基于联邦学习的边缘计算隐私保护研究

本文介绍了联邦学习的基础和所面临的隐私风险。对克服联邦学习隐私风险所使用的差分隐私、同态加密、区块链技所取得的研究成果进行了梳理和分析,提出了进一步研究的方向,对构建高隐私级别的边缘计算模型具有一定的实际意义。     

大数据分析技术下的隐私保护

随着大数据时代的到来,应用数据带来一定的经济和社会效益已成为常态。然而在数据分析的过程中,必不可少会涉及隐私和敏感数据,如何保障数据安全与隐私信息不被泄露,是在数据分析中不可忽略的问题。因此,文章基于对大数据分析工作中面临的数据隐私安全问题,分析其产生的原因并提出解决方法,并展望了其未来发展趋势。     

基于车雾环境的联邦学习动态隐私保护方案

当前已经有研究将雾环境与联邦学习结合应用在车联网隐私保护中,但是缺乏对车辆移动性可能导致隐私需求改变的问题的考虑。为此,文中基于区域内车辆终端数目,提出了在不同的隐私需求下实施不同的隐私保护和效率调整的方案,在同态加密方案中进行双重加密聚合并且动态调整本地迭代次数,在差分隐私方案中动态调整每轮云聚合与雾聚合次数。实验表明,在区域内车辆终端数不同的情况下,本方案满足在隐私计算的同时保持较高精度。     

基于联邦学习的本地化差分隐私机制研究

联邦学习与群体学习作为当前热门的分布式机器学习范式,前者能够保护用户数据不被第三方获得的前提下在服务器中实现模型参数共享计算,后者在无中心服务器的前提下利用区块链技术实现所有用户同等地聚合模型参数。但是,通过分析模型训练后的参数,如深度神经网络训练的权值,仍然可能泄露用户的隐私信息。目前,在联邦学习下运用本地化差分隐私(LDP)保护模型参数的方法层出不穷,但皆难以在较小的隐私预算和用户数量下缩小模型测试精度差。针对此问题,该文提出正负分段机制(PNPM),在聚合前对本地模型参数进行扰动。首先,证明了该机制满足严格的差分隐私定义,保证了算法的隐私性;其次分析了该机制能够在较少的用户数量下保证模型的精度,保证了机制的有效性;最后,在3种主流图像分类数据集上与其他最先进的方法在模型准确性、隐私保护方面进行了比较,表现出了较好的性能。     

基于同态加密的可验证隐私保护联邦学习方案

现有基于同态加密的联邦学习安全和隐私保护方案中,仍面临着服务器伪造聚合结果或与用户合谋导致隐私数据泄露风险。针对上述问题,该文提出抗合谋的隐私保护和可验证联邦学习方案。首先,通过结合秘密共享算法实现密钥的生成和协作解密,并采用同态加密等密码学原语进一步保护模型,防止用户与服务器的合谋攻击。然后基于双线性聚合签名算法使每个用户能够独立验证服务器提供的聚合结果。同时,为了鼓励更多拥有高质量数据的用户参与进来,该文提出一种激励机制,为用户提供相应的奖励。安全性分析表明,该文方案对系统中存在的合谋攻击具有鲁棒性。最后,理论分析和实验验证结果表明该方案具有可靠性、可行性和有效性。     

基于代理重加密的区块链数据受控共享方案

区块链以分布式共享全局账本的形式存储交易数据,数据共享难以实现隐私保护和可用性之间的平衡,现有的区块链数据共享方案在进行隐私保护的同时可用性较低,有效实现区块链数据访问权限的动态调整是一个挑战性问题.为此,本文提出基于代理重加密的区块链数据受控共享方案.首先,基于SM2构造代理重加密算法,并借此设计区块链数据受控共享方案,利用代理重加密保护交易数据隐私实现数据安全共享.其次,提出用户权限动态调整机制,区块链节点分工代理并对重加密密钥参数分割管理,实现用户访问权限确定性更新,交易数据的可见性得到动态调整.最后,安全性和性能分析表明,本方案可以在保护交易隐私的同时,实现区块链数据动态共享,并且在计算开销方面具有优势,更好地适用于区块链数据受控共享.     

