面向加密数据上基于安全学习空间索引的隐私保护范围查询
密码学与安全
2025-12-04 v1 数据库
摘要
随着对云服务进行大规模数据管理的依赖日益加深，保护外包数据集的安全性和隐私性变得越来越关键。虽然加密数据和查询可以防止直接内容暴露，但近期研究揭示攻击者仍可通过访问模式和搜索路径分析推断敏感信息。然而，现有提供强访问模式隐私的解决方案往往带来显著的性能开销。在本文中，我们提出了一种针对加密数据集的新型隐私保护范围查询方案，在提供强安全保证的同时保持高效率。为此，我们开发了安全学习空间索引（SLS-INDEX），一种将 Paillier 密码系统与层次预测架构和注入噪声的桶相结合的安全学习索引，实现加密域中的数据感知查询加速。为进一步混淆查询执行路径，基于 SLS-INDEX 的范围查询（SLRQ）采用了基于排列的安全桶预测协议。此外，我们引入了一种安全点提取协议，用于生成候选结果以降低安全计算的开销。我们在现实泄漏函数下提供了形式化安全分析，并实现了原型以评估其实际性能。在真实世界和合成数据集上的大量实验表明，SLRQ 在查询效率方面显著优于现有方案，同时确保数据集、查询、结果和访问模式的隐私。
引用
@article{arxiv.2512.03669,
title = {Towards Privacy-Preserving Range Queries with Secure Learned Spatial Index over Encrypted Data},
author = {Zuan Wang and Juntao Lu and Jiazhuang Wu and Youliang Tian and Wei Song and Qiuxian Li and Duo Zhang},
journal= {arXiv preprint arXiv:2512.03669},
year = {2025}
}
备注
IEEE TrustCom-2025