云計算中圖像數據處理的隱私保護

任奎

（紐約州立大學布法羅分校計算機科學與工程學院，紐約 布法羅 14260）

云計算中圖像數據處理的隱私保護

任奎

（紐約州立大學布法羅分校計算機科學與工程學院，紐約 布法羅 14260）

近年來，隨著圖像數據與云計算平臺的快速增長，各種各樣的圖像處理應用蓬勃發展。與此同時，針對用戶外包數據中敏感信息的濫用所產生的安全問題也成為了人們關注的焦點。在現實中，一旦上傳到云平臺，用戶隱私信息的安全只能單純依賴于云服務提供商的信用。為解決這一問題，對于圖像數據處理中的安全性要求與技術難點進行了研究與分析，并提出了多個在保護外包圖像數據安全性的同時實現圖像處理應用的功能性要求的解決方案。之后針對云計算中的圖像數據的隱私保護問題，介紹并分析了多種包括同態加密體系、安全多方計算以及差分隱私在內的當前最新技術。

云計算；圖像處理；安全；加密；隱私保護

1　引言

近年來，隨著數據挖掘以及圖像處理技術的廣泛應用，越來越多基于圖像處理技術的應用出現在人們的日常生活中。這些技術的創新與發展，以及隨之產生的龐大計算量，讓人們將視角轉向同樣快速發展的云計算平臺。作為即付即用（pay-per-use）、設施即服務（computinginfrastructure-as-a-service）商業模式下的代表，云計算平臺為用戶提供了一種經濟且極具靈活性的運算平臺[1]。實際上，不光中小用戶，甚至有互聯網巨頭，包括微軟、雅虎等，開始將自身的數據處理任務交付給第三方云平臺，以獲取商業利益。

然而，云計算平臺的引入從不同程度上削弱了用戶的隱私保護。這些外包到云計算平臺上去處理的數據不可避免地將用戶的敏感信息泄漏給了云服務提供商（CSP）。這其中包括了用戶的個人身份、家庭住址，甚至是財務資料。實際上，云服務提供商作為公共平臺的安全常常面臨不同層面的威脅，這其中就包括了共享計算資源所帶來的安全性隱患；廣泛使用在云平臺中的虛擬機（SVM,support vector machine）軟件共享數據技術多次被發現新的漏洞，并被用作為竊取用戶敏感信息的有效手段[2]。不僅如此，由于各種系統接口調配以及內部員工操作不當引起的用戶數據泄漏屢見不鮮。換句話說，作為外包平臺，云技術并不是一個毫無風險的保險柜。因此，在現有的架構下，用戶一旦上傳數據到云服務器上，就失去了對于數據安全的最終掌握，完全將對于敏感信息的隱私保護交于他人之手。近年來，互聯網企業中經常出現的用戶信息泄漏事件也一次次敲響了警鐘。可以說，用戶對于外包數據安全性的顧慮，已經成為阻礙云計算技術進一步發展的最大障礙。

作為一個快速發展的研究領域，云計算安全吸引了越來越多學者的關注[3~6]。作為大數據量、高復雜性計算的典型代表之一，圖像數據的安全計算外包更是其中的熱門方向。其中一個主要的研究方向為在密文域上對不同圖像特征值的檢測與提取，例如，圖像全局特征尺度如RGB直方圖、色彩布局描述子（color layout descriptor）、色彩結構描述子（color structure descriptor）[7]、局部特征如不變特征轉換（SIFT）[8]以及基于形狀的圖像特征等[9]。與此同時，還有對于不同制式的加密圖像數據的控制，例如臉部識別系統[10]、心電圖信號[11]，以及指紋識別系統[12]。除此之外，在安全圖像檢索領域[13]，一種利用選擇性隱蔽傳輸（oblivious retrieval）協議針對公共圖像數據庫的隱私保護圖像搜索被提出，并在這之后，將之擴展到了密文圖像數據庫[14]。

本文對云計算中圖像數據處理中的特征提取運算構建數據流與系統模型，并對設計目標的多個方面進行了理論與實例分析。在此基礎上，進一步介紹了目前在圖像處理的隱私保護中使用的同態加密、安全多方計算、差分隱私技術等主要技術，并分析了其優勢與不足。

