目前,機(jī)器學(xué)習(xí)在很多應(yīng)用場景下都有廣泛的應(yīng)用,例如圖像識別、語音識別、文本處理等。當(dāng)對不同來源收集的海量數(shù)據(jù)進(jìn)行訓(xùn)練時,這些機(jī)器學(xué)習(xí)模型往往具有更高的精度。然而,海量數(shù)據(jù)的收集往往會引發(fā)數(shù)據(jù)隱私泄露的擔(dān)憂。尤其是伴隨著云計算的普及,數(shù)據(jù)所有者傾向于將他們的數(shù)據(jù)和機(jī)器學(xué)習(xí)模型外包給具有強(qiáng)大資源的云。但是,直接外包可能會泄露數(shù)據(jù)隱私,因?yàn)樵贫瞬⒉煌耆�值得信賴。為了避免隱私泄漏,一個好的策略是在將數(shù)據(jù)上傳到云之前對數(shù)據(jù)進(jìn)行加密。然而,這也對在密文域中執(zhí)行機(jī)器學(xué)習(xí)算法提出了新的挑戰(zhàn)。特別是,非交互式地度量加密數(shù)據(jù)集之間的相似性,這對于保證機(jī)器學(xué)習(xí)的功能和效率至關(guān)重要。本文就基于向量同態(tài)加密VHE(Vector Homomorphic Encryption)方案,給出了三種典型的機(jī)器學(xué)習(xí)算法,包括分類、聚類和回歸問題的研究和分析。本文在已經(jīng)有的一些研究成果上面,研究了基于向量同態(tài)加密的三種典型機(jī)器學(xué)習(xí)算法。本文的主要研究內(nèi)容和研究成果主要包含以下幾個方面:1.研究適用于機(jī)器學(xué)習(xí)的同態(tài)加密方案。由于很多機(jī)器學(xué)習(xí)操作的基本元素為向量。所以我們研究基于向量的高效同態(tài)加密方案。該同態(tài)加密方案主要支持向量的...

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外現(xiàn)狀與分析
    1.3 本文的主要貢獻(xiàn)與創(chuàng)新
    1.4 本文的結(jié)構(gòu)安排
    1.5 本章小結(jié)
第二章 隱私保護(hù)機(jī)器學(xué)習(xí)相關(guān)背景知識
    2.1 同態(tài)加密簡介
    2.2 整數(shù)向量同態(tài)加密方案
        2.2.1 VHE運(yùn)算過程
        2.2.2 密鑰轉(zhuǎn)換技術(shù)(Key-Swithing)
        2.2.3 基本同態(tài)運(yùn)算
    2.3 機(jī)器學(xué)習(xí)算法介紹
        2.3.1 k NN分類算法
        2.3.2 k-means聚類算法
        2.3.3 線性回歸算法
    2.4 本章小結(jié)
第三章 基于VHE的k NN分類方法
    3.1 研究簡介
    3.2 問題描述
        3.2.1 系統(tǒng)模型和威脅模型
        3.2.2 方案設(shè)計目標(biāo)
    3.3 符號與參數(shù)
    3.4 協(xié)議提出
        3.4.1 問題重申
        3.4.2 安全的相似度計算
        3.4.3 PPkNNC協(xié)議的框架
    3.5 討論
        3.5.1 批處理計算
        3.5.2 帶標(biāo)簽數(shù)據(jù)的加密
        3.5.3 歐式距離計算方法
        3.5.4 算法方案對比
    3.6 安全性分析
        3.6.1 機(jī)密性
        3.6.2 函數(shù)安全性
    3.7 性能評估
        3.7.1 精度
        3.7.2 計算代價和通信代價
    3.8 結(jié)論
第四章 隱私保護(hù)下k-means聚類算法
    4.1 研究簡介
    4.2 問題描述
        4.2.1 系統(tǒng)模型和威脅模型
        4.2.2 設(shè)計目標(biāo)
    4.3 安全高效的VHE加密方案(ES-VHE)
        4.3.1 符號
        4.3.2 方案描述
        4.3.3 安全性
        4.3.4 性能比較
    4.4 隱私保護(hù)的相似性度量(PPSM)
        4.4.1 PPSM描述
    4.5 隱私保護(hù)的外包k-Means聚類方法(PPOk M)
        4.5.1 密文下的k-means聚類
        4.5.2 算法正確性
        4.5.3 算法改進(jìn)
        4.5.4 安全性
    4.6 性能和準(zhǔn)確率評估
        4.6.1 實(shí)驗(yàn)環(huán)境
        4.6.2 方案比較
        4.6.3 時間成本
        4.6.4 通信開銷
        4.6.5 多數(shù)據(jù)集實(shí)驗(yàn)
    4.7 結(jié)論
第五章 安全高效的外包線性回歸
    5.1 研究簡介
    5.2 問題描述
        5.2.1 系統(tǒng)模型和威脅模型
        5.2.2 設(shè)計目標(biāo)
        5.2.3 標(biāo)準(zhǔn)線性回歸和梯度下降法
        5.2.4 符號和參數(shù)
        5.2.5 隱私保護(hù)內(nèi)積
    5.3 協(xié)議提出
        5.3.1 問題重申
        5.3.2 基于向量同態(tài)加密的線性回歸
    5.4 討論
        5.4.1 加密損失函數(shù)
        5.4.2 加密參數(shù)
    5.5 安全性分析
    5.6 性能評估
        5.6.1 實(shí)驗(yàn)討論
        5.6.2 通信代價
    5.7 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文的工作總結(jié)
    6.2 后續(xù)研究工作
致謝
參考文獻(xiàn)
攻碩期間取得的研究成果



本文編號：4048436