基于同态加密的轨迹求交系统的设计与实现
这是一篇关于隐私计算,轨迹求交系统,同态加密,隐私集合求交的论文, 主要内容为随着互联网时代的迅速发展,人工智能、机器学习和深度学习等新技术的兴起,数据已经成为国家发展的战略资源之一。与此同时,个人数据的安全隐私问题也逐渐引起人们的关注,国家也推出了相应的法律法规来保护个人的数据安全。如何在不泄露用户个人隐私的前提下进行数据的利用挖掘已经成为迫切要解决的问题。在疫情期间,对个人数据的收集和分析对于阻止病毒的进一步传播具有重要意义,然而同时也会泄露个人的隐私。为此,以隐私计算如同态加密、安全多方计算为技术基础的数据协同应用平台的服务更为可行。为了解决疫情期间对患者和个人的轨迹求交时会泄露隐私的问题,本文提出了基于同态加密构建一个轨迹求交系统,在保护双方隐私的前提下,实现了对双方轨迹的求交集,并将结果返回给个人。为了进一步优化系统效率,本文提出了替换同态加密算法来优化整个隐私保护集合交集协议的方法,经过实验,本文的方法使整个协议接收方提速了 26.59%-42.29%。本文也提出了一个数据预处理的方法,通过提前筛选出相同范围的数据来减少参与隐私保护集合交集协议的发送方的数据量,经过实验,该方法使整个协议接收方提速了 3%左右。本文基于软件工程的开发过程,先对系统需求进行分析,进一步进行系统概要设计,包括系统技术架构设计、系统功能模块设计以及系统数据库设计,用户端包括轨迹信息管理模块、轨迹信息求交模块以及个人信息管理模块,服务端包括患者轨迹管理模块、统计可视化模块以及用户管理模块;接着对以上系统功能模块进行详细设计与实现;最后进行了系统测试。
基于差分隐私保护的推荐算法研究
这是一篇关于差分隐私,推荐算法,隐私计算,隐私保护推荐系统的论文, 主要内容为互联网技术的不断发展和应用,为人们带来了前所未有的信息获取渠道和速度的同时也引发了严重的信息过载问题。推荐系统是当前解决信息过载问题的有效工具之一,它能够根据用户的历史行为、兴趣爱好、社交关系等信息,分析并预测用户的需求和偏好,进而给用户提供个性化的推荐。目前,推荐系统已经在电子商务、社交网络以及影视娱乐等领域得到广泛应用,然而,随着推荐系统应用的增多,用户的隐私泄露问题日益严峻,隐私保护推荐系统的搭建迫在眉睫。本文深入分析隐私保护技术在推荐系统上的应用,选择无需复杂的加密解密过程,仅添加噪声便可实现隐私保护的差分隐私方法用来解决推荐系统中的数据安全问题,进一步调研了现有的差分隐私保护推荐系统方案并总结出它们四个主要的局限性,即:少有研究将差分隐私技术和深度学习推荐算法结合、大多数研究只关注单一数据源和单一推荐算法、只考虑可信服务器的场景、没有考虑不同数据集的分布不同以及数值敏感度不同问题。最后,本文针对以上四个局限性,设计了两种基于差分隐私保护的推荐算法模型,具体概括如下:(1)鉴于将差分隐私技术和深度学习推荐算法相结合的研究较为有限,本文旨在探索在可信服务器的场景下,如何将差分隐私技术应用在深度学习推荐算法中。具体而言,本文基于Auto Rec算法,设计出DPAuto Rec算法,分别使用Laplace机制、Gaussian机制来扰动数据使其满足差分隐私并采用Rényi差分隐私进一步优化隐私预算的消耗,从而提高模型准确率。仿真实验结果表明,DPAuto Rec在满足差分隐私的前提下,仍然能够提供有价值的预测结果。(2)鉴于目前大部分研究仅聚焦于单一数据源和单一推荐算法、且局限于可信服务器的场景,忽略了不同数据集的分布不同以及数值敏感度不同的问题,本文提出了一个新的隐私保护推荐系统框架,该框架利用用户隐式反馈行为数据,在客户端考虑数值敏感度和数据分布不同,使用LCF-VDP(Local Collaborative Filtering-Value Differential Privacy)机制扰动原始数据并上传到服务器;服务器混合两种算法的相似度,最终选择topk混合相似度发送给每个用户设备,在每个用户设备中进行预测评分计算并推荐。仿真实验结果表明,提出的方法可以根据不同的需求来选择合适的参数,以达到最佳推荐效果,且LCF-VDP在各种隐私预算下比传统的扰动机制效用更好。
基于同态加密的轨迹求交系统的设计与实现