2　圖像數據處理的隱私保護

2.1數據流與系統模型

系統模型如圖 1所示，針對圖像處理中的圖像特征值提取，本文將構建兩個主要實體：用戶與云計算平臺，并描述它們之間的數據流。其中，用戶可以是公司或個人，其掌握有大量的需要進行處理（特征值提取）的圖像數據。在這種情況下，用戶使用云計算平臺作為本地計算的補充，即將本地難以處理或計算成本較高的圖像特征值提取計算任務外包至云計算平臺處運行。然而這些圖像數據可能含有大量敏感（私密）信息，如醫療圖像、個人照片、資料檔案等[15]。因此，出于對用戶個人隱私乃至商業利益的保護，用戶選擇在本地將圖像數據加密后再將密文上傳至云計算平臺。另一個主要實體云計算平臺則是由云計算提供商所運行的一系列服務器構成。在這里，云計算平臺只能接受由用戶上傳的圖像密文，再對其執行加密圖像的圖像特征提取計算。之后，云計算平臺在算得所要求的特征值密文后，將其回復給用戶。最后由用戶使用自己持有的特定對稱密鑰、非對稱密鑰將收到的特征值密文解密，以得到其對應明文特征值。

圖1　系統模型

這一系統模型可分為兩個主要階段：一個是數據預處理，在這一階段，對于圖像I，用戶通過encode( I)→C將C傳送至云計算平臺，這里，encode(.)表示對于原始圖像進行處理以提供密文域特征提取計算操作功能的編碼算法（包括預處理與加密算法）的總稱，在設計中，這樣的編碼算法應該是輕量化并且支持盡可能多種的特征提取算法，因此，用戶只要將圖像數據編碼一次即可，在這種結構下，針對已編碼圖像數據的計算工作量主要由云計算平臺所承擔；另一個階段是圖像特征提取，云計算平臺對于已編碼的圖像數據執行特征提取算法以得到密文域的圖像特征。

綜上所述，在這種系統模型下，用戶可以得到最大的靈活性與可擴展性來執行大規模的圖像特征提取計算。事實上，如果由用戶執行部分特征提取計算并將加密的特征上傳給云計算平臺，那么用戶的靈活性將會被極大地削弱，用戶需要針對不同的特征提取計算進行多次的圖像處理以及加密。不僅如此，哪怕是特征提取算法中微小的參數調整都會導致用戶需要對整個圖像數據集進行重新處理與加密。

2.2設計目標與實例分析

這里分析一下系統設計的目標是什么：首先要實現的是功能性，即要求提出的設計能夠保證圖像特征提取算法在密文域的正確執行；其次是安全性，即要求提出的設計要能提供盡可能強的隱私保護；第三是高效性，即要求用戶端與云計算平臺端各自的計算復雜度以及他們之間的通信復雜度要在實際應用中可以接受。這樣才可能在現實中實現。下面，針對這3個設計目標進行詳細分析。

1)功能性

本文所給出的系統模型對于所執行的圖像特征提取算法亦可主要分為兩類：全局特征描述子，如RGB直方圖、色彩布局描述子（color layout descriptor）、色彩結構描述子（color structure descriptor）[7]以及局部特征描述子，如尺度不變特征轉換（SIFT,scale-invariont feature transform）[8]。這里對RGB直方圖的功能性要求作簡要分析，以此作為全局特征提取的典型示例，如圖2所示。在顏色特征提取中，直方圖描述子是最基礎同時也是最廣為人知的特征描述子。通過直方圖描述子，可以求得多種廣泛使用的顏色描述子，如顏色結構描述子（CSD）、顏色布局描述子（CLD）等。明文域的直方圖運算十分簡單，這里不再贅述。但是如果想在密文域執行這一計算，其對加密方法功能性的要求就變得十分苛刻，為了在密文域計算直方圖標量，需要讓密文間可以進行“比較”，以使每個像素值可以正確分配到直方標量的對應位置中。乍看之下，這一功能性要求似乎與加密的根本功能相互矛盾，如果密文之間可以比較，那么密文的安全性也就無從談起了。然而，仔細分析直方圖的功能需求，會發現其需要的并不一定是明文狀態下密文比較的結果，密文狀態下的密文比較結果足夠滿足要求。通過這一發現，就可以從滿足功能性的角度出發設計出可在密文域上實現的直方圖特征提取算法（具體算法見文獻[7]）。