基于区块链技术的网络隐私数据加密共享方法

随着互联网的普及,网络隐私数据的安全问题日益凸显,由于现有的加密算法非常复杂,导致加密和解密过程需要消耗大量的资源,这种复杂性虽然提高了安全性,但也降低了处理速度。因此,提出基于区块链技术的网络隐私数据加密共享方法。通过构建数据采集机制,采集用户共享请求数据,基于区块链技术计算共享用户的信任度,并授予用户访问权限。引入双哈希链时间锁定加密策略对数据进行加密处理,设计隐私数据加密共享控制流程,实现网络隐私数据的加密共享。实验结果表明,该方法的实际性能优越,且数据的加密和解密效率较高,能够满足用户对网络隐私数据安全共享的需求。     

面向敏感资产数据的区块链隐私保护研究

为了确保电力资产数据中用户的个人信息、详单、重要信令等敏感数据的安全,特别是经过关联分析可用于标识个人的片段化数据不被窃取或者泄露,本文针对电力敏感资产数据共享和探测出现的安全问题进行了研究。主要包括电力敏感资产数据云资源构建、电力敏感资产数据的同态加密、联盟区块链模型设计以及电力敏感资产数据共享管理平台,同时对电力敏感资产数据联盟区块链模型的安全性以及鲁棒性等进行了分析,进而验证所提模型的有效性。通过上述研究,可以更好地实现电力敏感资产数据的安全共享和探测,并为实际用户提供更好的技术支撑和优质的公共服务。     

基于区块链技术的医院数据共享与隐私保护研究

作为一种去中心化、不可篡改的分布式账本技术,区块链技术具有天然的安全性和隐私保护优势。在医院数据共享中,区块链可以通过智能合约和加密算法实现高效、安全的数据传输和隐私保护。文中探讨了基于区块链技术的医院数据共享与隐私保护机制,分析了区块链网络的架构及其节点功能,重点研究了其数据共享和隐私保护机制,包括智能合约的应用、同态加密及零知识证明技术在数据隐私保护中的实现。     

面向车联网数据隐私保护的高效分布式模型共享策略

针对车联网隐私数据共享面临的效率问题,提出了基于区块链的高效分布式模型共享策略.针对车联网场景下多实体、多角色的数据共享需求,通过在车辆、路边单元和基站之间构建主从链架构,实现了分布式模型安全共享;提出了基于激励机制的异步联邦学习算法,以激励车辆及路边单元参与优化过程;构造了混合PBFT的改进DPoS共识算法来降低通信...     

一种基于区块链和联邦学习融合的交通流预测方法

智能交通领域中实时准确地交通流预测一直是城市发展中的重中之重,这对提高路网运行效率起着至关重要的作用。现有的交通流预测方法大多是基于机器学习的,忽略了客户端不愿意参与预测任务或者为获得高奖励而撒谎的情况,从而在模型聚合时导致交通流预测的准确率下降。该文提出一种基于区块链和联邦学习融合的交通流预测方法(TFPM-BFL)来解决这一问题。在该方法中,利用加入了注意机制的长短期记忆网络(LSTM)模型进行本地预测,提高预测准确率;设计了基于信誉评定的激励机制,通过评估客户端上传的模型质量得到本地和局部信誉值,根据信誉值评定结果进行奖励分配,从而激励客户端参与联邦学习(FL);边缘服务器(ES)采用基于信誉值和压缩率的模型聚合方法来提高模型聚合质量。仿真结果表明,TFPM-BFL能够实现准确、及时地交通流预测,在保证底层数据私密的同时可以有效地激励客户端参与联邦学习任务,而且可以实现高质量的模型聚合。     

基于隐私匹配的服务代理发现方法

针对代理发现中用户对代理的性能、成本和安全性等方面的需求,以及需求匹配过程中的隐私保护问题,基于Paillier同态加密算法,提出一种新的综合考虑代理和用户属性及其偏好的私有数据信息匹配算法,包括建立基于欧氏距离的相似度函数、利用加密算法进行匹配、计算相似度和确定匹配的代理链4个步骤。该算法引入半可信主代理从全局层面管理所有子代理的业务类型和连接状况,并承担主要的计算开销,同时将欧氏距离与Paillier同态加密算法有机结合,支持具有偏好信息的多元属性数据匹配,能够有效保障用户和子代理的安全性。最终,通过安全性分析与性能仿真,证明所提出方案的安全性和有效性。     

