安全高效的加密数据朴素贝叶斯训练和分类

云外包为大规模数据上的机器学习任务提供有力支撑的同时也带来了数据隐私泄漏的风险. 本文旨在通过加密保护外包数据隐私并在加密数据上高效实现安全朴素贝叶斯训练和分类. 现有安全朴素贝叶斯方案大多考虑的是外包训练好的贝叶斯模型以及预测阶段的计算任务. 虽有少量工作考虑了同时在外包数据上完成朴素贝叶斯模型训练和分类, 但这些工作在安全性和效率方面存在不足. 本文结合somewhat同态加密算法、SIMD (single-instruction multiple data)技术和混淆电路提出了一个新的加密数据安全朴素贝叶斯训练和分类方案. 本文在不影响正确性的前提下对朴素贝叶斯算法进行转换, 设计了相应的明文编码方式避免计算过程出现数据溢出, 并提出了新的交互协议在外包加密数据上安全批量地实现了朴素贝叶斯模型训练和分类所需的运算. 提出的方案在保护外包数据集、朴素贝叶斯模型、待分类样本和分类结果的隐私的同时有效降低了计算和通信开销. 本文在半诚实模型下证明了提出方案的安全性, 并且通过实验验证了提出方案的有效性.