他的手一直探下去,色色视频网站,亚洲色欲一区二区三区在线观看

密態(tài)深度學習可以在不解密加密數(shù)據(jù)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(shù)據(jù)進行竊取與利用。該技術突破了密態(tài)數(shù)據(jù)無法在非可信環(huán)境下被有效利用的技術瓶頸，實現(xiàn)了安全學習，萬物互聯(lián)。本書從大數(shù)據(jù)、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(shù)據(jù)進行安全分析，充分利用加密信息資源，實現(xiàn)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(shù)據(jù)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。

第1章緒論 1

1.1　大數(shù)據(jù)　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(shù)據(jù)關鍵技術　4

1.2　數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)挖掘面臨的隱私問題　17

1.5.1　數(shù)據(jù)的過度采集　17

1.5.2　個人信息的濫用　17

1.5.3　數(shù)據(jù)的融合問題　17

1.6　人工智能面臨的隱私問題　18

1.6.1　數(shù)據(jù)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(lián)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(xiàn)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(xié)議　57

3.4.1　數(shù)據(jù)存儲格式　58

3.4.2　指數(shù)的安全匹配　58

3.4.3　改進的安全自然指數(shù)協(xié)議　59

3.4.4　改進的安全自然對數(shù)協(xié)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(shù)協(xié)議和安全自然對數(shù)協(xié)議的性能　71

3.8　本章小結　74

第4章　聯(lián)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(xiàn)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(lián)邦K-means　95

5.1　背景介紹　95

5.2　研究現(xiàn)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(xiàn)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(xiàn)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(xié)議　142

7.4.2　安全乘法協(xié)議　142

7.4.3　安全比較協(xié)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(xié)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(xiàn)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(shù)　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(xié)議的性能　184

8.7　本章小結　186

你還可能感興趣

我要評論