书名：密态深度学习
定价：129.8
ISBN：9787115640581
作者：刘西蒙 熊金波
版次：第1版
出版时间：2024-10

内容提要：
密态深度学习可以在不解密加密数据的前提下对授权用户提供深度学习服务，并可防止非授权用户对授权用户的数据进行窃取与利用。该技术突破了密态数据无法在非可信环境下被有效利用的技术瓶颈，实现了“安 全学习，万物互联”。本书从大数据、人工智能面临的隐私挑战出发，以密态深度学习理论框架与技术方法研究为主线，从理论模型到实际应用，系统阐述了密态深度学习的理论与技术。密态深度学习能够随时随地对密态数据进行安 全分析，充分利用加密信息资源，实现“服务在云端，信息随心行”的理想状态。 本书可为密码学、人工智能安 全、大数据安 全相关科研人员和企业研发人员提供参考，可以作为网络空间安 全一级学科博士生、硕士生的重要参考书，也可以作为计算机相关专业高年级本科生的补充读物。



作者简介：
刘西蒙 福州大学研究员、博士生导师，福州大学数学与计算机科学学院院长助理，系统信息安 全福建省高校重点实验室主任，福建省知联会理事，福建省“闽江学 者”特聘教授，福建省引进高层次人才(C类)，IEEE/ACM/CCF会员。主要从事密态计算、密态机器学习、大数据隐私保护、区块链，可搜索加密、公钥密码学应用等方面的研究工作；先后主持和参与国家自然科学基金项目5项(含重点项目一项)；已在国内外期刊、会议上发表SCI/EI学术论文250余篇，Google被引3300余次；申请国家发明专利4项。 熊金波 福建师范大学教授、博士生导师，中国中文信息学会大数据安 全与隐私计算专委会委员，福建省计算机学会理事，福建省高校杰出青年科研人才，福建师范大学第七届十佳青年教师，IEEE/ACM/CCF会员；获福建师范大学本科课堂教学优 秀奖和第 二届集英助教基金教学奖；主要从事物联网安 全与隐私保护、移动数据安 全等方面的研究工作；先后主持国家自然科学基金项目2项，福建省自然科学基金项目2项，福建省本科高校教育教学改革研究项目一项，作为主要成员参与国家重点研发计划、国家863计划等项目的研究；出版学术专著2部、教材一部；已在国内外期刊会议上发表SCI/EI学术论文一百余篇，ESI高被引论文3篇，Google被引一千一百余次；申请国家发明专利十三项、授权3项。

目录：
第1章 绪论 1
1.1　大数据　1
1.1.1　引言　1
1.1.2　概念　1
1.1.3　发展与应用　2
1.1.4　大数据关键技术　4
1.2　数据挖掘　6
1.2.1　引言　6
1.2.2　概念　7
1.2.3　发展与应用　7
1.2.4　数据挖掘相关技术　8
1.3　人工智能　9
1.3.1　引言　9
1.3.2　概念　9
1.3.3　发展与应用　10
1.3.4　人工智能关键技术　11
1.4　数据*与网络*　13
1.4.1　引言　13
1.4.2　概念　13
1.4.3　面临的威胁　14
1.4.4　*技术　15
1.5　数据挖掘面临的隐私问题　17
1.5.1　数据的过度采集　17
1.5.2　个人信息的滥用　17
1.5.3　数据的融合问题　17
1.6　人工智能面临的隐私问题　18
1.6.1　数据泄露带来的隐私风险　18
1.6.2　人工智能算法引发的隐私风险　18
1.6.3　人工智能的发展导致的*威胁　19
1.6.4　模型提取攻击导致的*威胁　19
1.7　本章小结　19

第2章　基础知识　22
2.1　深度学习　22
2.1.1　AdaBoost　22
2.1.2　XGBoost　24
2.1.3　联邦学习　25
2.1.4　全连接神经网络　28
2.1.5　深度神经网络　29
2.1.6　卷积神经网络　31
2.1.7　递归神经网络　33
2.2　同态加密　37
2.2.1　群、环、域　37
2.2.2　公钥密码体制的困难问题　40
2.2.3　加法同态Paillier算法　41
2.2.4　乘法同态RSA算法　42
2.2.5　全同态加密算法　43
2.3　基于*多方计算的密态计算　44
2.3.1　基于秘密共享的密态计算　44
2.3.2　基于混淆电路的密态计算　46
2.4　基于可信执行环境的密态计算　46
2.5　差分隐私　47
2.6　本章小结　49

