基于横向联邦学习的隐私保护研究

近年来,随着人工智能的快速发展,机器学习成为处理数据的重要手段。传统的机器学习在处理数据时需要上传到中心服务器,无法保证用户数据隐私。但联邦学习的分布式特性保证了数据安全和隐私,同时也解决了数据孤岛问题,提高了不同应用环境下数据的可用性。然而,越来越多的研究表明,基于联邦学习的方法仍然遭受不同的隐私威胁,因此如何保护联邦学习场景下的用户数据隐私成为一个挑战。为应对联邦学习的隐私问题,对现有的隐私保护手段进行了调查分析。首先,介绍了联邦学习的定义、发展和分类;其次,介绍联邦学习的系统架构并分析了所遭受的隐私威胁手段;再次,根据联邦学习训练过程的生命周期对隐私保护技术进行分类和整理,同时比较了各技术的优缺点;最后,指出了目前联邦学习所面临的挑战,以及未来的发展趋势。

基于移动群智感知的隐私保护研究

得益于移动设备和无线网络的快速发展,移动群智感知(Mobile Crowdsensing,MCS)作为一种新型数据感知范式逐渐兴起,但在执行感知任务过程中,用户的个人隐私和数据安全面临多种多样的隐私风险,同时大大降低系统的可用性;为应对移动群智感知中的隐私问题,对现有的隐私保护方案进行了调查分析。首先简要介绍移动群智感知的系统模型和主要安全技术,以移动群智感知系统为整体,总结在感知任务过程中存在隐私威胁;其次,在上述威胁基础上重点讨论感知任务过程中位置隐私、数据隐私以及竞价隐私,并对其相关研究进行归纳分析;最后,进一步对移动群智感知未来发展进行展望。

移动群智感知中基于信任的加权隐私保护方案

在移动群智感知中,恶意感知用户可能在数据传输过程中丢弃或篡改数据,并通过共谋窃取部分数据切片导致信息泄露。针对此问题,提出一种基于用户信任的加权秘密共享隐私保护方案(Weighted Trust-Based Secret Sharing Privacy Protection,WTBSPP)。首先,从感知用户间的社交关联关系和数据质量两个维度进行用户信任计算,并据此选择可信协作用户构建安全传输路径进行数据传输;其次,采用加权秘密共享技术分发数据份额以隐藏原始数据,依据信任值计算权重贡献,确保原始数据在低权重用户处无法成功聚合;再次,感知用户使用不同身份将数据上传给感知平台完成交互,保护数据与感知用户身份之间的关联性;最后,通过理论分析和实验验证,证明WTBSPP方案完成感知任务时的可行性和有效性,可以有效保护感知数据的信息安全。