隐私保护卷积神经网络前向传播方法研究

发布时间：2021-06-10 09:26

　　随着云技术和机器学习研究的不断发展,二者相结合的新型云计算服务形式——机器学习即服务开始涌现出来。用户可以通过云服务提供商的数据存储和计算资源来解决用户本地资源受限的问题。通过这种形式用户可以利用云端更加强大的计算能力来进行机器学习模型训练任务,同时对于云服务提供商部署的、已经训练好的模型,用户也可以按需使用这些模型完成预测任务。这种形式覆盖了很多应用场景,如目前已经出现云服务提供商和医学研究机构采用大数据合作形式构建医学影像诊断预测模型,并部署在云端,为用户提供医学诊断服务。在这些服务带来极大便利的同时,用户数据隐私问题也逐渐暴露出来。用户直接向云服务提供商发送原始数据无疑面临着极大的安全威胁。比如用户通过云端进行医学影像预测分析,用户私人健康信息将直接暴露给云服务提供商,这对用户隐私是极其不利的。针对于上述问题,即云端预测任务需要保障用户数据安全,同时考虑到卷积神经网络在图像领域的出色表现,本论文主要围绕隐私保护下卷积神经网络前向传播方法展开研究,旨在完成隐私保护下利用卷积神经网络模型完成图像分类预测任务。本论文中对于隐私保护问题的解决主要通过引入同态加密。相关的主要贡献如下:1.... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景
    1.2 国内外研究现状
    1.3 论文主要工作和组织结构
第二章 基础理论
    2.1 卷积神经网络
        2.1.1 卷积运算与卷积层
        2.1.2 激励层和池化层
        2.1.3 全连接层和全局平均池化层
    2.2 同态加密
        2.2.1 Paillier加密方案
        2.2.2 BFV加密方案
    2.3 本章小结
第三章 基于层级同态加密的卷积神经网络前向传播方法
    3.1 预测框架
    3.2 预处理
        3.2.1 同态加密参数
        3.2.2 模型参数编码
        3.2.3 中国剩余定理在计算方法中的应用
    3.3 各网络层密文计算方法
        3.3.1 卷积层密文计算
        3.3.2 池化层密文计算
        3.3.3 激励层密文计算
        3.3.4 全局平均池化层密文计算
    3.4 实验
        3.4.1 原始数据训练
        3.4.2 密文图像分类预测
        3.4.3 实验结果与对比
    3.5 本章小结
第四章 基于Paillier加密的卷积神经网络前向传播方法
    4.1 预测框架
    4.2 运算构造
        4.2.1 乘法运算
        4.2.2 除法运算
        4.2.3 内积运算
        4.2.4 取最大值运算
    4.3 各网络层密文计算方法
        4.3.1 卷积层密文计算
        4.3.2 池化层密文计算
        4.3.3 激励层密文计算
        4.3.4 全局平均池化层和全连接层密文计算
    4.4 实验
        4.4.1 原始数据训练
        4.4.2 密文图像分类预测
        4.4.3 实验结果与对比
    4.5 本章小结
第五章 总结与展望
    5.1 研究工作总结
    5.2 未来工作展望
参考文献
致谢
作者简介



本文编号：3222121