面向云计算的隐私保护图像特征提取方法研究.docxVIP

面向云计算的隐私保护图像特征提取方法研究 　　摘要：本文提出一种有效、实用的隐私保护方法，用于计算环境中大规模加密图像数据的特征提取。为了保证运算的安全性，设计了安全乘法协议（SMP）和安全比较协议（SCP）。该方法对原始图像数据进行随机分割，并将特征提取操作分配到两个不同的云服务器上，以保持其关键特性，同时实现效率和安全性要求。实验结果表明，与现有的方法相比，该方法具有较高的召回率和精确度，并具有较低的计算和通信开销。 　　关键词：云计算：特征提取：隐私保护　　0引言　　机器学习技术可以从大规模多媒体数据中发掘有价值的知识和隐藏的信息，但在本地处理大量多媒体数据是一项耗时的工作。由于云计算的快速发展和云计算服务的普及，数据所有者利用丰富的云计算资源，将大量的图像数据和图像处理任务迁移到远程的云服务器上，以节省成本和增加服务的灵活性。然而，由于数据所有者和云所属的信任域不同，云计算环境中的数据存储和计算也引发了很大的安全性和隐私问题。作为机器学习中的关键预处理步骤，研究者在保护隐私的云计算框架中对特征提取进行了广泛的研究，以便有效地去除不相关和冗余的数据，并提高学习准确性。在现有文献中，研究者提出了各种隐私保护计算，包括模幂运算、线性方程和kNN搜索。这些工作主要关注数值数据或文本数据的工程计算问题。近几年，密文域中的隐私保护数据搜索已经扩展到基于内容的多媒体检索、人脸识别和指纹识别，以及如何在云计算环境中实现安全图像搜索。然而，现有的研究均假设图像已经由特征提取算法预处理以获得图像的矢量表示。由于图像特征提取在多媒体数据处理中的重要性及其对海量数据的繁重操作，特别是对于其巨大尺寸和大量特征点的卫星数据，从密文域提取或检测图像特征已开始吸引越来越多研究人员的研究兴趣。　　Hsu等人采用同态加密、探讨加密域中隐私保护尺度不变特征变换（SIFT）;然而该解决方案具有很高的计算开销。Qin等人借助于保持加密和随机排列，提出了一种改进的方案。Wang等人考虑基于形状特征提取的安全和私有外包问题，并分别通过使用同态加密和乱码电路协议提出了两种具有不同安全级别的方法。虽然在隐私或效率方面付出了巨大努力，但是先前解决方案的一个共同限制是都缺乏关于保留原始图像特征提取算法的关键特性的全面分析和评估。Hu等人借助于乱码电路来解决这个问题，尽管该解决方案很好地保留了SIFT的关键特性，但仍有进一步降低其计算和通信成本的空间。更重要的是，其仍然无法消除边缘响应，使得检测到的关键点对于少量噪声不稳定。因此，如何在海量图像数据上实现隐私保护图像特征提取，同时减轻计算和通信负担是一个具有挑战性的问题，　　1 问题描述　　考虑一个基于云的多方图像特征提取计算模型：数据所有者O、云服务器S1以及云服务器S2。假设数据拥有者O持有大量敏感图像文件，而数据所有者缺少图像处理所需的资源。因此，O会将图像处理任务分配到具有丰富存储和计算资源的云。假设S1和S2分别属于两个不同的云服务提供商。为了保护自身的隐私，O首先对每个图像集进行加密处理，然后将密文（即加密后的图像数据）分发到S1和S2。通过一系列安全交互协议在密文域中运行SIFT算法之后，S1和S2将加密的特征描述符返回给数据所有者，数据所有者可以从其加密版本中恢复真实特征描述符。　　现有研究指出，将图像特征提取任务分配给一个云实体容易导致隐私的泄漏。因此，有必要使用至少两个云实体来实现隐私保护。与此同时，假设云实体是半可信的。　　本文的目标是实现具有隐私保护的图像特征提取，同时尽可能保留图像的关键特征。为此，该方法需要实现以下的设计目标：　　（1）安全约束。原始图像内容的隐私不能被泄露;　　（2）有效性约束。由该方法提取的特征向量应尽可能接近原始SIFT算法的结果：　　（3）效率约束。与单独执行SIFT算法相比，数据所有者仅需要进行少量的计算。　　2 安全运算协议　　2.1 安全乘法协议SMP　　假设两个服务器S1和是2分别拥有私有的k比特长度的整数x1和y1的。在执行协议之后，S1能够接收到一个服从均匀分布的随机值s1而S2接收到另一个服从均匀分布的随机值r1，使得s1+r1=x1×y1（mod p）。　　本文的安全乘法协议（SMP）能使双方安全地计算多对私有整数的乘积，使计算和通信成本大大降低。由于仅考虑8位长度的输入和16位的p值，乘积中间结果的长度会远小于p的长度。因此，为了便于说明，在下文中将取模操作省略。在SMP开始时，S1将首先使用SIMD以打包方式加密x.然后将加密后的x发送给S2。S2将利用同态属性将其与y相乘。最后，S2將使用随机生成的数字加密乘法操作的结果，并将其发送到S1进行解密。　　2.2 安全比较协议　　安全比较协议（SCP），能够在隐私得到保