物联网数据安全可信的共享技术研究

丛书序
推荐序Ⅰ
推荐序Ⅱ
导师序
摘要
ABSTRACT
插图索引
表格索引
算法索引
第1章 绪论
1.1 研究背景与意义 1
1.2 关键科学问题 4
1.3 研究内容与贡献 8
1.4 本书组织结构 17
第2章 相关研究工作
2.1 数据交易 20
2.2 可验证计算 23
2.3 安全模型推理 24
2.4 终端间联合学习 28
第3章 感知数据分析服务中隐私补偿及查询定价机制
3.1 引言 34
3.2 技术准备 38
3.2.1 系统模型 38
3.2.2 河豚隐私框架 39
3.2.3 马尔可夫被干扰机制 41
3.3 交易机制设计 44
3.3.1 隐私度量 44
3.3.2 隐私补偿 51
3.3.3 查询定价 54
3.4 实验评估 61
3.4.1 实验设置 62
3.4.2 细粒度的隐私损失和隐私补偿 62
3.4.3 鲁棒的查询定价 66
3.4.4 计算开销与内存开销 70
3.5 本章小结 71
第4章 模型推理服务中隐私可保护的批量结果验证协议
4.1 引言 72
4.2 技术准备 76
4.2.1 支持向量机 77
4.2.2 密码学背景知识
4.3 问题建模 81
4.3.1 系统模型 81
4.3.2 安全需求与攻击模型 83
4.4 设计原理 86
4.5 底层理论协议设计 91
4.5.1 面向点积的设计 91
4.5.2 面向平方欧氏距离的设计 94
4.5.3 复杂度分析 97
4.5.4 安全分析 98
4.6 顶层应用设计 102
4.6.1 面向支持向量机的设计 103
4.6.2 面向其他机器学习算法的拓展 111
4.7 实验评估
4.7.1 实验设置 113
4.7.2 计算开销 115
4.7.3 通信开销 123
4.7.4 模型管理者的开销 124
4.8 本章小结 125
第5章 超大规模终端间联合子模型学习方法及隐私保护机制
5.1 引言 126
5.1.1 产业界场景驱动 127
5.1.2 联合子模型学习框架 130
5.1.3 新引入的隐私风险 131
5.1.4 基本问题和挑战 133
5.1.5 设计与贡献总览 136
5.2 技术准备 139
5.2.1 安全隐私需求 140
5.2.2 随机回答 143
5.3 协议设计 144
5.3.1 设计原理 144
5.3.2 设计细节 149
5.4 理论分析 162
5.4.1 安全隐私分析 163
5.4.2 复杂度分析 174
5.5 实验评估 178
5.5.1 实验设置 178
5.5.2 模型准确率与收敛性 182
5.5.3 通信开销 185
5.5.4 计算开销 189
5.5.5 内存与磁盘开销 191
5.5.6 拓展性讨论 191
5.6 本章小结 193
第6章 总结与展望
6.1 工作总结 194
6.2 研究展望 197
6.2.1 数据和模型交易 198
6.2.2 端云协同 200