典型文献
纵向联邦线性模型在线推理过程中成员推断攻击的隐私保护研究
文献摘要：
随着大数据的发展以及数据安全相关法规的出台,人们的隐私保护意识逐渐加强,"数据孤岛"现象愈发严重.联邦学习技术作为解决该问题的有效方法之一,已成为当下备受关注的热点.在纵向联邦学习在线推理过程中,当前的主流方法并未考虑对数据标识的保护.针对此问题,提出一种适用于纵向联邦线性模型在线推理过程中的成员推断攻击的隐私保护方法,通过构造具有假阳率的过滤器来避免对数据标识的精确定位,从而保证数据的安全性;使用同态加密实现在线推理过程的全密态,保护中间计算结果;根据同态加密的密文倍乘性质,使用随机数乘法盲化操作,保证最终推理结果的安全性.该方案进一步提高了纵向联邦学习在线推理过程中用户隐私的安全性,且具有更低的计算开销和通信开销.
文献关键词：
联邦学习;纵向联邦线性模型;在线推理;部分同态加密;数据盲化
中图分类号：
作者姓名：
尹虹舒;周旭华;周文君
作者机构：
中国电信股份有限公司研究院安全技术研究所,上海 201315
文献出处：
引用格式：
[1]尹虹舒;周旭华;周文君-.纵向联邦线性模型在线推理过程中成员推断攻击的隐私保护研究)[J].大数据,2022(05):45-54
A类：
纵向联邦线性模型,部分同态加密,数据盲化
B类：
在线推理,推理过程,成员推断,隐私保护,保护研究,保护意识,数据孤岛,学习技术,纵向联邦学习,主流方法,保护方法,有假,过滤器,精确定位,保证数据,密实,密文,法盲,用户隐私,计算开销,通信开销
AB值：
0.231186
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
