差分隐私工程实战：从 ε-δ 证明到生产级数据流水线
深入拆解差分隐私的数学根基、工程实现陷阱，以及如何在生产环境中构建隐私保护数据流水线。涵盖拉普拉斯/高斯机制、隐私预算会计、平滑敏感度、DP-FL 联邦学习实战等核心内容。
差分隐私
模型提取与盗取攻击深度实战：从黑盒 Prediction API 到替代模型克隆与参数反解的安全工程
机器学习即服务（MLaaS）把训练好的模型包装成一个"提问—返回预测"的 API：你传入一条样本，它吐回类别标签或置信度。这种**黑盒**便利的背后藏着一条被长期低估的攻击面——**模型提取（Model Extraction）/ 模型盗取（Model Theft）**：攻击者仅凭查询权限，就能重建出与原模型功能等价、甚至参数完全一致的克隆，从而免费"白嫖"商业模型、绕开付费墙、或为后续对抗攻击铺路…
成员推断攻击深度实战：从影子模型、攻击分类器到差分隐私防御的隐私安全工程
成员推断攻击（Membership Inference Attack, MIA）是机器学习隐私领域最基础、也最容易被低估的一类攻击：给定一条样本 x 和黑盒访问的目标模型 f，攻击者要判断 x 是否出现在 f 的训练集里。这件事听起来无害，但它直接戳破了「模型只是学到了泛化规律、不会记住具体训练样本」的幻觉。一旦能稳定判定某条数据「是否被训练过」，就意味着医疗记录、人脸、对话历史等敏感信息可从已发…
隐私计算：在数据不可见的前提下释放数据价值
深度解析隐私计算核心技术体系，涵盖多方安全计算、联邦学习、可信执行环境、同态加密和差分隐私
