联邦学习中的隐私保护研究进展

联邦学习是一种多方协作机器学习的模式,可以让参与者在本地训练模型中上传参数更新来组建联合模型,过程中并不需要参与者直接共享数据,从而很大程度上规避了隐私问题。但是,模型更新仍然会泄露参与者训练数据的相关信息,攻击者可以采用推理攻击判断具体的数据点或数据属性是否被用于训练,或采用逆向学习的方法还原原始数据。文中介绍了联邦学习及其存在的隐私问题,详细讨论了现有的隐私保护方法在联邦学习中的应用,主要包括加密方法与差分隐私方法,并对未来工作进行了展望。

浅析区块链取证与存证

当前,由于因特网已经是我们生活密不可分的一部分,一些违法事件会广泛利用因特网这一工具进行。因此很多犯罪痕迹都会残留在因特网中,只要这些犯罪痕迹符合两高一部'电子证据若干规定',那么就能以这些电子数据作为证据进行举证。尽管如此,在因特网庞大的信息量下,电子数据的来源数不胜数,这使得从因特网中获得有效数据变得困难。这两年来,区块链技术的出现,又让电子数据多了一个源头,而区块链的匿名特性导致对区块链数据取证的方式与传统取证方式有所改变。本文主要对区块链取证的方式进行探析,有效克服区块链取证的难点,推进计算机取证领域的发展。

面向隐私保护的异构数据库集成中间件系统

信息化时代,数据增长迅速,形式多样,数据的存储安全和高效处理问题备受关注,传统的关系数据库因其单表架构和行存储特点读写速度慢、扩展性较差,难以适应大数据的存储。关系与非关系数据库的融合技术应运而生。文中提出一种面向隐私保护的异构数据库集成中间件系统,虚拟化集成关系与非关系数据库。该中间件系统通过明密文数据库的整体映射,实现对隐私数据的保护,且其加解密过程对上层应用透明;通过提供通用的基于标准的体系结构,实现允许用户以SQL语句统一操作密文数据库和非关系数据库。仿真结果表明,该中间件系统中密文数据库保证了数据的安全性,关系与非关系数据库的融合可以存储和处理海量数据,SQL统一操作的标准化框架提高了系统的扩展性和应用范围。

基于本地化差分隐私保护的频繁项目挖掘算法

频繁项目挖掘是数据挖掘的研究热点之一,若数据集包含敏感信息,不作处理地发布挖掘结果会有隐私泄露的风险。目前已有本地化差分隐私的频繁项目挖掘算法,但还无法满足处理大数据时的实时性和数据可用性要求。针对这些问题,该文提出了一种新的面向本地化差分隐私保护的频繁项目挖掘算法—GFIM(group-based frequent items mining)。该算法把用户随机划分为不相交且大小相等的两组用户,整个运行过程分为两个阶段。第一阶段主要根据全部用户提交的信息挖掘出频繁项目的候选集C,而在第二阶段,两组用户分别通过设置冗余项把自身修剪为O(k)发送给数据收集者,最终的top-k频繁项目将利用上述两个阶段的结果。采用分阶段的思想减少了计算时遍历数据集的次数,加快了整体的运行速度。通过理论证明了该算法满足ε-本地化差分隐私,在多个真实数据集上的实验也验证了该方法的性能。

面向主成分分析的差分隐私数据发布算法

随着大数据应用日益广泛,数据预处理和隐私保护成为当前面临的重大挑战。主成分分析作为一种有效的数据降维方法,常用于数据预处理、机器学习和数据挖掘。在差分隐私保护框架下,论文提出基于输出扰动的主成分分析隐私保护数据发布算法,与直接对数据加噪相比,该算法在相同隐私保护程度下,对数据添加噪声更小。考虑不同的隐私预算分配方式,设计均分加噪、正向加噪和反向加噪三种加噪方式。从理论上比较三种方式引入的噪声大小,并采用真实数据集验证,选择最优方式。在最优加噪方式下分析输入数据和输出数据的近似误差影响因素,寻找误差极小值。实验表明,该算法兼顾数据的安全性和可用性。

基于LBF的人脸视频心率测量

心率是衡量人体健康和心理状况的重要指标,针对目前基于人脸视频的非接触式心率信号的提取易受人脸倾斜的影响,提出了一种基于局部二值特征的人脸视频心率测量方法。首先对使用普通摄像头采集的人脸视频进行人脸检测,运用局部二值特征模型实现人脸对齐,在面部区域精确选取感兴趣区域(ROI);其次在HSL颜色空间下对ROI进行皮肤分割,利用色度模型进一步去除脸部运动的干扰,并通过巴特沃斯带通滤波器减少噪声影响,提取脉搏信号;最后对提取的脉搏信号利用离散傅里叶变换进行时频分析得到心率值。实验结果表明,基于局部二值特征的人脸视频心率测量方法在人脸倾斜的情况下仍有较好的准确性和稳定性,平均绝对误差为2.2050,均方根误差为2.6395,与指尖脉搏血氧仪测量法具有很好的一致性,与其他方法比较性能有所提升,能够满足日常生活和远程医疗中心率测量的需要。