基于双陷门同态加密的决策树分类模型

决策树模型是一种简单易用且高效的分类器,在远程医疗、信用评估、文本分类等领域得到了广泛应用。分类服务提供者通常从客户端获取特征数据,将特征数据输入私有的分类模型,得到分类结果并返回客户端。为了保护客户端数据和决策树模型参数的隐私,文章基于双陷门同态加密技术提出一种安全高效的两方比较协议,并在此基础上设计了一种高效的隐私保护决策树分类模型。在阈值比较阶段,模型使用双陷门同态加密技术加密用户方的特征值和模型提供方的决策树阈值,并以判断两者差值正负的方式进行决策树评估。此外,模型简化了用户密钥管理流程,用户方仅需生成与存储部分公钥。安全性分析表明,该模型具有较高的隐私性。效率分析表明,该模型具有较低的计算开销。

云计算辅助的高效决策树隐私保护查询协议

针对基于线性函数的决策树隐私保护查询协议使用单比特同态加密比较算法,导致客户端的计算和通信开销较大问题,提出一种云计算辅助的高效决策树隐私保护查询协议。利用改进的双重ElGamal同态加密算法,将客户端与决策服务器之间执行的整数比较协议和决策节点选择协议转移至决策服务器与云计算辅助服务器之间,减少客户端的计算开销及其与服务器之间的通信开销,同时保护客户端的特征值信息和决策服务器的决策树模型信息的隐私。在乳腺癌数据集上的实验结果表明,该协议的客户端计算时间比基于线性函数的决策树隐私保护查询协议减少约41%,并且客户端与两个服务器之间的通信量减少约53.5%。