密態(tài)深度學習可以在不解密加密數據的前提下對授權用戶提供深度學習服務，并可防止非授權用戶對授權用戶的數據進行竊取與利用。該技術突破了密態(tài)數據無法在非可信環(huán)境下被有效利用的技術瓶頸，實現了安 全學習，萬物互聯。本書從大數據、人工智能面臨的隱私挑戰(zhàn)出發(fā)，以密態(tài)深度學習理論框架與技術方法研究為主線，從理論模型到實際應用，系統(tǒng)闡述了密態(tài)深度學習的理論與技術。密態(tài)深度學習能夠隨時隨地對密態(tài)數據進行安 全分析，充分利用加密信息資源，實現服務在云端，信息隨心行的理想狀態(tài)。
本書可為密碼學、人工智能安 全、大數據安 全相關科研人員和企業(yè)研發(fā)人員提供參考，可以作為網絡空間安 全一級學科博士生、碩士生的重要參考書，也可以作為計算機相關專業(yè)高年級本科生的補充讀物。
本書立足于安 全計算理論，從安 全的角度構造典 型的安 全深度學習模型，核心部分全部以作者新研究成果作為支撐，具有明顯的創(chuàng)新性，這個也是區(qū)別于其他書籍的亮點。
以密態(tài)深度學習為核心的，以安 全計算理論和密碼學為基礎，從深度學習模型構造安 全和深度學習模型內在安 全兩方面進行系統(tǒng)介紹。
劉西蒙 福州大學研究員、博士生導師，福州大學數學與計算機科學學院院長助理，系統(tǒng)信息安 全福建省高校重點實驗室主任，福建省知聯會理事，福建省閩江學 者特聘教授，福建省引進高層次人才(C類)，IEEE/ACM/CCF會員。主要從事密態(tài)計算、密態(tài)機器學習、大數據隱私保護、區(qū)塊鏈，可搜索加密、公鑰密碼學應用等方面的研究工作；先后主持和參與國家自然科學基金項目5項(含重點項目一項)；已在國內外期刊、會議上發(fā)表SCI/EI學術論文250余篇，Google被引3300余次；申請國家發(fā)明專利4項。 熊金波 福建師范大學教授、博士生導師，中國中文信息學會大數據安 全與隱私計算專委會委員，福建省計算機學會理事，福建省高校杰出青年科研人才，福建師范大學第七屆十佳青年教師，IEEE/ACM/CCF會員；獲福建師范大學本科課堂教學優(yōu) 秀獎和第 二屆集英助教基金教學獎；主要從事物聯網安 全與隱私保護、移動數據安 全等方面的研究工作；先后主持國家自然科學基金項目2項，福建省自然科學基金項目2項，福建省本科高校教育教學改革研究項目一項，作為主要成員參與國家重點研發(fā)計劃、國家863計劃等項目的研究；出版學術專著2部、教材一部；已在國內外期刊會議上發(fā)表SCI/EI學術論文一百余篇，ESI高被引論文3篇，Google被引一千一百余次；申請國家發(fā)明專利十三項、授權3項。
第1章 緒論 1
1.1 大數據 1
1.1.1 引言 1
1.1.2 概念 1
1.1.3 發(fā)展與應用 2
1.1.4 大數據關鍵技術 4
1.2 數據挖掘 6
1.2.1 引言 6
1.2.2 概念 7
1.2.3 發(fā)展與應用 7
1.2.4 數據挖掘相關技術 8
1.3 人工智能 9
1.3.1 引言 9
1.3.2 概念 9
1.3.3 發(fā)展與應用 10
1.3.4 人工智能關鍵技術 11
1.4 數據安全與網絡安全 13
1.4.1 引言 13
1.4.2 概念 13
1.4.3 面臨的威脅 14
1.4.4 安全技術 15
1.5 數據挖掘面臨的隱私問題 17
1.5.1 數據的過度采集 17
1.5.2 個人信息的濫用 17
1.5.3 數據的融合問題 17
1.6 人工智能面臨的隱私問題 18
1.6.1 數據泄露帶來的隱私風險 18
1.6.2 人工智能算法引發(fā)的隱私風險 18
1.6.3 人工智能的發(fā)展導致的安全威脅 19
1.6.4 模型提取攻擊導致的安全威脅 19
1.7 本章小結 19
第2章 基礎知識 22
2.1 深度學習 22
2.1.1 AdaBoost 22
2.1.2 XGBoost 24
2.1.3 聯邦學習 25
2.1.4 全連接神經網絡 28
2.1.5 深度神經網絡 29
2.1.6 卷積神經網絡 31
2.1.7 遞歸神經網絡 33
2.2 同態(tài)加密 37
2.2.1 群、環(huán)、域 37
2.2.2 公鑰密碼體制的困難問題 40
2.2.3 加法同態(tài)Paillier算法 41
2.2.4 乘法同態(tài)RSA算法 42
2.2.5 全同態(tài)加密算法 43
2.3 基于安全多方計算的密態(tài)計算 44
2.3.1 基于秘密共享的密態(tài)計算 44
2.3.2 基于混淆電路的密態(tài)計算 46
