物联网数据安全可信的共享技术研究 pdf下载

适读人群 ：科研人员、研究生、从业者
适读人群 ：研究生、科研人员、从业者等
◆中国计算机领域具有重要突破或重要创新的博士研究生科研成果
◆2021年度CCF优秀博士学位论文奖
◆立足数据共享各参与方的需求
◆突破制约大数据发展的关键瓶颈
◆实现安全可信的数据迁移到计算迁移的跨越

《物联网数据安全可信的共享技术研究》由上海交通大学博士后牛超越撰写，内容荣获2021年度CCF优秀博士学位论文奖。作者以当前普遍存在的“数据孤岛”现象为切入点，力求突破制约大数据发展的关键瓶颈。全书从数据共享多个参与方的安全隐私和效用需求出发，充分考虑物联网数据的大规模性、关联性、异质性和经济化属性，以及海量异构终端设备的资源受限和间歇可用，分别研究分析了推理服务交易和终端间联合学习，使得多方差异化需求得到精准刻画、充分满足和高效验证。

《物联网数据安全可信的共享技术研究》共六章：
第1章 绪论，主要介绍了全书的研究背景、研究意义，开展研究涉及的关键科学问题，以及全书的研究内容和研究做出的贡献，并向读者介绍了全书的组织结构。
第2章 相关研究工作，主要介绍了和本书关注点相关的一些研究工作，包括数据交易、可验证计算、安全模型推理和终端间联合学习。
第3章 感知数据分析服务中隐私补偿及查询定价机制，主要介绍了开展本章研究的技术准备工作、交易机制的设计，并进行了实验评估。
第4章 模型推理服务中隐私可保护的批量结果验证协议，主要介绍了开展本章研究的技术准备工作、问题建模、设计原理，讲解了底层理论协议设计、顶层应用协议设计，并进行了实验评估。
第5章 超大规模终端间联合子模型学习方法及隐私保护机制，主要介绍了开展本章研究的技术准备工作，讲解了协议设计的原理和细节，分析了安全隐私和复杂度，并进行了实验评估。
第6章 总结与展望，总结了全书的研究工作和成果，并对后续的研究方向及内容进行了规划与展望。

牛超越，上海交通大学博士后，研究兴趣主要包括数据共享与交易、端云协同学习、推荐系统、隐私保护等。以第yi作者或通讯作者身份在USENIX OSDI、ACM MobiCom、 ACM KDD等高水平会议和IEEE TDSC、IEEE TKDE等权威期刊上发表论文10余篇。相关研究成果已应用于阿里巴巴手机淘宝的重要业务场景。已申请专利10项，其中4项已授权。曾获2021年度CCF优秀博士学位论文奖、上海交通大学研究生“学术之星”、阿里巴巴集团学术合作优秀实习生等荣誉。

第1章 绪论
1.1 研究背景与意义 1
1.2 关键科学问题 4
1.3 研究内容与贡献 8
1.4 本书组织结构 17
第2章 相关研究工作
2.1 数据交易 20
2.2 可验证计算 23
2.3 安全模型推理 24
2.4 终端间联合学习 28
第3章 感知数据分析服务中隐私补偿及查询定价机制
3.1 引言 34
3.2 技术准备 38
3.2.1 系统模型 38
3.2.2 河豚隐私框架 39
3.2.3 马尔可夫被干扰机制 41
3.3 交易机制设计 44
3.3.1 隐私度量 44
3.3.2 隐私补偿 51
3.3.3 查询定价 54
3.4 实验评估 61
3.4.1 实验设置 62
3.4.2 细粒度的隐私损失和隐私补偿 62
3.4.3 鲁棒的查询定价 66
3.4.4 计算开销与内存开销 70
3.5 本章小结 71
第4章 模型推理服务中隐私可保护的批量结果验证协议
4.1 引言 72
4.2 技术准备 76
4.2.1 支持向量机 77
4.2.2 密码学背景知识
4.3 问题建模 81
4.3.1 系统模型 81
4.3.2 安全需求与攻击模型 83
4.4 设计原理 86
4.5 底层理论协议设计 91
4.5.1 面向点积的设计 91
4.5.2 面向平方欧氏距离的设计 94
4.5.3 复杂度分析 97
4.5.4 安全分析 98
4.6 顶层应用设计 102
4.6.1 面向支持向量机的设计 103
4.6.2 面向其他机器学习算法的拓展 111
4.7 实验评估
4.7.1 实验设置 113
4.7.2 计算开销 115
4.7.3 通信开销 123
4.7.4 模型管理者的开销 124
4.8 本章小结 125
第5章 超大规模终端间联合子模型学习方法及隐私保护机制
5.1 引言 126
5.1.1 产业界场景驱动 127
5.1.2 联合子模型学习框架 130
5.1.3 新引入的隐私风险 131
5.1.4 基本问题和挑战 133
5.1.5 设计与贡献总览 136
5.2 技术准备 139
5.2.1 安全隐私需求 140
5.2.2 随机回答 143
5.3 协议设计 144
5.3.1 设计原理 144
5.3.2 设计细节 149
5.4 理论分析 162
5.4.1 安全隐私分析 163
5.4.2 复杂度分析 174
5.5 实验评估 178
5.5.1 实验设置 178
5.5.2 模型准确率与收敛性 182
5.5.3 通信开销 185
5.5.4 计算开销 189
5.5.5 内存与磁盘开销 191
5.5.6 拓展性讨论 191
5.6 本章小结 193
第6章 总结与展望
6.1 工作总结 194
6.2 研究展望 197
6.2.1 数据和模型交易 198
6.2.2 端云协同 200

随着5G、低功耗广域网等网络基础设施的加速构建，数以百亿计的物联网终端设备接入网络，产生了海量的数据。物联网数据的充分利用可以有力地驱动科技创新和经济增长，改善国计民生。由于数据是非独占性资源，具有协同作用，因此数据共享、融合应用能够极大地提升数据利用率。然而，数据作为生产要素缺乏市场化配置机制，同时数据供给侧存在安全隐私顾虑，数据需求侧存在效用可信顾虑，导致“数据孤岛”现象严重，已经成为制约大数据发展的关键瓶颈。
为了消除数据壁垒，本书从数据共享多个参与方的安全隐私和效用需求出发，充分考虑物联网数据的大规模性、关联性、异质性和经济化属性，以及海量异构终端设备的资源受限和间歇可用，在数据迁移和计算迁移这两种互补模式下分别研究分析推理服务交易和终端间联合学习，使多方差异化需求得到精准刻画、充分满足和高效验证。本书首先研究了感知数据分析服务交易机制，重点考虑感知数据的时间关联性和用户的策略行为，实现精准的关联性隐私量化、可满足的隐私补偿和无套利的查询定价，为物联网数据的供需双方构建市场化体制；其次研究了模型推理服务中隐私可保护的批量结果验证协议，重点考虑在保护用户的测试数据隐私和服务提供商的模型机密性的前提下，批量验证模型推理结果的正确性，打通在数据迁移模式下隐私和效用需求刻画、需求满足和需求验证的完整链路。本书进一步提出了超大规模终端间联合子模型学习方法及隐私保护机制，面向复杂模型和异质数据突破终端开销瓶颈与模型性能瓶颈，同时保护终端用户可调控的数据隐私，实现从安全可信的数据迁移到计算迁移的跨越。