云计算环境中支持隐私保护的数字版权保护方案简

针对云计算环境中数字内容安全和用户隐私保护的需求,提出了一种云计算环境中支持隐私保护的数字版权保护方案。设计了云计算环境中数字内容版权全生命周期保护和用户隐私保护的框架,包括系统初始化、内容加密、许可授权和内容解密4个主要协议;采用基于属性基加密和加法同态加密算法的内容加密密钥保护和分发机制,保证内容加密密钥的安全性;允许用户匿名向云服务提供商订购内容和申请授权,保护用户的隐私,并且防止云服务提供商、授权服务器和密钥服务器等收集用户使用习惯等敏感信息。与现有的云计算环境中数字版权保护方案相比,该方案在保护内容安全和用户隐私的同时,支持灵活的访问控制,并且支持在线和超级分发应用模式,在云计算环境中具有较好的实用性。     

Safeguarding cross-silo federated learning with local differential privacy

Federated Learning (FL) is a new computing paradigm in privacy-preserving Machine Learning (ML), where the ML model is trained in a decentralized manner by the clients, preventing the server from directly accessing privacy-sensitive data from the clients. Unfortunately, recent advances have shown potential risks for user-level privacy breaches under the cross-silo FL framework. In this paper, we propose addressing the issue by using a three-plane framework to secure the cross-silo FL, taking advantage of the Local Differential Privacy (LDP) mechanism. The key insight here is that LDP can provide strong data privacy protection while still retaining user data statistics to preserve its high utility. Experimental results on three real-world datasets demonstrate the effectiveness of our framework.     

自适应聚类中心个数选择：一种联邦学习的隐私效用平衡方法

联邦学习是一种分布式机器学习方法,它使多个设备或节点能够协作训练模型,同时保持数据的本地性。但由于联邦学习是由不同方拥有的数据集进行模型训练,敏感数据可能会被泄露。为了改善上述问题,已有相关工作在联邦学习中应用差分隐私对梯度数据添加噪声。然而在采用了相应的隐私技术来降低敏感数据泄露风险的同时,模型精度和效果因为噪声大小的不同也受到了部分影响。为解决此问题,该文提出一种自适应聚类中心个数选择机制(DP-Fed-Adap),根据训练轮次和梯度的变化动态地改变聚类中心个数,使模型可以在保持相同性能水平的同时确保对敏感数据的保护。实验表明,在使用相同的隐私预算前提下DP-Fed-Adap与添加了差分隐私的联邦相似算法(FedSim)和联邦平均算法(FedAvg)相比,具有更好的模型性能和隐私保护效果。     

一种金融级安全的区块链资产交易系统

提出了一种基于同态加密和环签名的区块链资产交易系统,通过同态加密技术可以对用户交易信息进行加密,使其对其他用户不可见,而环签名可以对同态加密后的密文进行业务合法性校验,保证交易合法性。该方法可以使区块链上原本公开透明的用户资产交易信息得到保护,具有去中心化、安全可靠和易用性高的特点,可以有效地起到保护用户隐私的作用,有利于促进增强区块链在金融资产交易场景中的用户交易信息隐私保护功能,有利于促进区块链隐私保护技术在金融场景中的落地和发展。     

利用RLWE构造基于身份的全同态加密体制

全同态加密为云计算中数据全生命周期隐私保护等难题的解决都提供了新的思路.公钥尺寸较大是现有全同态加密体制普遍存在的问题.本文将基于身份加密的思想和全同态加密体制相结合,利用环上容错学习问题（Ring Learning With Errors,RLWE）,其中将环的参数m扩展到任意正整数,提出了一种基于身份的全同态加密体制.体制以用户身份标识作为公钥,在计算效率和密钥管理方面都具有优势,安全性在随机喻示模型下可规约为判定性RLWE问题难解性假设.