機密機器學習
1）本質和目標
保密（保密）ML是允許培訓和使用模型的方法，最大限度地減少對原始數據的訪問並限制有關特定用戶的泄漏。對於iGaming來說，這尤其重要，因為PII/財務數據，監管機構（KYC/AML，RG），合作夥伴集成（遊戲提供商，PSP）以及跨境要求。
主要目標：- 降低泄漏和監管處罰的風險。
- 在品牌/市場之間提供協作學習的機會，而無需交換原始數據。
- 在ML（度量，SLO）中解釋和可驗證的「隱私價格」。
2） ML中的威脅模型
「模型轉換」（Model Inversion）-嘗試從模型中恢復原始示例/屬性。
Membership Inference：確定錄音是否參與了培訓。
Pipline中的數據泄漏：logi/fichestors,臨時文件,snapshots。
Proxy/Linkage攻擊：將非個人化數據與外部源混為一談。
Insider/Partner風險：可用性/邏輯中的多余權限。
3） PPMl工具和方法
3.1差異隱私（DP）
想法：添加受控噪聲以保證單位實體的貢獻是「無法區分的」。
應用地點：聚合，學習梯度（DP-SGD），報告/dashbords，出版統計學家。
參數：ε（epsilon）-「隱私預算」，δ是「失敗」的可能性。
討價還價是適當的：噪音更大→隱私性更強，準確性更低；規劃模型生命周期的預算會計。
3.2聯邦學習（FL）
想法：模型走向數據，反之亦然；漸變/權重而不是原始條目匯總。
變體：cross-device（很多客戶,弱節點）,cross-silo（幾個可靠的組織/品牌）。
安全放大器：安全降級，DP在FL之上，抵抗劣質/惡意客戶（byzantine-robust）。
3.3安全計算
MPC （Secure Multi-Party Computation）：在不相互泄露輸入的情況下進行協作計算。
HE（同源加密）：在加密數據上進行計算；價格昂貴，但對於點問題（計分/地獄）有用。
TEE/機密計算：可信的可執行環境（enclave），HW級別的代碼和數據隔離。
3.4其他
知識無披露（ZKP）：在不披露數據的情況下證明正確性（利基案例）。
化名/匿名：在學習之前；風險重新識別驗證。
私有集互換（PSI）：集合的交集（frod/Credit List）而不披露整個集合。
4） iGaming的架構模式
4.1私人fichepaiplines
PII與遊戲遙測事件分開；按鍵-通過tokenization/salted hashing。
具有訪問級別的Fichestor：raw（受限制），derived（機密），聚合體（內部）。
用於報告和研究的DP聚合；ε域配額（營銷/風險/RG）。
4.2合作學習
Cross-brand FL：holding 的常見反親和力/RG得分→局部梯度，與Secure Agg的中央聚合。
帶有PSP的MPC地獄：在PSP和操作員一方進行支付風險評分，而無需交換生薯條。
4.3私人地獄
VIP/付款的評分請求通過 TEE服務或選定子模型的HE評分。
僅累積結果；禁止將「生」菲切夫鑄件序列化。
5）流程和政府
5.1「最低數據」政策"
清晰的處理目標，允許的相位列表，保留時間。
PII分開，訪問-RBAC/ABAC，Just-in-Time，日誌。
5.2 RACI for PPMl
CDO/DPO-隱私政策，DPIA/DEIA，ε預算協調。
ML領導/數據所有者-技術人員選擇（DP/FL/MPC/TEE），質量驗證。
Security/Platform-密鑰、機密環境、審核。
Stewards-目錄/分類，數據狀態，套件護照。
5.3發行前支票
DPIA/道德影響評估。
Fairness+按組校準（沒有「隱藏代理」）。
Privacy-тесты: membership inference, gradient leakage, re-identification.
