隐私计算应用技师考试试卷及答案

隐私计算应用技师考试试卷及答案填空题（每题1分，共10分）1.隐私计算的核心目标是在保护数据________的前提下，实现数据价值的________。2.联邦学习按数据分布可分为横向联邦、纵向联邦和________联邦三类。3.差分隐私中，通过添加________噪声实现隐私保护。4.同态加密按支持的运算类型可分为加法同态、乘法同态和________同态。5.TEE的全称是________。6.隐私计算的三要素是数据隐私、数据价值和________。7.MPC的全称是________。8.差分隐私中，ε（隐私预算）越小，隐私保护越________。9.联邦学习中，________方持有模型参数，不直接接触其他方原始数据。10.隐私计算技术中，基于硬件的典型代表是________。单项选择题（每题2分，共20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.同态加密D.传统对称加密2.联邦学习中，哪类参与方不持有原始数据？A.客户端B.服务端C.数据提供方D.模型训练方3.差分隐私的拉普拉斯机制中，添加的噪声大小与什么成正比？A.数据敏感度B.隐私预算εC.数据量D.计算复杂度4.支持任意加法和乘法运算的同态加密是？A.加法同态B.乘法同态C.全同态加密D.部分同态5.TEE的安全基础是？A.软件加密B.硬件隔离C.网络加密D.数据脱敏6.MPC中，各参与方通过什么实现协同计算？A.共享密钥B.秘密分享C.数据聚合D.模型传输7.隐私计算与传统数据共享的核心区别是？A.数据不离开本地B.计算速度更快C.成本更低D.支持更多格式8.横向联邦学习适用于？A.数据特征相同、样本不同B.数据特征不同、样本相同C.数据特征和样本都不同D.数据特征和样本都相同9.差分隐私的“DP”全称是？A.DataPrivacyB.DifferentialPrivacyC.DistributedPrivacyD.DynamicPrivacy10.同态加密的计算效率相比传统加密？A.更高B.更低C.相同D.不确定多项选择题（每题2分，共20分）1.隐私计算的核心技术包括？A.联邦学习B.差分隐私C.同态加密D.MPCE.数据脱敏2.联邦学习的常见类型有？A.横向联邦B.纵向联邦C.联邦迁移D.集中联邦E.分布式联邦3.差分隐私的实现机制包括？A.拉普拉斯机制B.高斯机制C.指数机制D.随机响应E.秘密分享4.TEE的典型应用场景有？A.金融交易安全B.隐私数据计算C.身份认证D.数据存储加密E.网络通信加密5.MPC的优势是？A.无可信第三方B.数据不泄露C.计算效率高D.支持多方协同E.硬件依赖低6.隐私计算涉及的合规法规包括？A.GDPRB.个人信息保护法C.网络安全法D.数据安全法E.专利法7.联邦学习的参与方包括？A.数据提供方B.模型训练方C.服务端D.客户端E.监管方8.同态加密的应用领域有？A.云计算B.金融隐私计算C.医疗数据共享D.物联网E.人工智能训练9.隐私计算的关键价值是？A.数据可用不可见B.合规数据共享C.跨域数据协同D.降低数据泄露风险E.提高计算效率10.差分隐私中，ε和δ的作用是？A.ε控制隐私保护强度B.δ是极小概率泄露风险C.ε越大隐私保护越强D.δ越小风险越低E.两者无关判断题（每题2分，共20分）1.隐私计算就是对数据进行加密，不改变数据价值。（）2.联邦学习中，所有参与方都能看到其他方的原始数据。（）3.差分隐私添加的噪声越大，隐私保护效果越好。（）4.全同态加密可以直接处理任意类型的数据。（）5.TEE是基于硬件的隐私保护技术，与软件无关。（）6.MPC不需要可信第三方参与即可实现协同计算。（）7.隐私计算只关注数据隐私，不考虑计算效率。（）8.纵向联邦学习适用于数据特征不同、样本重叠的场景。（）9.差分隐私的ε越小，隐私保护强度越高。（）10.同态加密的计算效率与传统加密基本一致。（）简答题（每题5分，共20分）1.请简述隐私计算的核心三要素及相互关系。2.联邦学习与传统集中式学习的主要区别是什么？3.请解释差分隐私的基本原理。4.同态加密的分类及各类型特点是什么？讨论题（每题5分，共10分）1.隐私计算在金融领域的应用挑战及解决思路是什么？2.如何平衡隐私计算的隐私保护与计算效率？---答案部分填空题答案1.隐私；共享/利用2.联邦迁移3.拉普拉斯（或高斯）4.全同态5.TrustedExecutionEnvironment6.计算效率7.SecureMulti-PartyComputation8.强9.服务器（或聚合）10.TEE（可信执行环境）单项选择题答案1.D2.B3.A4.C5.B6.B7.A8.A9.B10.B多项选择题答案1.ABCD2.ABC3.ABCD4.ABC5.ABD6.ABCD7.ABCD8.ABCDE9.ABCD10.ABD判断题答案1.×2.×3.√4.×5.×6.√7.×8.√9.√10.×简答题答案1.隐私计算核心三要素及关系：三要素为数据隐私（前提，确保数据不泄露）、数据价值（目标，挖掘数据商业/社会价值）、计算效率（保障，平衡隐私与速度成本）。三者相互制约：过度强调隐私可能降低价值/效率，忽视隐私则违背合规；需在三者间找到平衡点，实现“数据可用不可见”。2.联邦学习与集中式学习的区别：①数据分布：联邦学习数据在本地，不集中；集中式需上传中心。②隐私保护：联邦仅传输加密参数，不泄露原始数据；集中式易泄露。③合规性：联邦符合数据本地化法规；集中式面临跨域共享合规问题。此外，联邦依赖多方协同，效率略低但隐私性更优。3.差分隐私基本原理：核心是添加可控噪声，使攻击者无法区分单个数据的影响。若两个数据集仅差一个样本，查询结果添加噪声后，攻击者无法判断是否包含该样本。关键参数：ε（隐私预算，越小隐私越强）、δ（极小泄露风险）。实现机制包括拉普拉斯/高斯机制，用于统计查询、机器学习等。4.同态加密分类及特点：①加法同态：支持多次加法（如Paillier），实现简单效率高，不支持乘法；②乘法同态：支持多次乘法（如RSA变体），应用有限；③全同态加密（FHE）：支持任意加减乘（如CKKS），可复杂计算，但效率较低。均满足“加密数据可计算，结果可解密”。讨论题答案1.金融领域隐私计算挑战及解决思路：挑战：①效率低（金融数据量大、实时性高）；②合规复杂（多法规要求）；③系统异构（跨机构数据格式不统一）。解决思路：①混合架构（联邦学习+TEE平衡效率与隐私）；②建立跨机构合规标准；③推动金融数据格式标准化。轻量化技术（差分隐私+联邦学习）可提升实时性。2.平衡隐私保护与计算效率