.C5.B6.C7.A8.A9.C10.D多项选择题（每题2分，共20分）1.隐私计算核心技术包括？A.联邦学习B.同态加密C.差分隐私D.数据加密传输2.联邦学习分类包括？A.横向B.纵向C.联邦迁移D.混合3.差分隐私关键参数是？A.εB.δC.σD.N4.隐私计算应用场景包括？A.医疗联合诊断B.金融信用评估C.政务共享D.工业物联网整合5.同态加密类型包括？A.加法同态B.乘法同态C.全同态D.部分同态6.联邦学习参与方需满足？A.数据合规B.具备计算能力C.可通信D.共享原始数据7.隐私计算价值包括？A.打破数据孤岛B.保护隐私C.合规共享D.降低成本8.差分隐私噪声类型包括？A.拉普拉斯B.高斯C.均匀D.随机9.隐私计算框架包括？A.FATEB.TensorFlowPrivacyC.OpenMinedD.PyTorch10.隐私计算挑战包括？A.效率低B.隐私-效率权衡C.标准不统一D.场景有限答案：1.ABC2.ABC3.AB4.ABCD5.ABCD6.ABC7.ABC8.AB9.ABC10.ABC判断题（每题2分，共20分）1.全同态加密已大规模商用。（×）2.差分隐私可完全消除个体可识别性。（×）3.横向联邦学习样本重叠多。（√）4.隐私计算无需合规考虑。（×）5.联邦学习参与方不共享任何数据。（×）6.同态加密支持加密数据直接运算。（√）7.纵向联邦学习用户ID相同、特征不同。（√）8.隐私计算目标是“数据可用不可见”。（√）9.差分隐私ε越大，隐私保护越强。（×）10.联邦迁移学习适用于样本特征都不重叠场景。（√）简答题（每题5分，共20分）1.简述联邦学习核心思想。答案：联邦学习核心是“数据可用不可见”，参与方本地训练模型，仅将加密后的参数/梯度交互，无需共享原始数据。通过聚合多方参数优化全局模型，既保护数据隐私，又打破数据孤岛，提升模型效果。2.同态加密分类及特点？答案：分三类：①加法同态（支持多次加法，不支持乘法）；②乘法同态（支持多次乘法，不支持加法）；③全同态（支持任意加乘）。前两类为部分同态，效率高；全同态支持全运算，但目前效率待提升。3.差分隐私基本原理？答案：通过在查询结果添加噪声，使攻击者无法区分“是否因某个体数据存在导致结果变化”。核心是“邻接数据库”（仅差一条记录），要求邻接库查询结果分布差异≤ε（隐私预算），保护个体隐私同时保留统计价值。4.隐私计算典型应用场景？答案：①医疗：跨医院联合分析疾病数据；②金融：多机构联合反欺诈、信用评分；③政务：跨部门数据共享（如社保+税务）；④工业：物联网设备数据整合（如预测性维护）。讨论题（每题5分，共10分）1.横向与纵向联邦学习适用场景差异？答案：横向侧重“样本重叠多、特征重叠少”，如两家电商（相同用户、不同商品）联合训练推荐模型；纵向侧重“用户ID相同、特征重叠少”，如电商（购买记录）+支付（交易数据）联合训练信用模型。核心差异是数据的“样本/特征重叠”侧重不同，需匹配参与方数据维度。2.隐私计算在医疗数据共享中的挑战及解决方案？答案：挑战：①数据异质性（格式不统一）；②效率低（同态加密开销大）；③合规