6）隱私度量和SLO
ε-budget usage：按模型/域累積消費。
Re-identification risk： de匿名概率（模擬/攻擊測試）。
攻擊AUC↓：membership/inversion攻擊的成功必須≈隨機性。
泄漏率：帶有PII=0的拼寫/狙擊事件。
Coverage：在需要時使用DP/FL/MPC/TEE的型號的百分比。
Latency/Cost SLO：私人計算開銷<prod路徑的目標閾值。
7） iGaming域練習
7.1 KYC/AML
PSI+MPC 用於匹配制裁名單/RER，而無需透露完整設置。
用於風險模式報告的DP聚合。
7.2 Responsible Gaming (RG)
市場品牌之間的通用風險檢測器的FL；嚴格的自我限制。
RG研究的DP出版物，以排除案例的去單純化。
7.3 Antifrod/付款
TEE得分高風險付款；具有PSP的chargeback概率的MPC估計。
地獄日誌審核：在軌道上沒有轉儲和PII。
7.4 個個性化/CRM
用於分割的DP聚合體；「狹窄」的fici（頻率，流派，會話）沒有玩家的詳細軌跡。
非設備FL用於基於顆粒狀特征的相似模型。
8）隱私測試和驗證
Membership Inference Challenge：針對模型的公共（內部）競爭性測試。
Gradient/Activation泄漏測試：檢查通過回程通道泄漏的情況。
K- anonimnost/ℓ-多樣性/t-closeness：非個人樣本的正式標準。
金絲雀記錄：用於檢測日誌/模型泄漏的人工記錄。
9） MLOps： 從開發到生產
Policy-as-Code：linter fich/PII標簽合同；CI阻止未解決的fici。
DP環路培訓：CI中的ε控制，預算磨損報告。
秘密/KMS：MPC/HE/TEE的密鑰，輪換和雙重控制。
無泄漏的觀察能力：在日誌中掩蓋，采樣，在跟蹤中禁止PII。
模型註冊：數據版本，ε/ δ，隱私技術，咆哮日期，所有者。
10）模板（準備使用）
10.1張私人模型卡（片段）
任務/影響： （RG/AML/antifrod/CRM）
隱私技術： （DP ε=？，FL，MPC/TEE/HE）
數據/信息： （類、PII標簽、來源）
質量指標： AUC/PR,校準
隱私度量標準： ε usage、Attack AUC、re-id風險
公平部分： 目標EO/EOr+校準
限制： 模型不適用的地方
環境： 機密節點/密鍵/邏輯策略
10.2 DP政策（草圖）
域預算： 市場營銷≤ X，風險≤ Y
ε會計： 在培訓/分析過程中重新編制
最低質量閾值： 不要「噪音」為零
例外： 通過DPO/CDO決定，並記錄了理由
10.3私人發行支票清單
- DPIA/道德已通過，業主已任命
- PII分開，fichi被政治允許
- DP/FL/TEE/MPC配置和測試
[] Attack-suite: membership/inversion ≈ random- 沒有PII的邏輯/軌道，重新設置
- 文檔：model card+privacy appendix
11）實施路線圖
0-30天（MVP）
1.帶有PII標簽的照片目錄；PII禁令。
2.為關鍵集合和研究報告啟用DP。
3.運行基本攻擊測試（membership/inversion）和報告。
4.具有隱私參數和所有者的模型卡。
30-90天
1.一個任務的FL飛行員（cross-silo）（例如RG或防凍劑）。
2.用於支付評分/VIP的機密環境（TEE）。
3.Policy-as-Code：linter fich+CI鎖定隱私。
4.自定義ε計數和dashboard privacy-SLO。
3-6個月
1.MPC/PSI與PSP/合作夥伴進行制裁/禁止列表匹配。
2.HE/TEE用於私有地獄的點腳本。
3.ML，金絲雀記錄，morThomas後定期隱私五旬節。
4.在所有高影響模型上覆蓋DP/FL；年度審計。
12）反模式
「匿名化」而不評估風險的重新識別。
沒有Secure Aggregation和DP的FL-梯度可以流動。
帶有PII 的地獄/fichestor的日誌。
缺乏ε和公共（內部）隱私報告的記錄。
零事件計劃（沒有花花公子和通訊）。
13）花花公子事件（簡述）
1.檢測：來自攻擊套件/監測/投訴的信號。
2.穩定：停止發布/模型/活動,隔離周圍環境。
3.估計：受影響的數據規模/類型/時間。
4.溝通：參與者/合作夥伴/監管者（需要時）。
5.Mitigation：pipline補丁，回收鑰匙，加強DP/policies。
6.課程：更新策略、測試、團隊培訓。
14）與相鄰從業人員的聯系
數據管理，數據來源和路徑，數據倫理，減少偏見，DSAR/隱私，模型監控，數據漂移-托管，負責和可驗證隱私的基礎。
底線
保密ML是工程和管理學科：正確的技術（DP/FL/MPC/TEE），嚴格的流程（政策即代碼，ε計算，攻擊測試），精確性和隱私之間的有意識的權衡以及持續的監控。在iGaming中，那些知道如何擴展分析和AI而不透露額外內容並保持玩家、合作夥伴和監管機構信任的人獲勝。