论文部分内容阅读
近年来,随着数据资源和计算能力的增长,机器学习快速发展,被应用到各个领域,例如:图像识别、行人检测、航空监管等等。在机器学习训练阶段使用的数据越多,则预测阶段机器学习模型精度越高。然而,海量数据的使用对本地计算资源带来了挑战。得益于云服务的应用,大量的机器学习的训练和预测都被外包到云服务器上进行。然而云服务自身数据安全事件频发,这加剧了公众对于数据泄露的担忧。为了解决云服务环境下机器学习中的数据泄露问题,本文基于向量同态加密（Vector Homomorphic Encryption,VHE）,在具体的应用场景有针对性地提出不同的隐私保护下的机器学习算法。本文在已有的研究基础之上,基于VHE,研究安全的支持向量机（Support Vector Machine,SVM）服务、隐私保护下的行人检测、隐私保护下的飞机位置认证等关键技术。本文的主要研究内容和成果包含以下几个方面:1.研究基于同态加密的安全的支持向量机服务。我们利用一种新的向量同态加密方案（Improved Vector Homomorphic Encryption,IVHE）提供 了一种基于云计算的安全的SVM服务（Secure SVM Service,SSVMS）,它可以支持多个服务订阅者和服务提供者。SSVMS可以抵御多个实体之间的共谋,并且可以保证模型安全以及订阅者的查询数据安全。2.研究基于向量同态加密的隐私保护下行人检测。基于向量同态加密,我们提出了一种基于行人图像的隐私保护下的行人检测方案（Privacy-Preserving Pedestrian Detection,PPPD）。PPPD可以在加密图像上有效地进行方向梯度直方图（Histogram of Oriented Gradients,HOG）特征提取和在核矩阵上安全地训练基于SVM的行人检测模型。另外,PPPD还可以保证行人检测全过程的数据隐私安全。3.研究基于向量同态加密的隐私保护下飞机位置认证。基于向量同态加密,我们提出了 一种准确高效的飞机位置验证方案（Accurate and Efficient Aircraft Location Verification,AEALV）。AEALV 通过利用基于网格的 k近邻（kNN）算法在隐私保护下预测飞机位置。此外,我们提出了一种用于飞机声称位置合法性的快速认证技术,可以极大的提高飞机位置合法性验证的效率。