圖2　RGB直方圖

2)安全性

根據上文給出的系統模型，假設云計算平臺為“誠實但好奇”，云計算平臺會根據協議要求，正確地執行密文域的特征提取計算以避免丟失商業信譽所帶來的經濟損失。然而不管是被入侵的平臺管理員賬號或是外部攻擊者，都可能通過監測密文域數據的操作與傳輸來推導明文域的敏感信息。為了實現功能性設計目標，提出的系統設計就必然無法實現傳統密碼學定義的絕對安全性。因此，針對圖像隱私保護的安全性分析并不能完全等同于傳統的密碼學安全性分析。舉例來說，如果對圖像中的每一個像素點分別進行加密，這樣一來，似乎整個圖像的安全性可以完全依賴于像素點加密方式的強度，即如果像素點安全性得到保障則圖像安全性得到保障。然而如果把安全性與功能性需求放在一起分析，結果將大不相同。這里，以簡述不變特征轉換的安全性分析來作為局部特征提取的典型示例[8]。如圖3所示，作為局部特征提取算法，不變特征轉換首先要提取出圖像中關鍵點的位置，并通過描述關鍵點周圍點的情況來生成所對應的局部特征描述子。在圖3中，大小不一的圓圈即為這種局部特征描述子的一種表現形式。由于云計算平臺要生成這些局部特征，其不可避免地要推導出這些關鍵點在圖像中的具體位置。然而由圖3可以知道，通過這些關鍵點的位置，即使是密文域的觀察者也可以清楚地得到圖像中內容的大概形狀，這就造成了功能性與安全性的矛盾。如果進一步分析，會發現似乎這個問題與上文描述的直方圖像素點數值比較問題的矛盾類似，那么是不是可以用相同的方式解決呢？即對像素點位置亦進行加密，以實現關鍵點位置的密文域提取，這樣似乎可以同時實現安全性與功能性。然而遺憾的是，這樣做會極大地損害系統設計的第三個目標——高效性。在算法復雜度推導中，會發現針對關鍵點位置的隱藏將會引入大量額外的計算復雜度。而這些額外計算復雜度獨立于加密算法的使用。也就是說不論使用何種加密算法，如果想同時實現安全性與功能性，根據圖1所示的系統模型，就必然引入難以實現的巨大計算復雜度（具體推導見文獻[8]）。為了解決這一問題，提出了基于多方云計算平臺的系統模型，通過引入多個獨立的云計算平臺來同時實現功能、安全、高效3個目標[8]。

圖3　SIFT特征描述子示例

3)高效性

在安全云計算的時間復雜度分析中，需要從3個方面分析系統的整體效率：用戶端和平臺端的計算復雜度以及兩者之間的通信復雜度。為了實現用戶端的靈活與可擴展性，在大部分的設計中，用戶端僅承擔加密與解密的操作。在大多數的系統設計中，為了實現更復雜的功能性要求，不得不采用更復雜的加密算法，因此加重了用戶端的負擔。對于有些同態加密算法來說，其加密解密的計算復雜度甚至要超出用戶本地計算圖像處理任務的復雜度。當這種情況發生時，圖像處理計算的外包的高效性也就無從談起了。所以不僅僅需要設計適合計算任務的加密算法，還需要注意在這3個方面合理分配計算與通信復雜度，從而實現更高效的系統設計。

3　基于同態加密的圖像處理

同態加密從提出之日起就一直受到密碼學界最廣泛的關注，自從Gentry對其中的全同態加密（FHE,fully homomorphic encryption）產生決定性突破后[16]，更有多種版本的全同態加密方法被提出。遺憾的是，當前的基于各種傳統假設的全同態加密還遠未達到實際要求的運算效率。在這種情況下，部分同態加密（somewhat homomorphic encryption）成為實現圖像數據處理隱私保護最為強大的工具之一。本文首先簡略介紹最具實用性的部分同態加密架構之一，隨后會針對圖像處理的功能性目標來分析這種加密方法的優缺點。

這里介紹一種基于環上誤差學習（RLWE）的部分同態加密架構。本文通過一系列算法來定義部分同態加密架構其中，通過隨機選取環元素產生 a1、e以及私鑰sk，并得到公鑰以及加法與乘法的同態性質[6]如下

