基于揭序加密的联邦决策树安全比较协议

• 全文链接
• 请求原文

作   者：

韩朝阳;  葛春鹏;  刘哲;  方黎明; 

作者机构：

山东大学软件学院;  之江实验室;  南京航空航天大学计算机科学与技术学院; 

关键词：

揭序加密;  安全比较;  联邦学习;  隐私计算;  外包计算;  联邦预测; 

期刊名称：

计算机学报

i s s n：

0254-4164

年卷期：

2024 年 004 期

页   码：

892-906

摘   要：

得益于联邦学习的发展,多个参与方得以越来越方便地在保护隐私的前提下协同训练多种机器学习模型.随着联邦学习训练方案的逐渐成熟,在这些模型上进行高效联邦预测任务的需求也日益受到关注.目前对联邦学习得到模型的应用的研究大都处于复用训练范式的范畴,而实际上这一做法造成了额外的开销,联邦预测任务存在着极大的效率提升空间.本文对基于树模型的外包预测服务进行研究.首先明确阐述了“联邦预测”任务,并指出设计高效解决方案面临着数据异构分布和用户数据动态变化的挑战.针对这些挑战,本文提出了新颖的安全比较协议OREC.OREC通过一个不可信的第三方的协助,使得两个参与方得以秘密地比较他们的私密值.所设计的协议基于揭序加密,其通过公开函数可以揭示出密文之间的顺序关系.为了增强其隐私性,我们进一步设计了一次一密机制并引入了混淆密码序列技巧.我们对协议进行了全面的安全性分析,并证明了其面对恶意第三方的鲁棒性.此外,我们还通过大量实验验证了所提出协议的高效性和可扩展性.