多方安全计算经典问题整理.doc

题 目 经典问题整理摘要 可以帮助人们在纷繁多样的数据中找出有用信息，并已经在，就在不断深入的同时，隐私保护问题在数据隐私的前提下进行成为亟待解决的一个问题 本报告隐私保持数据挖掘多方安全计算领域进行相关的整理工作，多方安全计算领域中较为经典的百万富翁、安全电子选举问题几何位置判定在翻阅文献基础上筛选出给出的简洁易懂的解决方案另一方面文中所的从时间复杂度、应用范围的局限性以及安全隐患评价，本报告也对各个问题中有待进一步研究解决的问题进行了简单的阐述，以起到抛砖引玉的效果。最后，也谈及了自己这门课程的上课感受。感谢开设的这门课程，授课的各位老师，让我在较短的时间得以大致了解当前数据库领域中所出现的一些前沿性的成果和问题，着实获益匪浅！类型的继续下去越办越好 关键词： 目录 1 引言 1 2 多方安全计算概述 1 3 百万富翁问题 2 3.1 姚式百万富翁问题解决方案[1] 2 3.1.1 方案定义 2 3.1.2 方案评价 2 3.2 基于不经意传输协议的高效改进方案[8] 3 3.2.1 不经意传输协议 3 3.2.2 改进方案 3 4 安全电子选举问题 4 4.1 选举模型 4 4.2 多选多的电子选举方案[14] 5 4.2.1 方案定义 5 4.2.2 方案评价 5 5 保护私有信息的几何判定问题 6 5.1 安全点积定义 6 5.2 安全点积协议 6 6 小结 7 7 课程感受 7 参考文献 8 引言 随着社会信息化和电子商务与电子政务的不断发展，数据成为社会的重要资源，面对时刻在高速增长着的数据，越来越多的人开始思考如何将这些数据转换成有用的信息和知识。比如连锁超市经理希望从交易数据库中发掘客户的消费习惯，电信运营商希望从客户通话记录中建立恶意欠费用户通话模型，银行经理希望能基于信用卡持卡人历史记录建立优良客户特征模型，传统的数据库技术远远不能满足这种深层次的数据分析处理需求，于是数据挖掘（Data mining，DM）应运而生。所谓的数据挖掘就是从数据中提取出隐含的过去未知的有价值的潜在信[1]，它是数据库知识发现（Knowledge-Discovery in Databases，KDD）中的一个步骤。 然而，在数据挖掘技术应用不断深入的同时，数据挖掘技术对数据隐私的威胁也日益引起人们的关注。或担心其数据被误用，或顾虑某些隐藏于数据背后的敏感信息被挖掘出来，人们往往不愿意提供数据参与数据挖掘工作，这就使得数据挖掘失去了基础。在这样一个背景下，研究如何在保持数据隐私的前提下进行数据挖掘是一件非常有意义的工作。当前，隐私保持数据挖掘Privacy Preserving Data Mining，PPDM）研究引起了国内学者的兴趣，已经开发了一系列的技术。隐私保持数据挖掘技术针对处理数据分布不同可以分为两类：集中式和分布式。集中式的主要随机扰乱、随机响应、数据交换、规则隐藏的启发式方法、k-匿名和l-多样性方法等等，而分布式中最常用的是多方安全计算密码技术。本报告主要就多方安全计算技术，选取了该比较经典的几个做了一些整理工作。 多方安全计算概述 生活中，常常会有多方各自拥有自己的数据，希望协作进行数据挖掘，但每个参与方都不希望让其它方看到自己原始数据的情形。比如各商业银行希望进行合作进行信用卡欺诈分析，各电信运行商希望合作进行客户流失模型分析，它们的数据有相似的属性，但都不希望向合作方透露具体的数据，同时希望得到数据挖掘结果。这就是多方安全计算应用于数据挖掘的现实需求模型，将该现实需求模型抽象化，得到多方安全计算的基本任务如下：大于或等于2的参与方，在无可信第三方参与的情况下，执行协议，得到共同或分别拥有的结果，但参与方不希望向任意其它方泄漏自身的隐私数据。多方安全计算在密码学中更一般的描述是：n个参与方p12，…，pn，每个参与方i持有秘密的输xi，希望计算一个共同函数：(x1，x2，…xn)，计算结束的时候，各方得到正确的输出(x1，x2，…xn)，同时自己的秘密输入i没有泄露给其它的参与方。 注意到，如果有可信第三方，那么多方安全计算任务就变得非常简单：各参与方把自己的输入数据传给可信第三方，由可信第三方计算结果传给参与方即可。但现实中可信第三方很难找到，于是多方安全计算任务就变得很困难。 多方安全计算研究由华人学者姚期智开创[2][3]，他通过研究两个百万富翁希望不向对方透露彼此财富的情况下比较谁更富有的问题，形象地说明了多方安全计算面的挑战和问题解决思路，并经Oded Goldreich5]、Shaft Goldwasser[6]等学者的众多原始创新工作，逐渐发展成为密码学的一个重要分支。 接下来，本报告将会对多方安全计算中比较的、电子选举问题以及保护私有信息的几何判定进行简单的介绍。 百万富翁问题