FHE-相容的分布式人脸识别方案设计与分析

密码协议与人脸识别的结合需解决两者的相容性、因协议约束导致的低识别率和低效率问题。融合C/S和管道-过滤器结构提出分布式人脸识别系统(DFRS)体系结构,引入并改进整数环上的全同态加密(FHE),以此为基础设计远程管道协议,提出FHE-相容的DFRS方案(FHE*DFRS)。采用与FHE相容的欧式距离分类,采用Gabor小波和主成分分析进行特征提取,提高识别率,将欧式距离计算转化为点积计算,降低轮次复杂度。实验验证与分析结果表明,该方案能够保护隐私,具有较高的识别率和效率。

基于深度学习的隐私保护型分布式人脸识别系统

基于深度学习的分布式人脸识别系统(Distributed Face Recognition System,DFRS)与安全计算的结合存在相容性问题和性能问题.相容性问题表现为深度学习中非线性函数和安全计算所支持的运算类型之间存在差异;性能问题表现为低效的安全计算与高开销的深度学习的结合将会导致DFRS的过长响应时间.针对相容性问题,考虑到非线性,提出基于混淆电路与深度学习相结合的隐私保护型DFRS设计方案,从而解决运算相容问题;针对性能问题,提出体系结构的改造方案.将深度学习的网络层拆分为两部分,将计算量较大的部分以高效的明文计算形式部署在客户端以提升DFRS效率.理论分析表明,新方案兼备非线性计算与安全性保护的功能优势.原型实验表明,新的体系结构使得系统的消息复杂度从近1998.206 MB减少到近60.591 MB,纯计算耗时从17.742 s降低到0.644 s,100 MB带宽下系统响应时间从177.125 s降至5.751 s.

FHE~* KDFRS:全同态加密相容的核基人脸识别系统

生物特征识别是一种有着特征唯一、不易复制等良好特性的个人身份鉴定与识别技术.但在识别过程中,个人信息通过公开信道传输或网络服务器存储时,有可能会受到第三方的截获和修改,或通信双方提供虚假信息进行相互欺骗.可通过引入全同态加密协议以保护数据与分类器.此类方案设计主要存在2方面问题:一方面是只支持"加乘"运算的全同态加密算法与识别算法的运算相容性问题;另一方面是由于加密算法的约束导致识别率与运行效率的降低.以C/S模型为基础,采用了Gabor小波和核主成分分析法,利用数据的非线性信息和高阶统计特性以提高识别率;并设计了通信协议,使用了多项式核和改进后的DGHV加密方案,以解决相容性问题.原型实现的实验数据表明,该方案在承接源自全同态加密的隐私保护的前提下,有着较高的识别率与运行效率,其累积匹配率为91.9%,最高识别率为97.62%,最大识别时间花销约为1 s.