多方机器学习中的隐私保护关键技术研究

With the development of mobile technologies and the increasing of data, as effective methods of data analysis and mining, machine learning techniques have been widely used in many fields such as healthcare, economy, and image processing. However, considering protecting data privacy, multiple participants in a machine learning task cannot sharing their data with each other. As a result, the machine learning cannot be conducted on data from multiple parties, which could severely disrupt learning accuracy and data application. Facing the challenge above, this project make research on the privacy-preserving problems of data in the multi-party machine learning. In more details, the project focuses on the following three aspects: designing novel cryptographic techniques to enable main computations in multi-party machine learning algorithms to be executed on protected data; constructing privacy-preserving machine learning schemes to meet security requirements of multiple parties; designing algorithms for securely outsourcing multi-party machine learning tasks in the cloud environment. The research of this project will give a solution for privacy-preserving problems in multi-party machine learning, improve privacy protection in the era of big data, and promote machine learning applications.

随着移动互联技术的飞速发展和数据的爆发性增长，机器学习技术作为分析和挖掘数据价值的有效方法，在医疗、金融、图像处理等领域得到越来越重要的应用。然而，机器学习参与者之间的数据由于隐私等因素往往无法共享，导致机器学习无法实现对多方数据进行分析，从而严重影响到机器学习算法的精确性以及大数据应用的价值。为了应对上述隐私挑战，保护多方机器学习中的数据隐私，本项目拟围绕以下问题展开研究：1）面向多方机器学习算法的主要结构特点，构造新型密码技术，以支持算法对加密数据进行处理；2）面向多方参与者的不同隐私保护需求，利用轻量级密码技术设计多方机器学习方案，以保护各方的数据隐私；3）为了降低计算和存储等开销，在云环境下利用SGX等技术设计隐私保护的外包算法，以高效执行多方机器学习任务并确保结果的可靠性。通过本项目的研究，可以解决多方参与的机器学习隐私保护问题，提升大数据时代的隐私保护，促进机器学习的广泛应用。

项目从多方机器学习中的隐私保护关键技术的三个方面进行研究，即隐私保护的多方机器学习中的关键密码技术、隐私保护的多方机器学习方案以及云计算环境下的安全多方机器学习算法。在项目执行期间发表或录用论文11篇，包括SCI检索期刊论文8篇，CCF推荐B类以上会议/期刊论文10篇。项目的具体研究成果如下。. 1. 在隐私保护的多方机器学习中的关键密码技术方面，针对安全机器学习中在数据计算、存储、查询等方面的安全性和效率需求，设计了高效的乘-加结构加密方案，提出了高效数据更新的存储去重算法，提出了支持数值范围查询的轻量级频率隐藏的保留顺序加密方案。. 2. 在隐私保护的多方机器学习方案方面，重点考虑了训练任务交互频繁的特点，提出了非交互式的隐私保护多方机器学习方案NPMML，设计了非交互式的差分隐私数据发布方案。. 3. 在云计算环境下的安全多方机器学习算法方面，针对云环境下机器学习任务的计算安全问题，提出了计算完整性保障的联邦学习技术，设计了通信高效的外包分类服务方案。