GAI 认证的数据隐私技术备考要点
在备考生成式人工智能（GAI）认证的数据隐私技术部分时，需聚焦技术原理、法律规范、工程实践与伦理约束四大维度，结合实际场景构建系统性知识框架。以下为具体备考要点：
一、技术原理：数据隐私的核心保护机制
- 加密技术
- 对称加密与非对称加密：需理解DES、AES等对称加密算法在数据传输中的高效性，以及RSA等非对称加密在密钥分发中的安全性。例如，数据在传输阶段采用AES加密保证实时性，而密钥交换通过RSA实现安全传递。
- 同态加密：掌握其允许在密文上直接进行计算（如加法、乘法）的特性，适用于隐私保护下的数据聚合场景（如医疗数据统计）。
- 差分隐私：分析其通过添加噪声扰动数据，确保单个数据记录的增删不影响统计结果。例如，在人口普查中，差分隐私可防止通过查询结果反推个体信息。
- 访问控制与身份认证
- 基于角色的访问控制（RBAC）：理解用户-角色-权限的映射关系，例如企业系统中通过角色分配限制员工对敏感数据的访问权限。
- 动态属性访问控制：掌握基于时间、位置等环境属性动态调整权限的技术，如移动设备根据地理位置限制数据访问。
- 单点登录（SSO）与多因素认证：分析其通过统一身份认证提升安全性的同时，降低用户管理成本。
- 隐私计算技术
- 联邦学习：研究其通过分布式训练实现数据“可用不可见”的机制，例如金融机构联合建模时，原始数据不出域，仅交换模型参数。
- 安全多方计算（SMC）：掌握其通过密码学协议（如零知识证明、同态加密）实现多方数据协同计算的技术，如联合风控中各方无需共享原始数据即可完成信用评估。
二、法律规范：数据隐私的合规边界
- 国内法规
- 《个人信息保护法》：需掌握其定义的“个人信息”“敏感个人信息”范围，以及处理个人信息的合法性基础（如同意、必要原则）。例如，收集用户生物特征需单独同意，且不得过度收集。
- 《网络安全法》：分析其要求网络运营者落实数据分类、重要数据备份和加密等措施，例如政务系统需对公民个人信息进行加密存储。
- 《数据安全法》：理解其建立的数据安全管理制度，包括数据分类分级保护、风险评估和应急处置等要求。
- 国际规范
- GDPR（欧盟通用数据保护条例）：研究其“数据主体权利”（如访问权、删除权）和“数据控制者义务”（如数据保护影响评估），例如企业需在72小时内报告数据泄露事件。
- CCPA（加州消费者隐私法案）：掌握其赋予消费者的“选择退出权”和“数据可携带权”，例如用户可要求企业删除其个人信息或以结构化格式提供。
三、工程实践：数据隐私的全生命周期管理
- 数据采集阶段
- 最小化原则：仅收集实现功能所需的最少数据，例如APP注册时仅要求必要字段，避免过度收集。
- 匿名化与去标识化：掌握其通过删除或替换直接标识符（如姓名、身份证号）降低风险的技术，例如医疗研究中用编码替代患者姓名。
- 数据存储阶段
- 加密存储：分析其通过AES等算法对静态数据进行加密的必要性，例如云存储中敏感文件需加密后上传。
- 访问日志审计：研究其通过记录数据访问行为（如时间、用户、操作）实现事后追溯的技术，例如数据库需保留6个月以上的操作日志。
- 数据使用阶段
- 脱敏处理：掌握其通过替换、遮蔽等技术降低数据敏感性的方法，例如金融报告中用“*”隐藏部分账号信息。
- 动态权限管理：分析其根据用户角色、操作场景动态调整权限的技术，例如员工调岗后自动撤销原部门数据访问权限。
- 数据共享与传输阶段
- 安全传输协议：理解SSL/TLS在数据传输中的加密作用，例如HTTPS协议保障网页数据传输安全。
- 数据共享协议：研究其通过合同约束数据接收方义务的技术，例如要求合作方仅将数据用于约定目的，不得二次共享。
四、伦理约束：数据隐私的社会责任
- 算法偏见与公平性
- 偏见检测：掌握其通过统计指标（如群体公平性指标）识别算法歧视的方法，例如招聘模型中需检测不同性别候选人的通过率差异。
- 公平性优化：研究其通过调整训练数据分布或损失函数减少偏见的技术，例如在图像生成中平衡不同肤色人群的样本比例。
- 透明度与可解释性
- 模型可解释性：理解其通过LIME、SHAP等工具解释模型决策的技术，例如金融风控中需向用户说明拒绝贷款的具体原因。
- 用户知情权：分析其通过隐私政策明确告知数据收集目的、使用方式的技术，例如APP需在首次使用时弹出隐私政策弹窗。
- 社会影响评估
- 伦理审查机制：掌握其通过组建伦理委员会评估AI应用风险的技术，例如医疗AI产品需通过伦理审查后方可上市。
- 公众参与：研究其通过听证会、公众咨询等方式收集意见的技术，例如自动驾驶政策制定中需听取司机、行人等多方意见。
国际化
数字技能人才培养领航者