2.4 基于可信執(zhí)行環(huán)境的密態(tài)計算 46
2.5 差分隱私 47
2.6 本章小結 49
第3章 基于AdaBoost的密態(tài)計算 54
3.1 背景介紹 54
3.2 研究現狀 55
3.3 問題描述 56
3.3.1 系統(tǒng)模型 56
3.3.2 攻擊模型 57
3.4 基于秘密共享的安全協議 57
3.4.1 數據存儲格式 58
3.4.2 指數的安全匹配 58
3.4.3 改進的安全自然指數協議 59
3.4.4 改進的安全自然對數協議 60
3.5 模型構造 61
3.5.1 AdaBoost的FSA 62
3.5.2 弱分類器的線性加法 64
3.5.3 多分類擴展 65
3.6 理論分析 66
3.6.1 POR的正確性分析 66
3.6.2 POR的安全性分析 67
3.7 性能評估 68
3.7.1 POR的性能 68
3.7.2 改進的安全自然指數協議和安全自然對數協議的性能 71
3.8 本章小結 74
第4章 聯邦極端梯度增強的密態(tài)計算 76
4.1 背景介紹 76
4.2 研究現狀 77
4.3 問題描述 78
4.3.1 系統(tǒng)模型 78
4.3.2 安全模型 79
4.4 模型構造 80
4.4.1 FEDXGB概述 80
4.4.2 SecAgg 81
4.4.3 SecBoost 82
4.4.4 SecFind 84
4.4.5 用戶退出的魯棒性 85
4.5 安全性分析 85
4.5.1 SecAgg的安全性 85
4.5.2 FEDXGB的安全性 86
4.6 性能評估 87
4.6.1 實驗配置 88
4.6.2 FEDXGB性能評估 88
4.6.3 SecAgg效率分析 89
4.7 本章小結 92
第5章 隱私保護聯邦K-means 95
5.1 背景介紹 95
5.2 研究現狀 97
5.3 問題描述 98
5.3.1 系統(tǒng)模型 99
5.3.2 安全模型 100
5.4 模型構建 100
5.4.1 PFK-means概述 100
5.4.2 PFK-means方案 102
5.4.3 安全系統(tǒng)設置 104
5.4.4 簇心更新 105
5.5 理論分析 110
5.5.1 復雜度分析 110
5.5.2 安全分析 111
5.6 性能評估 113
5.6.1 實驗設置 113
5.6.2 效用評估 113
5.6.3 實驗分析 114
5.6.4 安全性和實用性比較 116
5.7 本章小結 117
第6章 基于同態(tài)加密的密態(tài)神經網絡訓練 121
6.1 背景介紹 121
6.2 研究現狀 123
6.3 問題描述 124
6.3.1 系統(tǒng)模型 124
6.3.2 安全模型 125
6.4 HNN方案構造 125
6.4.1 全連接層 126
6.4.2 ReLU層 127
6.4.3 Softmax層 127
6.4.4 安全反向傳播 128
6.5 安全性分析 130
6.6 性能評估 131
6.7 本章小結 134
第7章 基于卷積神經網絡的密態(tài)計算 137
7.1 背景介紹 137
7.2 研究現狀 138
7.3 問題描述 139
7.3.1 系統(tǒng)模型 139
7.3.2 安全模型 141
7.3.3 設計目標 141
7.4 模型構造 141
7.4.1 安全加減法協議 142
7.4.2 安全乘法協議 142
7.4.3 安全比較協議 143
7.4.4 矢量化 146
7.4.5 面向移動感知的輕量級隱私保護卷積神經網絡特征提取 146
7.5 理論分析 151
7.5.1 正確性 151
7.5.2 安全性 152
7.5.3 有效性 153
7.6 性能評估 154
7.6.1 安全比較協議的性能 154
7.6.2 面向移動感知的輕量級隱私保護卷積神經網絡特征提取的
性能 155
7.7 本章小結 159
第8章 基于LSTM網絡的密態(tài)計算 163
8.1 背景介紹 163
8.2 研究現狀 164
8.3 問題描述 165
8.3.1 系統(tǒng)模型 165
8.3.2 安全模型 166
8.4 模型構造 166
8.4.1 基于秘密共享的安全函數 166
8.4.2 面向加密音頻特征的隱私保護LSTM網絡 171
8.5 理論分析 179
8.5.1 OPSR的正確性 179
8.5.2 OPSR的安全性 180
8.6 性能評估 181
8.6.1 OPSR的性能 181
8.6.2 保密LSTM網絡交互協議的性能 184
8.7 本章小結 186
書單推薦
