隐私计算应用工程师考试试卷及答案

隐私计算应用工程师考试试卷及答案隐私计算应用工程师考试试卷及答案第一部分填空题（共10题，每题1分）1.隐私计算的核心目标是实现______。2.联邦学习的两大主要类型是横向联邦学习和______。3.差分隐私中常用的噪声添加机制包括拉普拉斯机制和______。4.同态加密按支持的运算类型分为半同态、部分同态和______。5.TEE的中文全称是______。6.联邦学习中负责聚合中间结果但不接触原始数据的角色是______。7.零知识证明的英文缩写是______。8.国内隐私计算需遵循的核心合规框架是《______》。9.差分隐私中衡量隐私保护强度的关键参数是______。10.横向联邦学习适用于______重叠多、特征重叠少的场景。第二部分单项选择题（共10题，每题2分）1.以下不属于隐私计算核心技术的是？A.联邦学习B.差分隐私C.区块链D.同态加密2.横向联邦学习的典型应用场景是？A.跨银行信贷评估B.电商个性化推荐C.医疗影像联合诊断D.跨机构用户画像3.差分隐私中，拉普拉斯机制的噪声大小与______成正比。A.敏感度B.ε值C.数据量D.查询次数4.支持全同态加密的算法是？A.RSAB.CKKSC.ElGamalD.Paillier5.TEE的安全基础是？A.硬件隔离B.软件加密C.网络隔离D.数据脱敏6.体现隐私计算“可用不可见”核心的是？A.数据加密存储B.数据仅计算时可见C.聚合后匿名化D.仅获取中间结果7.联邦学习梯度聚合是否泄露原始数据？A.是B.否C.取决于聚合算法D.仅纵向联邦泄露8.zk-SNARK的全称是？A.简洁非交互式零知识证明B.交互式零知识证明C.可验证计算D.同态承诺9.以下不是隐私计算合规要求的是？A.最小必要原则B.数据可追溯C.匿名化处理D.数据完全公开10.纵向联邦学习的核心是？A.对齐用户IDB.对齐特征空间C.聚合用户行为D.共享原始特征第三部分多项选择题（共10题，每题2分，多选/少选不得分）1.隐私计算主要技术分支包括？A.联邦学习B.差分隐私C.同态加密D.TEE2.联邦学习常见参与方角色有？A.数据提供方B.模型训练方C.聚合方D.服务提供方3.差分隐私关键指标包括？A.ε（隐私预算）B.δ（松弛参数）C.敏感度D.噪声大小4.同态加密应用场景有？A.密文查询B.密文机器学习C.电子投票D.数据共享5.TEE典型应用场景有？A.加密钱包B.模型推理安全C.敏感数据处理D.身份认证6.国内隐私计算合规要求包括？A.《个人信息保护法》B.《数据安全法》C.GDPRD.《网络安全法》7.横向联邦学习适用场景是？A.跨电商用户行为分析B.跨医院癌症诊断C.跨银行客户流失预测D.跨运营商用户画像8.零知识证明应用场景有？A.区块链隐私交易B.身份验证C.数据所有权证明D.密文计算验证9.隐私计算优势包括？A.可用不可见B.跨机构协作C.合规保障D.效率提升10.隐私计算技术组合包括？A.联邦学习+差分隐私B.TEE+同态加密C.区块链+零知识证明D.数据脱敏+加密存储第四部分判断题（共10题，每题2分，√/×）1.隐私计算等同于数据加密技术。（）2.联邦学习必须依赖中心服务器聚合结果。（）3.差分隐私ε值越小，隐私保护越强。（）4.全同态加密可对密文做任意加乘运算。（）5.TEE可完全防止侧信道攻击。（）6.zk-SNARK是交互式零知识证明。（）7.纵向联邦适用于用户重叠少、特征重叠多的场景。（）8.隐私计算可解决所有数据安全问题。（）9.差分隐私噪声越大，数据可用性越低。（）10.隐私计算应用无需考虑数据质量。（）第五部分简答题（共4题，每题5分）1.简述隐私计算的核心定义及三大技术分支。2.横向与纵向联邦学习的区别及适用场景。3.差分隐私的核心思想及关键指标。4.同态加密的分类及各类型特点。第六部分讨论题（共2题，每题5分）1.如何在医疗数据共享场景中应用隐私计算技术？2.隐私计算在金融反欺诈中的应用挑战及解决方案？---答案部分第一部分填空题答案1.数据可用不可见2.纵向联邦学习3.高斯机制4.全同态加密5.可信执行环境6.聚合方/协调方7.ZKP8.个人信息保护法9.ε（隐私预算）10.用户第二部分单项选择题答案1.C2.B3.A4.B5.A6.D7.C8.A9.D10.A第三部分多项选择题答案1.ABCD2.ABC3.ABC4.ABCD5.ABCD6.ABD7.ACD8.ABCD9.ABC10.ABC第四部分判断题答案1.×2.×3.√4.√5.×6.×7.√8.×9.√10.×第五部分简答题答案1.核心定义：在保护数据隐私前提下实现数据价值计算，核心是“可用不可见”。三大分支：①联邦学习（多机构联合训练，不共享原始数据）；②差分隐私（添加可控噪声，模糊个体数据）；③同态加密（对密文直接运算，结果仍为密文）。2.区别：横向联邦（用户重叠多、特征重叠少）；纵向联邦（用户重叠少、特征重叠多）。场景：横向（跨电商用户行为分析）；纵向（跨银行信贷评估）。3.核心思想：对数据查询结果添加噪声，使攻击者无法区分个体数据是否被包含。关键指标：ε（隐私预算，越小隐私越强）、δ（松弛参数）、敏感度（数据变化对查询结果的最大影响）。4.分类：①半同态（仅支持一种运算，如Paillier加法）；②部分同态（支持有限次运算）；③全同态（支持任意加乘，如CKKS）。特点：全同态功能强但效率低，半同态效率高但功能有限。第六部分讨论题答案1.医疗场景中，采用联邦学习实现跨医院协作：各医院仅共享模型梯度（不泄露患者原始数据），聚合方更新模型；对敏感梯度添加差分隐私噪声，避免泄露；用TEE保护模型推理，确保诊断结果在