云环境下的安全岭回归外包与验证技术研究

摘要信息：“这篇硕士论文主要探讨了云环境中的安全岭回归协议设计，着重解决了现有方案中的效率低、客户端工作量大及缺乏公共可验证性等问题。论文利用伪装技术对数据进行盲化处理，提出了一种适用于云环境的安全岭回归外包方案。在该方案中，客户端通过置换矩阵和连续的幺模矩阵对数据进行混淆和二次盲化，然后发送给云服务器进行计算。云服务器在盲化数据上运算后，将结果返回给客户端解密。同时，方案在恶意模型下进行了形式化安全证明，确保了在Matlab环境下实现的方案具有较高的效率和安全性。此外，为满足第三方验证需求，论文还引入了边缘服务器，设计了一个具有高效、公开可验证性的基于边缘服务器的岭回归外包方案，通过将原始问题转化为加密的岭回归问题，保护了客户端数据隐私。该方案在大量数据集上表现出更高的效率，减少了客户端的计算负担，同时提供了公共可验证性，并在标准仿真模型下进行了形式化安全证明。” 这篇论文深入研究了在云环境中的岭回归算法安全问题，尤其是在数据隐私保护和计算效率方面。岭回归作为一种广泛应用的机器学习方法，由于计算资源限制，客户端往往需要将数据外包给云服务器。然而，这可能导致用户隐私泄露。为解决这个问题，论文提出了一个创新的解决方案，即使用伪装技术对数据进行预处理，使得数据在云服务器进行计算时保持匿名状态，从而保障了数据的安全性。 论文的核心贡献在于设计了两个安全外包方案。第一个方案中，客户端通过置换矩阵和连续幺模矩阵对数据进行混淆和盲化，仅需一轮通信即可完成与云服务器的交互，降低了客户端的工作量，且在高维度计算时，总计算时间接近于无外包情况。第二个方案进一步引入边缘服务器，提供了公共可验证性，使任何第三方都能验证计算结果的准确性，同时在大量数据集上显著提高了计算效率。 这两个方案都考虑了恶意模型下的安全性，并通过形式化安全证明确保了协议的有效性。通过Matlab的实现和性能分析，论文展示了这两个方案在实际应用中的优越性能，特别是在降低客户端计算负担和增强数据隐私保护方面。 这篇论文为云环境下的安全数据外包提供了新的思路和技术支持，对于隐私保护和计算效率的平衡有着重要价值。关键词包括岭回归、安全外包、伪装技术、边缘服务器、公共可验证性。