近年来,伴随着计算机硬件的不断升级,人工智能技术在实际应用中有了全新的突破,人类生活变得更加智能和自动化,当今社会正在逐渐步入一个万物互联的多元时代。由于生物特征的唯一性、可分辨性、灵活性和直接友好等优良特性,在很多应用领域,传统的基于密码验证的访问控制和身份认证技术正在逐渐被基于生物特征识别技术的验证方案所取代。在生物特征识别技术领域,人脸识别由于其独特的非侵犯性、支持红外和可见光、无需用户配合等诸多优点而成为身份认证领域中应用最为广泛的一种技术。借助云服务器外包计算来实现人脸识别技术是当前的一种典型的应用,而云服务提供商所提供的云服务器多为“半可信的”,人脸数据又极其敏感,所以直接将不加密的人脸数据上传到云服务器中请求服务会存在着隐私泄露的风险。因此,研究重点集中在如何能够保护外包人脸数据隐私性的同时实现人脸识别的功能。最近,基于同态加密和乱码电路技术的解决方案虽然在理论上取得了较大的突破,但是在实际应用中还存在着计算和通信开销较大的问题。针对上述情况,本文设计了一个基于边缘计算的可以保护用户隐私的人脸身份认证系统,主要研究内容和成果总结如下:1.在传统的基于云服务器外包计算的人脸身份认证系统中引入边缘计算,不仅可以减少用户与云服务器之间的交互次数,提升系统的实时性和容错率,还能有利于隐私保护方案的实施。利用深度学习框架训练了一个用于人脸图像特征提取的卷积神经网络,采用余弦相似性完成人脸验证操作,实验结果表明,本文实现的人脸识别方案在LFW数据集上取得了比传统的人脸识别算法更高的准确率。2.提出了一种基于安全最近邻算法的隐私保护方案,用于保护在边缘计算节点本地注册的用户的特征向量的安全性,实现边缘计算节点针对加密的人脸特征数据完成相似性度量的操作,并且加密过程不会占用过多的计算资源。最终实验证明,该方案实现了人脸特征向量在密文状态与明文状态完全相等的识别精度。3.提出了一种基于秘密分享同态技术的隐私保护方案,令系统中的每个边缘计算节点都存储着在其他边缘计算节点处注册的用户人脸特征向量的子密钥,使得每一个边缘计算节点都可以与其他任意t-1个边缘计算节点合作完成向云服务器请求在其他边缘计算节点处注册的用户的权限的操作,而又不会泄露该用户的人脸特征向量以及身份信息,从而实现用户和边缘计算节点之间的交叉认证。最终通过实验证明,该方案实现的人脸识别的精度与明文状态下人脸识别精度完全相同。