云环境下一种隐私保护的外包数据模型
密码学与安全
2022-11-28 v1 机器学习
摘要
如今，越来越多的机器学习应用，如医疗诊断、在线欺诈检测、电子邮件垃圾过滤等，由云计算提供服务。云服务提供商从多个数据拥有者处收集数据，以在云环境中训练或分类机器学习系统。然而，多个数据拥有者可能并不完全信赖第三方参与的云平台。因此，数据安全和隐私问题是使用机器学习工具的关键障碍，尤其在涉及多个数据拥有者时。此外，未授权实体可检测统计输入数据并推断机器学习模型参数。为此，提出一种隐私保护模型，在不损害机器学习效率的前提下保护数据隐私。为保护数据拥有者的数据，采用 epsilon-差分隐私，并利用雾节点解决该方案中带宽较低与延迟的问题。噪声由 epsilon-差分机制产生，随后被加入数据中。此外，噪声在数据拥有者端注入以保护其数据。雾节点从数据拥有者收集加噪数据，再将其传输至云平台以用于存储、计算及执行分类任务。
引用
@article{arxiv.2211.13542,
title = {A Privacy-Preserving Outsourced Data Model in Cloud Environment},
author = {Rishabh Gupta and Ashutosh Kumar Singh},
journal= {arXiv preprint arXiv:2211.13542},
year = {2022}
}