第3章　基于AdaBoost的密态计算　54
3.1　背景介绍　54
3.2　研究现状　55
3.3　问题描述　56
3.3.1　系统模型　56
3.3.2　攻击模型　57
3.4　基于秘密共享的*协议　57
3.4.1　数据存储格式　58
3.4.2　指数的*匹配　58
3.4.3　改进的*自然指数协议　59
3.4.4　改进的*自然对数协议　60
3.5　模型构造　61
3.5.1　AdaBoost的FSA　62
3.5.2　弱分类器的线性加法　64
3.5.3　多分类扩展　65
3.6　理论分析　66
3.6.1　POR的正确性分析　66
3.6.2　POR的*性分析　67
3.7　性能评估　68
3.7.1　POR的性能　68
3.7.2　改进的*自然指数协议和*自然对数协议的性能　71
3.8　本章小结　74

第4章　联邦*梯度增强的密态计算　76
4.1　背景介绍　76
4.2　研究现状　77
4.3　问题描述　78
4.3.1　系统模型　78
4.3.2　*模型　79
4.4　模型构造　80
4.4.1　FEDXGB概述　80
4.4.2　SecAgg　81
4.4.3　SecBoost　82
4.4.4　SecFind　84
4.4.5　用户退出的鲁棒性　85
4.5　*性分析　85
4.5.1　SecAgg的*性　85
4.5.2　FEDXGB的*性　86
4.6　性能评估　87
4.6.1　实验配置　88
4.6.2　FEDXGB性能评估　88
4.6.3　SecAgg效率分析　89
4.7　本章小结　92

第5章　隐私保护联邦K-means　95
5.1　背景介绍　95
5.2　研究现状　97
5.3　问题描述　98
5.3.1　系统模型　99
5.3.2　*模型　100
5.4　模型构建　100
5.4.1　PFK-means概述　100
5.4.2　PFK-means方案　102
5.4.3　*系统设置　104
5.4.4　簇心更新　105
5.5　理论分析　110
5.5.1　复杂度分析　110
5.5.2　*分析　111
5.6　性能评估　113
5.6.1　实验设置　113
5.6.2　效用评估　113
5.6.3　实验分析　114
5.6.4　*性和实用性比较　116
5.7　本章小结　117

第6章　基于同态加密的密态神经网络训练　121
6.1　背景介绍　121
6.2　研究现状　123
6.3　问题描述　124
6.3.1　系统模型　124
6.3.2　*模型　125
6.4　HNN方案构造　125
6.4.1　全连接层　126
6.4.2　ReLU层　127
6.4.3　Softmax层　127
6.4.4　*反向传播　128
6.5　*性分析　130
6.6　性能评估　131
6.7　本章小结　134

第7章　基于卷积神经网络的密态计算　137
7.1　背景介绍　137
7.2　研究现状　138
7.3　问题描述　139
7.3.1　系统模型　139
7.3.2　*模型　141
7.3.3　设计目标　141
7.4　模型构造　141
7.4.1　*加减法协议　142
7.4.2　*乘法协议　142
7.4.3　*比较协议　143
7.4.4　矢量化　146
7.4.5　面向移动感知的轻量级隐私保护卷积神经网络特征提取　146
7.5　理论分析　151
7.5.1　正确性　151
7.5.2　*性　152
7.5.3　有效性　153
7.6　性能评估　154
7.6.1　*比较协议的性能　154
7.6.2　面向移动感知的轻量级隐私保护卷积神经网络特征提取的
性能　155
7.7　本章小结　159

第8章　基于LSTM网络的密态计算　163
8.1　背景介绍　163
8.2　研究现状　164
8.3　问题描述　165
8.3.1　系统模型　165
8.3.2　*模型　166
8.4　模型构造　166
8.4.1　基于秘密共享的*函数　166
8.4.2　面向加密音频特征的隐私保护LSTM网络　171
8.5　理论分析　179
8.5.1　OPSR的正确性　179
8.5.2　OPSR的*性　180
8.6　性能评估　181
8.6.1　OPSR的性能　181
8.6.2　保密LSTM网络交互协议的性能　184
8.7　本章小结　186