值得注意的是，上述這些性質只在有限次數的同態加法和乘法中有效。

對于同態加密架構，除了圖像特征提取外，在圖像領域最常見的應用是在各種特征匹配算法的安全計算中。其中一個典型示例就是隱私保護的臉部識別[17]，如圖4所示。假設用戶將臉部照片I加密后上傳至云端數據庫，數據庫在密文域對圖像I→進行操作，從中提取出密文狀態下的特征向量ω。隨后將其分解成多個特征臉el( i, j)并與數據庫中存儲的特征臉進行比對（計算歐氏距離），其中距離最小的特征臉即為最為匹配的臉部照片。同樣類似的特征匹配計算還有各種生理匹配算法、分類算法（classification）以及聚類算法（clustering）。在實現這些算法中最常遇見的挑戰就是乘法次數的限制。由于可容納多次乘法的部分同態加密架構會快速地增加計算復雜度，避免這個問題的常見做法是將多方安全計算、混亂電路[18]等技術結合在一起使用。例如，將乘法、階乘等同態性質難以達到或非常昂貴的計算步驟通過這些替代技術來實現，從而達到功能性與高效性的平衡。

圖4　基于特征臉的面部匹配示例

4　基于安全多方計算的圖像處理

安全多方計算[18]協議一直被認為可以用來計算任意函數。然而，由于所需要的龐大計算以及通信復雜度，使其難以在實際中大規模應用。但是，安全多方計算在兼容性以及算法的簡便性等方面的優點，使其在云計算安全設計中仍然扮演著重要的角色。其中，安全雙方計算（secure two-party computation）被一些云安全計算解決方案作為不少解決方案的基礎協議來與同態加密、混亂電路等技術相結合。不僅如此，有時在一些圖像處理計算問題的解決中，引入額外的第三方云服務器不失為一種在安全性與功能性之間的有效平衡。

由于不變特征轉換具有相當高的計算復雜性，如密文域的數值比較、極值點的發現與隱藏、密文域上三角函數的計算等復雜計算。對于這些計算問題，當前的同態加密架構難以高效計算，有些甚至難以解決。因此，如果嘗試改變單獨云計算平臺的系統架構，通過引入多個獨立云計算平臺來解決問題，這樣所提出的解決方案就可以同時兼顧各個方面的要求。如圖5所示[8]，通過引入額外的云計算平臺來利用安全多方計算技術，用戶通過簡單的一次性密碼本（one time pad）加密方式，可以將一份明文圖像轉化為兩份同樣大小的密文，之后，兩個云計算平臺就可以對于各自收到的不同密文進行操作來實現相應的功能性。這一設計與安全多方計算技術對于算數性（arithmetic）加密方式的利用遵循了同樣的方法論，不僅如此，對于安全多方計算技術的使用，還為平衡計算復雜度與通信復雜度提供了新的角度。以圖5為例，在類似安全多方計算的架構下，再引入額外通信復雜度（將密文上傳給兩個云平臺）后，用戶可以利用多種算數性加密方式來實現密文域的功能計算，并同時享受這些加密方式的低計算復雜度。

圖5　通過引入額外的云計算平臺來利用安全多方計算技術

5　基于差分隱私的圖像處理

差分隱私（differential privacy）作為一種針對保護隱私的數據發布技術在2006年由Dwork提出[19]。近年來，本地差分隱私（local differential privacy）概念以及相關技術的提出為具備隱私保護的大數據收集技術提供了新的方向[20]。不同于傳統密碼學對于安全的定義，差分隱私并不能百分百地阻止信息的泄漏，而是通過統計的方式提供理論上的量化邊界來約束敏感信息的泄漏。在此基礎上，本地差分隱私進一步細化了對于個人隱私的保護而不僅僅是像傳統差分隱私一樣將自己“藏在”統計結果中。這一安全概念的提出與發展在傳統密碼學之外為一些特定問題的解決提供了新的思路。基于差分隱私技術的圖像處理系統架構如圖6所示，不同于現有的加密方式，差分隱私可以使用“噪聲干擾（noise perturbation）”這種“加密”方式來保護單個數據的安全性。而最終通過聚合大量含有“噪聲”的數據來“抵消”其中的“噪聲”，從而提取出其中的特征信息[19]。本地差分隱私的主要缺點是其需要海量的數據集來實現相比一般統計結果可接受的統計精度（百萬級以上）。但是在解決云計算平臺上的圖像數據處理這一問題時，數據量的巨大需求所帶來的負面影響減小了，這一變化更使得本地差分隱私技術在海量數據處理時高效的優勢得到有效利用，兩種需求的契合讓差分隱私在這一領域的應用十分具有潛力。

