同态加密在隐私保护下分布式机器学习中的应用研究
发布时间：2021-05-13 18:14
在人工智能领域,随着数据量和计算量的急剧增加,机器学习的计算模式出现了由集中式向分布式计算扩展的趋势。分布式机器学习环境下,数据安全和隐私保护是数据所有者和计算服务提供商都很关注的重要问题。同态加密技术因为其具备可证明安全性且支持密文计算,成为实现安全分布式机器学习的主要技术之一,引起广泛研究和应用。本文将BGV（Brakerski-Gentry-Vaikuntanathan）同态加密方案应用于机器学习中的模型参数加密,设计并开发了可以实现隐私保护的分布式机器学习平台,称为隐私保护下的联合机器学习平台。完成的主要工作包括:（1）研究了BGV方案的设计思路和算法流程,分析了BGV的实现库——HElib的层次结构及关键类与关键方法的设计;研究了线性判别（Linear Discriminant）和线性回归（Linear Regression）的模型定义及算法思想,分析了机器学习库Shark中训练任务的执行流程。（2）研究了一般化分布式机器学习平台的结构,分析了分布式机器学习环境下隐私保护的具体工作;研究了隐私保护下分布式机器学习系统的结构设计及工作机制,分析了隐私保护在分布式机器学习系统中的...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
中文摘要
英文摘要
1 绪论
1.1 问题的提出及研究意义
1.1.1 问题的提出
1.1.2 问题的意义
1.2 国内外研究现状
1.2.1 同态加密的研究现状
1.2.2 分布式机器学习的研究现状
1.3 本文研究的目的和研究内容
1.3.1 本文研究的目的
1.3.2 本文研究的主要内容
1.4 论文章节安排
2 相关理论
2.1 同态加密方案
2.1.1 BGV方案的设计思路
2.1.2 BGV方案的算法流程
2.2 HElib同态加密软件库
2.2.1 HElib库的组成结构
2.2.2 HElib库的结构层次
2.3 两个机器学习算法与Shark机器学习库
2.3.1 线性回归与线性判别
2.3.2 Shark机器学习库
2.4 本章小结
3 联合机器学习平台体系结构的研究
3.1 一般化分布式机器学习平台的结构
3.2 隐私保护下分布式机器学习系统
3.2.1 分布式机器学习中的隐私
3.2.2 基于差分隐私的深度学习系统
3.2.3 基于加法同态的深度学习系统
3.3 隐私保护下联合机器学习平台
3.3.1 隐私保护下联合机器学习
3.3.2 隐私保护下联合机器学习的应用场景
3.3.3 隐私保护下联合机器学习的设计思路
3.4 本章小结
4 联合机器学习平台的设计
4.1 平台架构设计
4.2 平台结构设计
4.3 平台功能设计
4.3.1 数据融合
4.3.2 参数交换
4.3.3 加密解密
4.3.4 编码解码
4.3.5 本地训练
4.4 本章小结
5 联合机器学习平台的实现
5.1 平台密钥生成及导出
5.1.1 方案参数设计
5.1.2 密钥生成
5.1.3 密钥导出
5.2 客户端的实现
5.2.1 客户端密钥导入
5.2.2 本地训练及测试
5.2.3 参数编码与解码
5.2.4 参数加密与解密
5.2.5 参数上传与下载
5.3 服务器端的实现
5.3.1 服务器端密钥导入
5.3.2 数据融合
5.4 基于两类机器学习算法的系统实现
5.4.1 基于线性判别算法的系统实现
5.4.2 基于线性回归算法的系统实现
5.5 本章小结
6 总结与展望
6.1 主要结论
6.2 后续研究工作的展望
参考文献
附录
A 作者在攻读学位期间取得的科研成果目录
B 学位论文数据集
致谢
【参考文献】：
期刊论文
[1]全同态加密研究动态及其应用概述[J]. 刘明洁,王安. 计算机研究与发展. 2014(12)
[2]全同态加密研究[J]. 陈智罡,王箭,宋新霞. 计算机应用研究. 2014(06)
本文编号：3184484
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
中文摘要
英文摘要
1 绪论
1.1 问题的提出及研究意义
1.1.1 问题的提出
1.1.2 问题的意义
1.2 国内外研究现状
1.2.1 同态加密的研究现状
1.2.2 分布式机器学习的研究现状
1.3 本文研究的目的和研究内容
1.3.1 本文研究的目的
1.3.2 本文研究的主要内容
1.4 论文章节安排
2 相关理论
2.1 同态加密方案
2.1.1 BGV方案的设计思路
2.1.2 BGV方案的算法流程
2.2 HElib同态加密软件库
2.2.1 HElib库的组成结构
2.2.2 HElib库的结构层次
2.3 两个机器学习算法与Shark机器学习库
2.3.1 线性回归与线性判别
2.3.2 Shark机器学习库
2.4 本章小结
3 联合机器学习平台体系结构的研究
3.1 一般化分布式机器学习平台的结构
3.2 隐私保护下分布式机器学习系统
3.2.1 分布式机器学习中的隐私
3.2.2 基于差分隐私的深度学习系统
3.2.3 基于加法同态的深度学习系统
3.3 隐私保护下联合机器学习平台
3.3.1 隐私保护下联合机器学习
3.3.2 隐私保护下联合机器学习的应用场景
3.3.3 隐私保护下联合机器学习的设计思路
3.4 本章小结
4 联合机器学习平台的设计
4.1 平台架构设计
4.2 平台结构设计
4.3 平台功能设计
4.3.1 数据融合
4.3.2 参数交换
4.3.3 加密解密
4.3.4 编码解码
4.3.5 本地训练
4.4 本章小结
5 联合机器学习平台的实现
5.1 平台密钥生成及导出
5.1.1 方案参数设计
5.1.2 密钥生成
5.1.3 密钥导出
5.2 客户端的实现
5.2.1 客户端密钥导入
5.2.2 本地训练及测试
5.2.3 参数编码与解码
5.2.4 参数加密与解密
5.2.5 参数上传与下载
5.3 服务器端的实现
5.3.1 服务器端密钥导入
5.3.2 数据融合
5.4 基于两类机器学习算法的系统实现
5.4.1 基于线性判别算法的系统实现
5.4.2 基于线性回归算法的系统实现
5.5 本章小结
6 总结与展望
6.1 主要结论
6.2 后续研究工作的展望
参考文献
附录
A 作者在攻读学位期间取得的科研成果目录
B 学位论文数据集
致谢
【参考文献】：
期刊论文
[1]全同态加密研究动态及其应用概述[J]. 刘明洁,王安. 计算机研究与发展. 2014(12)
[2]全同态加密研究[J]. 陈智罡,王箭,宋新霞. 计算机应用研究. 2014(06)
本文编号：3184484
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3184484.html
