第1章 緒論
1.1 研究背景與意義 1
1.2 關鍵科學問題 4
1.3 研究內容與貢獻 8
1.4 本書組織結構 17
第2章 相關研究工作
2.1 數(shù)據(jù)交易 20
2.2 可驗證計算 23
2.3 安全模型推理 24
2.4 終端間聯(lián)合學習 28
第3章 感知數(shù)據(jù)分析服務中隱私補償及查詢定價機制
3.1 引言 34
3.2 技術準備 38
3.2.1 系統(tǒng)模型 38
3.2.2 河豚隱私框架 39
3.2.3 馬爾可夫被干擾機制 41
3.3 交易機制設計 44
3.3.1 隱私度量 44
3.3.2 隱私補償 51
3.3.3 查詢定價 54
3.4 實驗評估 61
3.4.1 實驗設置 62
3.4.2 細粒度的隱私損失和隱私補償 62
3.4.3 魯棒的查詢定價 66
3.4.4 計算開銷與內存開銷 70
3.5 本章小結 71
第4章 模型推理服務中隱私可保護的批量結果驗證協(xié)議
4.1 引言 72
4.2 技術準備 76
4.2.1 支持向量機 77
4.2.2 密碼學背景知識
4.3 問題建模 81
4.3.1 系統(tǒng)模型 81
4.3.2 安全需求與攻擊模型 83
4.4 設計原理 86
4.5 底層理論協(xié)議設計 91
4.5.1 面向點積的設計 91
4.5.2 面向平方歐氏距離的設計 94
4.5.3 復雜度分析 97
4.5.4 安全分析 98
4.6 頂層應用設計 102
4.6.1 面向支持向量機的設計 103
4.6.2 面向其他機器學習算法的拓展 111
4.7 實驗評估
4.7.1 實驗設置 113
4.7.2 計算開銷 115
4.7.3 通信開銷 123
4.7.4 模型管理者的開銷 124
4.8 本章小結 125
第5章 超大規(guī)模終端間聯(lián)合子模型學習方法及隱私保護機制
5.1 引言 126
5.1.1 產業(yè)界場景驅動 127
5.1.2 聯(lián)合子模型學習框架 130
5.1.3 新引入的隱私風險 131
5.1.4 基本問題和挑戰(zhàn) 133
5.1.5 設計與貢獻總覽 136
5.2 技術準備 139
5.2.1 安全隱私需求 140
5.2.2 隨機回答 143
5.3 協(xié)議設計 144
5.3.1 設計原理 144
5.3.2 設計細節(jié) 149
5.4 理論分析 162
5.4.1 安全隱私分析 163
5.4.2 復雜度分析 174
5.5 實驗評估 178
5.5.1 實驗設置 178
5.5.2 模型準確率與收斂性 182
5.5.3 通信開銷 185
5.5.4 計算開銷 189
5.5.5 內存與磁盤開銷 191
5.5.6 拓展性討論 191
5.6 本章小結 193
第6章 總結與展望
6.1 工作總結 194
6.2 研究展望 197
6.2.1 數(shù)據(jù)和模型交易 198
6.2.2 端云協(xié)同 200