在前边两篇文章中，介绍了数据要素和可信流通相关的内容，以及基于p2p模式的安装方法
SecretFlow 隐语 (1) --- 快速入门
关于在Linux上部署 SecretFlow --- P2P部署模式
由于安装过程中出现意外报错，现已提交issue等待官方技术人员查阅，后续将更新该部分。
本篇文章将介绍隐语的架构，学习资料来源于隐语实训平台
文章为学习笔记，侵权可联系作者删除
目录
一、隐语架构图
二、架构拆解
1、 产品
1.1 人群画像
1.2 实际产品
2、算法
2.1 PSI / PIR
编辑
2.2 Data Analysis - SCQL
2.3 Federated Learning - 联邦学习
3、计算
3.1 混合编译调度- RayFed
3.2 SPU (Secure Process Unit)
3.3 HEU
3.4 TEEU - Trusted Enextution Environment Unit
3.5 密码原语 - YACL
4. 资源 - Kuscia
5. 互联互通
6.跨域管控
6.1 三权分置
三、总结
一、隐语架构图
分层的架构设计，为不同层上的开发人员提供了更好的发挥空间
二、架构拆解
1、 产品
通过可视化产品，降低终端用户的体验和演示成本。通过模块化API降低技术集成商的研发成本。
1.1 人群画像
作为隐语的直观入口，隐私保护计算从业者均应该关注
1.2 实际产品
2、算法
2.1 PSI / PIR
高性能、轻量化、易用的PSI/PIR专用协议模块
PSl(Private Set Intesection): PSI是一种特殊的安全多方计算(MPC)协议。
假设Alice持有信息集合X，Bob持有信息集合Y，Alice和Bob通过执行PSI协议，可以得到交集结果XnY。同时A和B在这个过程中，除交集XnY外不会泄漏其它任何信息。
PIR(Private Information Retrieval): 用户查询服务端数据库中的数据，但服务端不知道用户查询的是哪些数据
用户可以查询到数据，进行一系列操作，但不能直接查看数据的实际内容，更好的保证服务端的数据安全
2.2 Data Analysis - SCQL
Secure Collaborative Query Language
屏蔽底层安全计算协议的复杂性，以简单熟悉的 SQL语言界面，提供多方数据密态分析能力
一种多方安全数据分析系统，可以让互不信任的参与方在保护自己数据隐私的前提下，完成多方数据分析任务。
2.3 Federated Learning - 联邦学习
在原始数据不出域的前提下，通过交换中间数据完成机器学习建模。
包含水平联邦和垂直联邦(主要是拆分学习，SplitLearning)。
具备安全攻防保障的明密文混合机器学习框架和算法。
3、计算
3.1 混合编译调度- RayFed
在Ray基础之上所构建的专注于跨机构的分布式计算调度框架。
现在已经成为ray的孵化项目，之后会当初拆出来学习该部分
面向跨机构场景，提供单机构内计算任务独立调度和跨机构计算任务协作的能力。
官方地址：https://github.com/ray-project/rayfed
3.2 SPU (Secure Process Unit)
桥接上层算法和底层安全协议，保持原生AI框架体验的同时为用户提供透明的、高性能的、基于安全协议的密态计算能力。
3.3 HEU
低门槛，高性能的同态加密库，支持多类型、可扩展的算法协议和硬件加速生态
3.4 TEEU - Trusted Enextution Environment Unit
支持多种可信执行环境的、具备数据使用跨域管控能力的密态计算枢纽，可执行数据分析、机器学习MPC/FL加速等功能。
3.5 密码原语 - YACL
多种隐私计算技术路线共同需要的密码库，具备安全实现保证、高性能等特点。
4. 资源 - Kuscia
Kuscia包含：数据管理、网络管理、计算资源管理、应用管理
Kuscia能够屏蔽不同机构间基础设施的差异，为跨机构协作提供丰富且可靠的资源管理和任务调度能力。
5. 互联互通
隐语和其它厂商的平台可以互联互通，共同完成一个隐私计算任务。
6.跨域管控
数据离开持有者的运维域后，数据方仍然能够有效地控制数据的流转过程，避免其被窃取或者非预期使用。
6.1 三权分置
数据要素“三权”在数据流转过程中诞生与流转数据要素“三权”权益的机制保障核心是数据加工使用权跨域管控。
三、总结
隐语具有特点：分层易集成、支持二开定制、开放的 API接口、大规模生产能力
