AWS Clean Rooms 常见问题

AWS Clean Rooms ML 可帮助您和您的合作伙伴对集体数据应用机器学习模型来解锁预测性见解，而无需彼此共享敏感信息。借助 AWS Clean Rooms 功能，您可以邀请合作伙伴加入洁净室，将经过训练的 AWS 托管、随时可用的 ML 模型应用于每次协作，只需几个步骤即可生成相似的数据集，从而节省数月的开发工作，以便构建、训练、调整和部署自己的模型。

AWS Clean Rooms ML 可帮助客户处理多种应用场景。例如，航空公司可以使用其客户数据，与在线预订服务协作，识别具有相似特征的潜在旅行者，汽车贷款机构和保险公司可以识别与一组现有租赁所有者具有相同特征的潜在汽车保险客户，品牌和发布者可以对市场内客户的相似细分进行建模并提供高度相关的广告体验，而无需任何一家公司与他人共享基础数据。医疗保健建模将在未来几个月内发布。

AWS Clean Rooms ML 是基于电子商务和直播视频等各种数据集构建和测试的，与具有代表性的行业基准相比，该服务可以帮助客户将相似建模的准确性提高多达 36%。在诸如寻找新客户之类的现实应用中，提高准确性可以转化为节省数百万美元。

借助 AWS Clean Rooms ML 相似建模，您可以使用您的数据训练自己的自定义模型，并邀请合作伙伴将其记录的一小部分样本用于协作，以生成一组扩展的相似记录，同时仍可以保护您和合作伙伴的基础数据。AWS Clean Rooms ML 从一方提取少量记录样本，然后从另一位协作者的数据集中找到一组更大的记录或相似的分段。AWS Clean Rooms ML 不与任何一方共享数据，各方可以随时删除其数据或删除自定义模型。您可以指定生成的相似分段的所需大小，AWS Clean Rooms ML 会私下将您的样本列表中的唯一配置文件与合作伙伴数据集中的配置文件进行匹配，然后训练一个 ML 模型，预测协作者数据集中的每个配置文件与样本中的配置文件的相似度。AWS Clean Rooms ML 将自动对与示例列表相似的配置文件进行分组，并输出生成的相似分段。AWS Clean Rooms ML 使得无需与合作伙伴共享数据，即可构建、训练和部署 ML 模型。使用 AWS Clean Rooms ML，您的数据仅用于训练自己的模型，不用于训练 AWS 模型。您可以使用直观的控件来帮助您和合作伙伴对模型的预测结果进行调优。

数据保护始于 AWS 的安全基础，而 AWS Clean Rooms 建立在 AWS 安全服务的基础之上，包括 AWS Identity and Access Management（IAM）、AWS Key Management Service（AWS KMS）和 AWS CloudTrail。这便于您将现有的数据保护策略扩展到数据协作工作负载。借助 AWS Clean Rooms，您无需在 AWS 环境之外存储或维护数据副本并发送给另一方，即可开展使用者见解分析、营销衡量、预测或风险评估。

当您设置 AWS Clean Rooms 协作并使用 SQL 分析时，您可以为每位协作成员指定不同的能力以适应您的特定使用案例。例如，如果要将查询的输出发送给其他成员，则可以将一位成员指定为可以编写查询的查询运行者，将另一位成员指定为可以接收结果的查询结果接收者。这使协作创建者能够确保可以执行查询的成员无权访问查询结果。

AWS Clean Rooms 还配备 SQL 查询控件，允许您通过分析规则配置限制可在数据表上运行的查询类型或特定查询，从而帮助您保护数据。AWS Clean Rooms 支持三种类型的 SQL 分析规则：聚合、列表和自定义。借助聚合分析规则，您可以配置表，以便仅允许生成汇总统计信息的查询（例如活动衡量或归因）。借助列表分析规则，您可以配置控制，以便查询只能分析数据集与可查询成员的数据集的交集。使用自定义分析规则，您可以配置查询级别的控制，以允许在您的数据集中运行特定的账户或查询。使用自定义分析规则时，您可以选择使用差别隐私。借助 AWS Clean Rooms 差别隐私，只需几个步骤即可通过数学上的支持和直观控件来帮助您保护用户的隐私。作为 AWS Clean Rooms 一项完全托管的功能，无需事先获得差别隐私体验即可帮助您防止重新识别用户。另一种控制措施是聚合阈值，可以防止查询向下钻取到可能可重新识别的小型组。

使用 AWS Clean Rooms ML，您的数据仅用于训练自己的模型，不用于训练 AWS 模型。AWS Clean Rooms ML 不会将任何公司的训练或相似分段数据与其他公司一起使用，您可以随时删除模型和训练数据。

