医学科学数据共享与使用的伦理要求和管理规范(五)隐私分类分级的初步建议及其依据的确认

隐私分类分级原则和标准是医学科学数据共享应用隐私保护管理和技术规范的基础。随着互联网应用与数据共享倡议和实践的发展,隐私及其相关的术语或概念和含义不断扩展,很难在其中确定适合隐私分类分级的依据。简要回顾美国和欧洲隐私规范和相关术语概念的演化,特别是美国健康法案隐私规则及其指南和欧盟通用数据保护条例对隐私保护的相关规定。讨论分析隐私相关术语和概念的相互联系。最后,以是否为个人识别信息作为分类着眼点,进一步考虑医学领域的数据背景特征和中国的隐私习惯,我们提出一些隐私分类分级的初步概要性建议。

云环境下用户隐私属性及其分类研究

为了保护用户隐私,在云计算环境对用户隐私的影响基础上,通过对用户隐私的分类研究,设计出一种云环境下用户隐私分类方法。对其中隐私的属性进行研究,利用XML进行属性描述。最后通过设计的电信行业CRM用户隐私保护系统来对云环境下用户隐私分类器的应用作出验证。

一种基于格雷码置乱与分块混沌置乱的医学影像隐私保护分类方案

针对传统隐私保护机器学习方案抵抗对抗攻击能力较弱的特点,提出一种基于格雷码置乱和分块混沌置乱的医学影像加密方案(Gray+block chaotic scrambling optimized for medical image encryption,GBCS),并应用于隐私保护的分类挖掘。首先对图像进行位平面切割;然后,对图像不同位平面进行格雷码置乱后再进行分块,在分块的基础上分别进行混沌加密;最后通过深度网络对加密后的图像进行分类学习。通过在公开乳腺癌和青光眼数据集上进行交叉验证仿真实验,对GBCS的隐私保护与分类性能进行量化分析,并从图像直方图、信息熵和对抗攻击能力等指标考虑其安全性。实验结果表明医学图像在GBCS加密前后的性能差距在可接受范围内,方案能更好地平衡性能与隐私保护的矛盾,能有效抵御对抗样本的攻击,验证了本文方法的有效性。

基于差分隐私的分段裁剪联邦学习算法

为解决现有的差分隐私联邦学习算法中使用固定的裁剪阈值和噪声尺度进行训练,从而导致数据隐私泄露、模型精度较低的问题,提出了一种基于差分隐私的分段裁剪联邦学习算法。首先,根据客户端的隐私需求分为隐私需求高和低。对于高隐私需求用户使用自适应裁剪来动态裁剪梯度,而低隐私需求用户则采用比例裁剪。其次根据裁剪后阈值大小自适应地添加噪声尺度。通过实验分析可得,该算法可以更好地保护隐私数据,同时通信代价也低于ADP-FL和DP-FL算法,并且与ADP-FL和DP-FL相比,模型准确率分别提高了2.25%和4.41%。

边缘协同的轻量级隐私保护分类框架

针对边端计算环境下存在感知图像数据泄露与隐私保护分类框架计算低效的问题,提出一种边缘协同的轻量级隐私保护分类框架(PPCF),该框架支持加密特征提取和分类,在边缘节点协同分类过程中实现对数据传输和计算过程的隐私保护。首先,基于加性秘密共享技术设计一系列安全计算协议;在此基础上,两台非共谋的边缘服务器协同执行安全卷积、安全批量归一化、安全激活、安全池化等深度神经网络计算层以实现PPCF。理论与安全性分析证明了PPCF的正确性和安全性,性能评估结果显示,PPCF可达到与明文环境等同的分类精度;与同态加密和多轮迭代计算方案相比,PPCF在计算开销和通信开销方面具有明显优势。

云计算中数据的隐私保护数据加密算法研究

随着云计算中大数据的广泛应用,得到的数据量呈指数级增长,从而导致用户数据隐私保护方面面临严峻的挑战。数据加密的执行时间长度一直是数据加密处理和传输过程中的重要问题之一。在实际应用中许多应用程序为了达到整体数据传输性能水平的提升都放弃了数据加密。针对移动云计算中用户数据的隐私保护问题,本文提出一种新的数据加密方法,称为选择性数据加密算法(SDEA)。该算法原理为在单位时间限制下使用不同的隐私分类方法选择性地加密数据,目的是通过在实际应用最少的执行时间要求内使用选择性数据加密算法来最大化对大数据的隐私进行保护。仿真实验结果表明,本文提出的移动云计算中大数据的隐私保护数据加密算法兼顾数据传输效率的同时具有良好的数据隐私保护性能。

一种同态密码体制下加密云数据的隐私保护CART算法

CART(Classification And Regression Tree,分类回归树)是一种准确率和效率都较高的数据挖掘算法,它支持离散型和连续型的数据分类,但无法适用于对加密的隐私云数据进行分类.因此提出PPCART(Privacy-preserving CART,隐私保护的分类回归树),该算法利用同态加密特性对CART算法做了相应的改善,使之在保持CART原有准确率和相对较好执行效率的情况下能分类加密云数据,避免了在半诚实模型下的分类过程中真实数据的泄露.经过安全分析和实验测试表明,PPCART可显著提高传统CART算法的安全性,且具有接近于它的执行时间.

基于对抗性扰动图形神经网络的隐私攻击防御策略

为了保护隐私,同时维护干扰数据效用,提出了一种基于对抗性扰动图形神经网络的隐私攻击防御策略。候选边缘选择确保扰动图不可见,图形神经网络组合优化,确保隐私得到保护和数据实用性。进一步证明扰动图结构比扰动节点特征对图形神经网络的影响更大,并且证明扰动可以在模型不可察觉性和隐私保护之间取得平衡。实验结果表明:提出方法可以同时保持图形数据的不可见性,保持目标标签分类的预测置信度并降低隐私标签分类的预测置信度。

数据服务中心的隐私保护框架设计与应用研究

针对北京大学数据服务中心在为全校提供数据共享和数据再利用服务的同时,也存在很多信息和隐私安全方面的问题,分析了数据服务中心的隐私安全问题,设计了数据服务中心的隐私保护框架(DSP-PPF),并且基于这个框架在隐私数据的分类方法、隐私数据的访问控制和面向数据发布的隐私保护三个方面展开应用研究.通过应用所提技术进行隐私数据组织和管理,结果表明数据既能得到合理的保护,又能最大程度地发挥效用.