引言
伴随人工智能(Artificial Intelligence, AI)的兴起，其被广泛应用于各行各业中，特别是金融、医疗、教育等敏感领域，模型参数与训练数据的安全性逐渐成为研究热点［1］。深度神经网络等模型通常依赖大规模参数存储与分布式计算，然而在模型部署与参数更新过程中，存在参数泄露与隐私攻击的风险［2］。当前，该领域研究普遍面临一个关键瓶颈：计算效率与精度的矛盾。因此，如何在保证模型精度的前提下，有效提升同态加密的计算效率，已成为推动隐私保护与AI发展的核心挑战。
针对参数泄露风险的研究，赵宁等人引入LeNet5卷积神经网络获取敏感数据随机访问共振时序特征，预测敏感数据泄露风险［3］。傅东波等人解析加密算法演进路径，以应对网络攻击［4］。龙勇在研究中提到，将差分隐私、同态加密及多方安全计算等技术相结合，可提高联邦学习系统的安全性与抗攻击能力［5］。Ahmad等人开发了一个分室式网络流行病模型，用于分析恶意代码在计算机网络中的传播［6］。这些研究明确了综合化、系统化解决方案的重要性，但其或局限于理论框架，或未能与动态主动防御机制深度结合。为此，本文旨在弥补上述不足，提出利用算法同态性完成安全计算与防泄漏。
当前，安全计算技术主流防护方法包括差分隐私（Differential Privacy，DP）、安全多方计算（Secure MultiParty Computation，SMC）与同态加密（Homomorphic Encryption，HE）［7］。其中，HE的计算复杂性可能导致处理时间和资源需求大幅增加，相比DP会引入噪声影响精度，而SMC通信开销较大。本研究不同于传统的加密方案，除了可以实现加密明文，还可以实现密文间的运算。本文方法利用同态性，在海量数据情况下可以提高数据安全性，有效降低系统开销。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006855
作者信息：
张恒，廖尚斌，张陈颖
（中国移动通信集团福建有限公司，福建福州350000）