这是一篇关于隐私计算,轨迹求交系统,同态加密,隐私集合求交的论文, 主要内容为随着互联网时代的迅速发展,人工智能、机器学习和深度学习等新技术的兴起,数据已经成为国家发展的战略资源之一。与此同时,个人数据的安全隐私问题也逐渐引起人们的关注,国家也推出了相应的法律法规来保护个人的数据安全。如何在不泄露用户个人隐私的前提下进行数据的利用挖掘已经成为迫切要解决的问题。在疫情期间,对个人数据的收集和分析对于阻止病毒的进一步传播具有重要意义,然而同时也会泄露个人的隐私。为此,以隐私计算如同态加密、安全多方计算为技术基础的数据协同应用平台的服务更为可行。为了解决疫情期间对患者和个人的轨迹求交时会泄露隐私的问题,本文提出了基于同态加密构建一个轨迹求交系统,在保护双方隐私的前提下,实现了对双方轨迹的求交集,并将结果返回给个人。为了进一步优化系统效率,本文提出了替换同态加密算法来优化整个隐私保护集合交集协议的方法,经过实验,本文的方法使整个协议接收方提速了 26.59%-42.29%。本文也提出了一个数据预处理的方法,通过提前筛选出相同范围的数据来减少参与隐私保护集合交集协议的发送方的数据量,经过实验,该方法使整个协议接收方提速了 3%左右。本文基于软件工程的开发过程,先对系统需求进行分析,进一步进行系统概要设计,包括系统技术架构设计、系统功能模块设计以及系统数据库设计,用户端包括轨迹信息管理模块、轨迹信息求交模块以及个人信息管理模块,服务端包括患者轨迹管理模块、统计可视化模块以及用户管理模块;接着对以上系统功能模块进行详细设计与实现;最后进行了系统测试。
基于区块链与隐私计算的社交网络隐私保护模型研究
这是一篇关于区块链,隐私计算,社交网络,隐私保护的论文, 主要内容为社交网络的出现为公众提供了即时表达观点的渠道,但在这个过程中也容易出现传播负能量、造谣传谣、侵害公民隐私权等不良现象,使得各类信息的传播变得难以控制。区块链与隐私计算技术为化解社交网络用户表达独特观点、满足个性化需求和个人隐私数据泄露之间的矛盾,提供了技术层面的支持。鉴于此,本文从区块链与隐私计算融合的视角出发,构建了基于区块链与隐私计算融合的社交网络隐私保护模型,满足社交网络用户隐私安全情景下的社交需求。首先,提出了区块链与隐私计算融合模型。区块链在隐私保护中面临计算性能、数据权属等挑战,隐私计算在隐私保护中存在数据来源难确定、数据真实性难保障、数据质量难统一等难题。针对以上问题,从区块链与隐私计算融合的优势出发,构建区块链与隐私计算的融合模型,实现两者互补前提下的隐私保护。然后,构建基于区块链与隐私计算融合的社交网络隐私保护模型,保障社交网络用户的隐私安全。其中,数字身份管理模块运用分布式数字身份DID与可验证凭证(Verifiable Credentials,VC)实现计算参与方、社交平台及用户等多方主体的身份真实性验证;用户地理位置模块通过Paillier同态加密、秘密分享算法进行用户位置密文安全计算,落实隐私安全前提下的位置服务;用户社交关系模块运用RSA非对称加密算法保障用户在社交关系中隐私数据的传输安全。最后,对社交网络隐私保护模型进行实验对比,验证模型的性能属性。基于Hyperledger Fabric开源平台、Docker容器、Go编程语言进行实验部署,社交网络用户节点注册、用户位置隐私保护、用户社交隐私保护三个阶段的实验设计。通过吞吐量、延迟时间等性能分析,体现本文模型的性能优势,并在此基础上提出基于区块链与隐私计算的社交网络隐私保护实现路径。
基于差分隐私保护的推荐算法研究
这是一篇关于差分隐私,推荐算法,隐私计算,隐私保护推荐系统的论文, 主要内容为互联网技术的不断发展和应用,为人们带来了前所未有的信息获取渠道和速度的同时也引发了严重的信息过载问题。推荐系统是当前解决信息过载问题的有效工具之一,它能够根据用户的历史行为、兴趣爱好、社交关系等信息,分析并预测用户的需求和偏好,进而给用户提供个性化的推荐。目前,推荐系统已经在电子商务、社交网络以及影视娱乐等领域得到广泛应用,然而,随着推荐系统应用的增多,用户的隐私泄露问题日益严峻,隐私保护推荐系统的搭建迫在眉睫。本文深入分析隐私保护技术在推荐系统上的应用,选择无需复杂的加密解密过程,仅添加噪声便可实现隐私保护的差分隐私方法用来解决推荐系统中的数据安全问题,进一步调研了现有的差分隐私保护推荐系统方案并总结出它们四个主要的局限性,即:少有研究将差分隐私技术和深度学习推荐算法结合、大多数研究只关注单一数据源和单一推荐算法、只考虑可信服务器的场景、没有考虑不同数据集的分布不同以及数值敏感度不同问题。