不需要。数据集存储在协作者的 AWS 账户中。AWS Clean Rooms 会临时从协作者账户读取数据，以运行查询、匹配记录、训练 ML 模型或扩展种子段。分析结果将发送到专为分析设计的 S3 地点。

AWS Clean Rooms 上的 AWS Entity Resolution 数据匹配服务可为您生成一个数据集，映射协作中各方的标识符。映射数据集由 AWS Clean Rooms 管理。协作中的任何成员都不能查看或下载映射表。如果合作中的所有成员都同意放宽隐私保护，就可以针对特定用例查询映射表。任何一方都可以随时删除该表。

由 AWS Clean Rooms ML 生成的模型由服务存储，可以使用客户托管的 AWS KMS 密钥进行加密，并且可以由客户随时删除。

借助 AWS Clean Rooms 加密和分析规则，您可以精细控制要共享的信息类型。作为数据协作者，您有责任评测每次协作的风险，包括重新识别的风险，并进行额外的尽职调查，以确保遵守任何数据隐私法律。如果您共享的数据是敏感的或受监管的，我们建议您仍然使用适当的法律协议和审计机制，以进一步降低隐私风险。

符合。AWS 服务条款禁止在某些应用场景下在 AWS Clean Rooms 中进行协作。

符合。AWS HIPAA 合规性计划将 AWS Clean Rooms 作为一项符合 HIPAA 要求的服务包含在内。如果您与 AWS 签订了商业伙伴增订合约（BAA），现在可以使用 AWS Clean Rooms 建立符合 HIPAA 要求的协作。如果您未签订商业伙伴协议或者在对您的 HIPAA 合规应用程序使用 AWS 的方面有其他问题，请联系我们，以获取详细信息。要了解更多信息，请参阅 AWS HIPAA 合规性和 AWS 医疗保健与生命科学行业解决方案。

在 SQL 分析规则中，您可以配置列级控制，以帮助您定义如何在查询中使用每一列。例如，您可以指定哪些列可用于计算聚合统计数据 [例如 SUM(price)]，以及哪些列可用于将表与其他协作成员连接起来。在聚合分析规则中，您还可以定义每个输出行必须满足的最小聚合阈值。未达到最低阈值的行将由 AWS Clean Rooms 自动筛选出。

符合。您将能够配置 AWS Clean Rooms 以在 Amazon CloudWatch Logs 中发布查询日志。使用自定义分析规则，您还可以在协作运行查询（存储在分析模板中）之前对其进行审查。 

差别隐私是一个经过数学验证的框架，用于帮助保护数据隐私。差别隐私背后的主要好处是通过添加受控的随机性（噪声）来掩盖正在分析的数据集中存在或不存在任何单个个体，从而帮助保护个人层面的数据。

借助 AWS Clean Rooms 差别隐私，只需几个步骤即可通过数学上的支持和直观控件来帮助您保护用户的隐私。作为 AWS Clean Rooms 一项完全托管的功能，无需事先获得差别隐私体验即可帮助您防止重新识别用户。AWS Clean Rooms 差别隐私可模糊处理任何个人数据在协作中生成聚合见解的贡献，以便您可以运行广泛的 SQL 查询，以生成有关广告活动、投资决策、临床研究等领域的见解。

作为具有提供数据能力的成员开始或加入 AWS Clean Rooms 协作后，您只需几个步骤即可开始使用 AWS Clean Rooms 差别隐私。创建配置表格（该表是对您在 AWS Glue Data Catalog 中的表格的引用）后，您只需选择在向配置的表格中添加自定义分析规则时开启差别隐私即可。接下来，将配置的表格关联到您的 AWS Clean Rooms 协作，并在协作中配置差别隐私策略以使您的表格可供查询。您可以使用默认策略来快速完成设置，也可以对其进行自定义以满足您的特定要求。

设置 AWS Clean Rooms 差别隐私后，您与之协作的合作伙伴可以开始在您的表格上运行查询，合作伙伴无需具备任何差别隐私概念方面的专业知识或进行额外设置。借助 AWS Clean Rooms 差别隐私，查询运行者可以运行自定义和灵活的分析，包括使用常用表格表达式（CTE）以及 COUNT 和 SUM 等常用聚合函数的复杂查询模式。

加密计算是一种在使用敏感数据时对其进行保护和加密的方法。数据可以在存储时、传输时和使用时进行静态加密。加密意味着将纯文本数据转换为编码数据，如果没有特定的“密钥”就无法破译。 私有集交集（PSI）是一种加密计算类型，它允许持有数据集的两方或多方比较加密版本以执行计算。加密在本地使用共享协作者的密钥进行。

AWS Clean Rooms 包括 C3R，该服务提供了使用客户端加密工具 [SDK 或命令行界面（CLI）] 预加密数据的选项，该工具使用与 AWS Clean Rooms 协作中的其他参与者共享的密钥。这会在运行查询时加密数据。