本书立足于安 全计算理论，从安 全的角度构造典 型的安 全深度学习模型，核心部分全部以作者新研究成果作为支撑，具有明显的创新性，这个也是区别于其他书籍的亮点。以密态深度学习为核心的，以安 全计算理论和密码学为基础，从深度学习模型构造安 全和深度学习模型内在安 全两方面进行系统介绍。

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。

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。

第1章 绪论 11.1　大数据　11.1.1　引言　11.1.2　概念　11.1.3　发展与应用　21.1.4　大数据关键技术　41.2　数据挖掘　61.2.1　引言　61.2.2　概念　71.2.3　发展与应用　71.2.4　数据挖掘相关技术　81.3　人工智能　91.3.1　引言　91.3.2　概念　91.3.3　发展与应用　101.3.4　人工智能关键技术　111.4　数据安全与网络安全　131.4.1　引言　131.4.2　概念　131.4.3　面临的威胁　141.4.4　安全技术　151.5　数据挖掘面临的隐私问题　171.5.1　数据的过度采集　171.5.2　个人信息的滥用　171.5.3　数据的融合问题　171.6　人工智能面临的隐私问题　181.6.1　数据泄露带来的隐私风险　181.6.2　人工智能算法引发的隐私风险　181.6.3　人工智能的发展导致的安全威胁　191.6.4　模型提取攻击导致的安全威胁　191.7　本章小结　19第2章　基础知识　222.1　深度学习　222.1.1　AdaBoost　222.1.2　XGBoost　242.1.3　联邦学习　252.1.4　全连接神经网络　282.1.5　深度神经网络　292.1.6　卷积神经网络　312.1.7　递归神经网络　332.2　同态加密　372.2.1　群、环、域　372.2.2　公钥密码体制的困难问题　402.2.3　加法同态Paillier算法　412.2.4　乘法同态RSA算法　422.2.5　全同态加密算法　432.3　基于安全多方计算的密态计算　442.3.1　基于秘密共享的密态计算　442.3.2　基于混淆电路的密态计算　462.4　基于可信执行环境的密态计算　462.5　差分隐私　472.6　本章小结　49第3章　基于AdaBoost的密态计算　543.1　背景介绍　543.2　研究现状　553.3　问题描述　563.3.1　系统模型　563.3.2　攻击模型　573.4　基于秘密共享的安全协议　573.4.1　数据存储格式　583.4.2　指数的安全匹配　583.4.3　改进的安全自然指数协议　593.4.4　改进的安全自然对数协议　603.5　模型构造　613.5.1　AdaBoost的FSA　623.5.2　弱分类器的线性加法　643.5.3　多分类扩展　653.6　理论分析　663.6.1　POR的正确性分析　663.6.2　POR的安全性分析　673.7　性能评估　683.7.1　POR的性能　683.7.2　改进的安全自然指数协议和安全自然对数协议的性能　713.8　本章小结　74第4章　联邦极端梯度增强的密态计算　764.1　背景介绍　764.2　研究现状　774.3　问题描述　784.3.1　系统模型　784.3.2　安全模型　794.4　模型构造　804.4.1　FEDXGB概述　804.4.2　SecAgg　814.4.3　SecBoost　824.4.4　SecFind　844.4.5　用户退出的鲁棒性　854.5　安全性分析　854.5.1　SecAgg的安全性　854.5.2　FEDXGB的安全性　864.6　性能评估　874.6.1　实验配置　884.6.2　FEDXGB性能评估　884.6.3　SecAgg效率分析　894.7　本章小结　92第5章　隐私保护联邦K_means　955.1　背景介绍　955.2　研究现状　975.3　问题描述　985.3.1　系统模型　995.3.2　安全模型　1005.4　模型构建　1005.4.1　PFK_means概述　1005.4.2　PFK_means方案　1025.4.3　安全系统设置　1045.4.4　簇心更新　1055.5　理论分析　1105.5.1　复杂度分析　1105.5.2　安全分析　1115.6　性能评估　1135.6.1　实验设置　1135.6.2　效用评估　1135.6.3　实验分析　1145.6.4　安全性和实用性比较　1165.7　本章小结　117第6章　基于同态加密的密态神经网络训练　1216.1　背景介绍　1216.2　研究现状　1236.3　问题描述　1246.3.1　系统模型　1246.3.2　安全模型　1256.4　HNN方案构造　1256.4.1　全连接层　1266.4.2　ReLU层　1276.4.3　Softmax层　1276.4.4　安全反向传播　1286.5　安全性分析　1306.6　性能评估　1316.7　本章小结　134第7章　基于卷积神经网络的密态计算　1377.1　背景介绍　1377.2　研究现状　1387.3　问题描述　1397.3.1　系统模型　1397.3.2　安全模型　1417.3.3　设计目标　1417.4　模型构造　1417.4.1　安全加减法协议　1427.4.2　安全乘法协议　1427.4.3　安全比较协议　1437.4.4　矢量化　1467.4.5　面向移动感知的轻量级隐私保护卷积神经网络特征提取　1467.5　理论分析　1517.5.1　正确性　1517.5.2　安全性　1527.5.3　有效性　1537.6　性能评估　1547.6.1　安全比较协议的性能　1547.6.2　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　1557.7　本章小结　159第8章　基于LSTM网络的密态计算　1638.1　背景介绍　1638.2　研究现状　1648.3　问题描述　1658.3.1　系统模型　1658.3.2　安全模型　1668.4　模型构造　1668.4.1　基于秘密共享的安全函数　1668.4.2　面向加密音频特征的隐私保护LSTM网络　1718.5　理论分析　1798.5.1　OPSR的正确性　1798.5.2　OPSR的安全性　1808.6　性能评估　1818.6.1　OPSR的性能　1818.6.2　保密LSTM网络交互协议的性能　1848.7　本章小结　186