最后,本文针对以上四个局限性,设计了两种基于差分隐私保护的推荐算法模型,具体概括如下:(1)鉴于将差分隐私技术和深度学习推荐算法相结合的研究较为有限,本文旨在探索在可信服务器的场景下,如何将差分隐私技术应用在深度学习推荐算法中。具体而言,本文基于Auto Rec算法,设计出DPAuto Rec算法,分别使用Laplace机制、Gaussian机制来扰动数据使其满足差分隐私并采用Rényi差分隐私进一步优化隐私预算的消耗,从而提高模型准确率。仿真实验结果表明,DPAuto Rec在满足差分隐私的前提下,仍然能够提供有价值的预测结果。(2)鉴于目前大部分研究仅聚焦于单一数据源和单一推荐算法、且局限于可信服务器的场景,忽略了不同数据集的分布不同以及数值敏感度不同的问题,本文提出了一个新的隐私保护推荐系统框架,该框架利用用户隐式反馈行为数据,在客户端考虑数值敏感度和数据分布不同,使用LCF-VDP(Local Collaborative Filtering-Value Differential Privacy)机制扰动原始数据并上传到服务器;服务器混合两种算法的相似度,最终选择topk混合相似度发送给每个用户设备,在每个用户设备中进行预测评分计算并推荐。仿真实验结果表明,提出的方法可以根据不同的需求来选择合适的参数,以达到最佳推荐效果,且LCF-VDP在各种隐私预算下比传统的扰动机制效用更好。
隐私保护的图学习推荐方案研究
这是一篇关于隐私计算,图学习推荐系统,安全多方计算,联邦学习的论文, 主要内容为近年来,随着计算机设备、移动终端设备、互联网技术的飞速发展,人们进入了大数据时代。海量的信息资源在给人们带来便利的同时,也引发了信息超载问题。推荐系统作为解决信息超载问题的有效技术,扮演着至关重要的角色。然而,现有的大部分推荐系统为了提供完善的推荐服务,需要收集和分析大量的用户隐私数据,这给用户数据安全带来了巨大风险。为了保护用户数据隐私,支持隐私保护的推荐算法的研究取得了很大的进展。然而,现有的隐私保护推荐算法不能满足日益增加的隐私推荐精度需求,同时也无法应对推荐系统中用户节点爆炸式增多而带来的巨大计算开销问题。另外,实际场景中数据由大量移动用户产生并分布在多数据源上,现有的相关研究更多地讨论数据集中存储时推荐模型计算中的安全性问题,针对分布式存储的数据无法在保证数据隐私安全的情况下高效地进行推荐服务。为此,本文结合实际应用场景,对推荐系统中用户数据的集中存储与分布式存储两种情况下的数据隐私问题进行了讨论,并提出两种隐私保护方案。具体如下:(1)针对数据集中存储的云计算场景,即数据完全外包给云服务器,由云服务器进行模型的训练与预测,本文提出了基于安全多方计算的隐私图学习推荐方案SecSimpleRec。为了解决现有隐私推荐方案精度不足的问题,本文提出了一种基于图学习的隐私推荐算法,使模型能够在隐私保护的情况下有效利用图拓扑结构信息,从而增强隐私推荐能力。为了保证方案的安全性,文章对推荐系统中不同环节的隐私问题进行分析,并针对图学习推荐模型的不同阶段,基于加法秘密共享技术设计了安全计算协议对整个过程进行隐私保护。本方案能有效提高隐私推荐的精度和效率,并在本文证明了其中计算协议在半诚实模型下是安全的。(2)针对数据分布在大量移动用户,而用户不愿意泄露隐私的同时希望获得推荐服务的场景,本文提出了隐私保护的联邦图学习推荐方案PP-FedRec来实现对分布式数据的隐私保护与有效推荐。该方案克服了图结构数据无法在联邦学习场景下被有效利用的问题,提出全局图视角构建方法。为了保护推荐过程中的用户数据隐私,设计了安全图采样算法,并分析了上传的模型参数统计分布情况,利用差分隐私技术,为本文模型参数添加合适的噪声。通过多次实验,对其中的安全参数进行设定,使得其在保护数据隐私的情况下,不损失过多的推荐精度。另外,该方案解决了现有联邦推荐模型参数量大导致的通信开销巨大的不足,有效提高了联邦学习中训练与推理计算效率。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设助手 ，原文地址：https://m.bishedaima.com/lunwen/54845.html
