大数据隐私计算应用工程师岗位招聘考试试卷及答案.docVIP

大数据隐私计算应用工程师岗位招聘考试试卷及答案

一、填空题（每题1分，共10分）

1.隐私计算的三大核心技术包括联邦学习、安全多方计算和______。

2.国内开源联邦学习框架______是应用较广泛的之一。

3.差分隐私中衡量隐私保护强度的参数是______。

4.安全多方计算中实现数据交集计算的技术是______。

5.联邦学习按数据分布可分为横向、纵向和______联邦。

6.支持任意运算的同态加密是______同态加密。

7.隐私计算“最小必要”原则指只收集______的数据。

8.联邦学习参与方分为主动方和______。

9.隐私数据查询的安全技术是______。

10.隐私计算目标是保护数据______的前提下实现价值计算。

二、单项选择题（每题2分，共20分）

1.不属于隐私计算核心技术的是？

A.联邦学习B.安全多方计算C.同态加密D.机器学习

2.FATE框架主要支持哪种技术？

A.差分隐私B.联邦学习C.同态加密D.安全多方计算

3.私有集合交集（PSI）的作用是？

A.计算数据交集B.加密数据C.训练模型D.数据匿名化

4.横向联邦学习适用于？

A.样本多、特征重叠少B.样本少、特征重叠多

C.样本特征都少D.样本特征都多

5.差分隐私ε值越小，隐私保护越？

A.强B.弱C.不变D.不确定

6.支持加法+乘法的同态加密是？

A.半同态B.部分同态C.全同态D.无

7.联邦学习模型参数训练中？

A.明文传输B.加密传输C.本地不传输D.仅甲方传乙方

8.金融领域隐私计算典型应用是？

A.隐私泄露B.跨机构反欺诈C.数据公开D.无隐私训练

9.混淆电路用于实现？

A.数据加密B.多方安全计算C.模型训练D.数据交集

10.隐私计算基本原则是？

A.最大化收集B.公开透明C.最小必要D.无保护

三、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.安全多方计算C.同态加密D.差分隐私

2.联邦学习分类包括？

A.横向B.纵向C.联邦迁移D.混合

3.差分隐私实现机制包括？

A.拉普拉斯B.指数C.高斯D.混淆

4.常用PSI工具包括？

A.布隆过滤器B.可逆布隆C.哈希函数D.全同态加密

5.隐私计算应用场景包括？

A.医疗共享B.金融反欺诈C.政务融合D.广告投放

6.安全多方计算特点包括？

A.数据不出本地B.多方协作C.结果可验证D.依赖中心

7.联邦学习参与方角色包括？

A.主动方B.被动方C.协调方D.攻击方

8.同态加密类型包括？

A.半同态B.部分同态C.全同态D.零同态

9.隐私计算需遵循的法规包括？

A.GDPRB.个人信息保护法C.数据安全法D.反垄断法

10.隐私计算优势包括？

A.保护隐私B.跨机构协作C.降低泄露风险D.提高效率

四、判断题（每题2分，共20分）

1.隐私计算目标是平衡隐私与数据价值。（）

2.联邦学习需将数据上传中心服务器。（）

3.差分隐私ε越大，保护越强。（）

4.PSI可计算交集且不泄露其他信息。（）

5.全同态支持任意加法乘法。（）

6.横向联邦适用于样本少、特征多的场景。（）

7.FATE仅支持横向联邦。（）

8.混淆电路是MPC常用方法。（）

9.“最小必要”需收集所有有用数据。（）

10.医疗隐私计算可跨医院共享数据不泄露隐私。（）

五、简答题（每题5分，共20分）

1.简述隐私计算的核心目标。

2.横向与纵向联邦学习的区别是什么？

3.解释差分隐私的拉普拉斯机制。

4.联邦学习的基本流程包括哪些步骤？

六、讨论题（每题5分，共10分）

1.隐私计算在金融反欺诈中的应用价值及挑战？

2.如何平衡隐私计算的“隐私保护”与“计算效率”？

---

参考答案

一、填空题

1.同态加密2.FATE3.ε（epsilon）4.私有集合交集（PSI）5.联邦迁移

6.全7.完成任务必要8.被动方9.隐私信息检索（PIR）10.隐私

二、单项选择题

1.D2.B3.A4.A5.A6.C7.B8.B9.B10.C

三、多项选择题

1.ABCD2.ABC3.ABC4.AB5.ABCD6.ABC7.ABC8.ABC9.ABC10.ABC

四、判断题

1.√2.×3.×4.√5.√6.×7.×8.√9.×10.√

五、简答题

1.核心目标：平衡数据价值利用与隐私保护，实现“数据可用不可见”：①原始数据不出本地，避免泄露；②多方协作计算结果可验证；③符合隐私法规（如GDPR），降低合规风险。

2.区别：①数据分布：横向是样本多、特征重叠少（如不同银行客户）；纵向是样本重叠多、特征重叠少（如同一客户的银行+电商数据）；②训练方式：横向共享加密梯度，纵向对齐样本后协作训练。

3.拉普拉斯机制：向敏感查询结果（如平均值）添加拉普拉斯分布噪声，噪声规模=查询敏