隐私保护集合交集计算技术研究综述

隐私保护集合交集(private set intersection,PSI)计算属于安全多方计算领域的特定应用问题,不仅具有重要的理论意义也具有很强的应用背景,在大数据时代,对该问题的研究更是符合人们日益强烈的在享受各种服务的同时达到隐私保护的需求.对安全多方计算基础理论进行了简要介绍,并重点介绍了目前主流的安全多方计算框架下2类PSI研究技术:传统的基于公钥加密机制,混乱电路,不经意传输的PSI协议和新型的云辅助的PSI协议,并对各类协议的过程、适用性、复杂性进行简要分析总结.同时,也对隐私保护集合交集问题的应用场景进行详细说明,进一步体现对该问题的实际研究价值.随着对该问题的不断深入研究,目前已经设计了在半诚实模型下快速完成上亿元素规模的隐私集合求交集协议.

暗网网页用户身份信息聚合方法

暗网网页中用户身份标识信息的分布呈现出稀疏、不规律的特点,当前主流的信息聚合技术无法直接应用于该场景。提出一种基于共指关系抽取的用户身份信息聚合模型,该模型输入一对用户身份信息及其上下文语境,返回该信息对是否包含共指关系,并且构建相应的用户身份信息数据集用于聚合实验。为进一步提升模型的识别能力,在基线模型的基础上引入实体类别信息,提出实体类别敏感的共指关系抽取模型。针对暗网中通过某些身份类别信息无法获取足够多训练样本的问题,引入少样本学习任务,构建基于多任务的低资源条件下用户身份信息聚合模型。实验结果表明,在低资源条件下,经过优化的聚合模型F1值达到87.03%,较基线模型提升11.98个百分点。

基于OT协议的外包隐私集合交集计算协议

隐私集合交集(Private Set Intersection,PSI)计算是目前隐私保护的热点问题,它允许参与者在秘密集合上做交集操作,且不会泄露交集以外的信息。随着云计算技术的快速发展,外包技术也成为一种流行的计算方法。先提出了一种新的在云环境下的基于OT协议的隐私集合交集计算协议,证明了本协议在半诚实模型下是安全的,然后通过实验对本协议的效率进行分析,最后通过和现有的在云环境下的隐私集合交集计算协议进行比较,证明本协议在同等安全性下有较高的计算效率。

联邦学习中的拜占庭攻防研究综述

联邦学习作为新兴的分布式机器学习解决了数据孤岛问题。然而,由于大规模、分布式特性以及本地客户端的强自主性,使得联邦学习极易遭受拜占庭攻击且攻击不易发现,这严重破坏了模型的完整性和可用性等。首先,以拜占庭攻击为研究对象,对攻击原理进行细化分类与剖析。其次,以经典的网络安全防御模型为指导,从防御机制的角度针对联邦学习防御方法进行分类和分析。最后,提出了联邦学习抗拜占庭攻击需要解决的关键问题和研究挑战,为未来相关研究者提供了新的参考。