可搜索加密技术研究与应用

来源 :广西师范大学 | 被引量 : 0次 | 上传用户:fever1879
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
对称可搜索加密(Symmetric Searchable Encryption,SSE)不仅可以解决数据外包的隐私问题,而且可以解决数据外包的可操作性和保密性问题。然而,大多数SSE方案都假定云是诚实但又好奇的,这种假设并不总是成立,因为服务器可能故意返回历史版本或者不完整的查询结果返回给用户以节约服务器本身的计算开销。针对此问题,即使有些方案支持在恶意云中对数据的完整性或新鲜度进行验证与检查,但这些方案存在一些局限性,例如,有的方案只支持静态数据库、有的方案要求特定的SSE结构、有的方案只能工作在单用户的模型下,或者验证效率比较低。为了提高SSE的性能和安全性,本文的工作主要研究工作如下:
  (1)为了提高SSE方案的搜索效率,将文档关键字对利用B+-tree来构建安全索引以提高检索效率。
  (2)为防止恶意云服务器发起重放攻击和新鲜度攻击,将计数布隆过滤器(Counting Bloom Filter,CBF)、时间戳机制并结合数字签名以实现高效的快速查询的验证。
  (3)利用布隆过滤器预先判断用户查询的关键字是否存在,并且考虑了当关键字不存在时,利用CBF建立验证器来提高用户的验证效率和查询效率。
  (4)为有效解决电子医疗系统中用户对加密医疗记录的访问权限问题和在加密数据上的统计分析问题,本文提出一种支持统计查询和授权访问控制的加密电子病历数据库(EMDB)方案,与其他方案不同的是,它基于差分隐私(Differential-Privacy,DP),可以防止患者隐私被恶意分析者推断出。
  (5)通过部署一种改进的多授权机构基于属性的加密(Multi-Authority Attribute-Based Encryption,MA-ABE)方案,所有授权机构可以将其搜索能力分配给不同授权机构下的客户而无需额外协商。
  (6)为了在加密数据库中实现统计查询,本文利用基于加密的差分隐私计数器完成分析者的统计查询。为防止云服务器将部分的查询结果返回给用户,利用双服务器将数据的安全索引和加密文档分开存储。用户通过验证两个服务器的返回的结果来判断结果的完整性。最后,通过综合实验对本方案进行评估。
其他文献
轨迹数据可以反映用户的兴趣和偏好,如果没有经过匿名化处理,这些私人数据是不能直接发布的。基于用户的轨迹数据,攻击者能够根据用户的部分位置进行时空关联推测出用户的其他敏感位置信息,导致用户隐私的泄露。目前,大多数轨迹数据发布中的隐私保护方法要么将所有的位置信息都视为敏感信息,要么只单从位置标签或访问频率进行敏感位置的区分,以提高数据的效用性。然而,不同的位置对于不同的用户而言,是具有不同敏感度的,如
学位
近年来,随着我国经济的发展,无人机行业取得了蓬勃的发展。无人机在军事勘察、环境监测、应急指挥、农业生产等领域有着广泛的应用。在这些应用中,需要利用无人机拍摄图像或影像。当利用无人机拍摄图像时,受到飞行高度和相机焦距的限制,单幅图像往往无法覆盖整个目标区域。因此需要对无人机拍摄的多幅航拍图像进行拼接,来获取覆盖整个目标区域的图像。一直以来,图像拼接都是国内外研究的热点。完整的图像拼接包括图像获取、图
学位
可满足性问题(SAT)是第一个被证明的NP-完全问题,在人工智能和计算机科学中占据着重要的位置,许多问题都可以转化为SAT问题进行求解。最近杨洋等人提出了一种新的基于局部搜索的扩展规则方法ERACC(Extension Rule Based on Accurate Configuration Checking),该方法突破了传统基于扩展规则方法对实例规模的局限。然而,ERACC在k-SAT(k&g
随着互联网技术的迅速发展,每天都有海量的数据产生,这大大提升了机器学习算法性能的同时,也让其遭受到了巨大的隐私威胁。机器学习的隐私保护已经成为当前的一个研究热点。集成学习作为机器学习的一个重要分支,被认为是人群智慧的机器学习解释,其主要思想是通过规则训练多个学习器,然后根据某种组合策略进行组合,最后以投票的方式输出最终结果。集成学习由其高精度和稳定等特点被广泛应用到数据挖掘、医疗诊断等多个领域。但
学位
随着人工智能的兴旺,电子商务行业迎来了新的发展机遇。随着在线交易的频率和规模的增加,商家与客户之间的在线协商和沟通变得越来越频繁。因为它们无法实现谈判,也无法分析用户,因此难以针对特定用户更好地达成交易。在线交易谈判流程的自动化已逐渐成为商家和消费者的潜在需求。但是,现有的在线对话系统(例如淘宝上的阿里小蜜和京东的在线客户服务)无法很好地满足这样的需求。目前,一方面,自动谈判的研究者主要集中在计算
学位
图作为一种无处不在的数据结构,因其强大的表示能力,广泛存在于社交网络、推荐系统、生物化学和金融系统等领域中。由于这些图数据中往往存储着很多有价值的信息,不少学者进行图数据研究以探索数据中的重要信息,其中节点分类是图数据研究中的一项热门任务。例如,在蛋白质分子网络中,通过分析蛋白质网络的相互关系进行分类学习,从而得到蛋白质的相关性质。这不仅有利于理解蛋白质的特性,而且对生物制药,农林科技等领域同样具
学位
近年来,卷积神经网络(CNN)依靠着大量的真实数据集和高效的优化算法,已经被证明在多个领域取得了最先进的性能。尽管如此,CNN因其训练所需较高的复杂度以及黑盒特性的不可解释性阻碍着它的发展。目前,国内外学者从不同的方向来研究卷积神经网络的可解释性,前向设计卷积神经网络(Feedforward-Designed Convolutional Neural Network,FF-CNN)是众多研究成果中
随着移动终端的飞速发展,以视频为主的通信网络数据传输负载越来越大。并且通信网络业务量的时变性导致了通信系统在传输高峰期时出现交通堵塞,在传输低峰期时出现通信资源未充分利用的情况。而编码缓存正是解决这种数据传输业务与通信资源不匹配问题的技术,该技术能够尽可能利用传输低峰期时的通信资源,来降低传输高峰期时的交通拥堵,从而整体提升通信系统的传输效率。针对中心化编码缓存模型,一种名为放置传输数组(PDA)
学位
随着通信技术的不断进步,移动互联网的使用率日益增高,无线流量业务大幅度增强。通信系统处于高峰期时,网络的传输压力急剧增强,进而导致数据传输拥堵;相反在低峰期时,出现通信资源利用不充分的情况。缓存技术随之出现,即先将一部分数据在传输低峰期时放入用户的存储设备中,以此减少传输高峰期时的传输数据。这种技术逐步应用于不同的网络模型中,本文就是针对组合网络模型和不对称网络模型进行相关问题的讨论。众所周知,在
学位
移动边缘计算(Mobile Edge Computing,MEC)作为5G的关键技术,通过在网络边缘部署计算和存储资源,为移动网络提供IT服务环境和云计算中心能力,从而为用户提供超低时延和高带宽的网络服务解决方案。现实场景中,移动业务流量在空间上分布不均匀,这使得部分MEC服务器繁忙,而部分MEC服务器仍有空闲的计算资源,为了均衡各MEC服务器的计算负载,通过将高负载MEC服务器的任务卸载至低负载