圖6　基于差分隱私技術的圖像處理系統架構

6　結束語

基于云計算平臺的圖像數據處理的隱私保護近年來被學界所關注。相比其他計算任務，圖像數據處理具有數據量大、計算復雜度高等技術上的挑戰。包括同態加密、安全多方計算、混亂電路在內的多種技術被用來實現其安全性、功能性以及高效性的設計要求。本文從系統模型開始，通過設計目標的3個方面結合實際問題具體分析，最后介紹了當前幾種主要技術方案，并分析了其中的優缺點。云計算的快速發展與圖像數據的迅猛增長相輔相成，只有有機地結合兩者的特點才能做出創新又切合實際的研究成果。

[1]ARMBRUST M.A view of cloud computing[J].Communications of theACM,2010,4(53):50-58.

[2]MODI C,PATEL D,BORISANIYA B,et al.A survey of intrusion detection techniques in cloud[J].Journal of Network and Computer Applications,2013,36(1):42-57.

[3]LU W.Secure image retrieval through feature protection[C]//IEEE International Conference onAcoustics.c2009:1533-1536.

[4]HSU C Y.Image feature extraction in encrypted domain with privacy-preserving SIFT[J].IEEE Transactions on Image Processing a Publication of the IEEE Signal Processing Society, 2012,21(11):4593-4607.

[5]HSU C Y.Homomorphic encryption-based secure SIFT for privacy-preserving feature extraction[C]//Society of Photo-optical Instrumentation Engineers Conference Series.c2011.

[6]NAEHRIG M.Can homomorphic encryption be practical?[C]//The 3rd ACM Workshop on Cloud Computing Security Workshop.c2011:113-124.

[7]QIN Z,YAN J,REN K,et al.Privacy-preserving outsourcing of image global feature detection[C]//IEEE Global Communications Conference.c2014:710-715.

[8]QIN Z,YAN J,REN K,et al.Towards efficient privacy-preserving image feature extraction in cloud computing[C]//ACM International Conference on Multimedia.c2014:497-506.

[9]WANG S,NASSAR M,ATALLAH M,et al.Secure and private outsourcing of shape-based feature extraction[C]//Information and Communications Security.c2013:90-99.

[10]ERKIN Z,FRANZ M,GUAJARDO J,et al.Privacy-preserving face recognition[M]//Privacy Enhancing Technologies.Berlin: Springer Berlin Heidelberg,2009.

[11]BIANCHI T.Privacy-preserving fingercode authentication[C]// 12thACM WorkshoponMultimediaand Security,Rome.c2010:231-240.

[12]BARNI M,FAILLA P,LAZZERETTI R,et al.Privacy-preserving ECG classification with branching programs and neural networks[J].IEEE Transactions on Information Forensics&Security,2011, 6(2):452-468.

[13]LU W.Enabling search over encrypted multimedia databases[C]// ISQT-SPIE Electronic Imaging Symposium on Media Forensics and Security I,San Jose,CA,c2009.

[14]KHAN M K,ZHANG J,ALGHATHBAR K.Challenge-responsebased biometric image scrambling for secure personal identification[J].Future Generation Computer Systems,2010,27(4): 411-418.

[15]PANDEY S,VOORSLUYS W,NIU S,et al.An autonomic cloud environment for hosting ECG data analysis services[J].Future Generation Computer Systems,2012,28(1):147-154.

[16]GENTRY C.Fully homomorphic encryption using ideal lattices[C]//The 41st Annual ACM Symposium on Theory of Computing.c2009:169-178.

[17]Processing-eigenfaces.An example of using the p-eigenfaces processing library to perform face recognition[EB/OL].https:// github.com/atduskgreg/Processing-Eigenfaces.

[18]YAO A C.Protocols for secure computation[C]//The 23rd Annual Symposium on Foundations of Computer Science.c1982:160-164.

[19]DWORK C.Differential privacy[M]//Automata,Larguages and Programming.Berlin:Springer Berlin Heidelbeng,2006:1-2.

[20]DUCHI J C,JORDAN M,WAINWRIGHT M J.Local privacy and statistical minimax rates[C]//The 54th Annual Symposium on Foundations of Computer Science Berkeley, 2013:429-438.

Privacy-preserving image processing in cloud computing

REN Kui

(Computer Science and Engineering,State University of New York at Buffalo,Buffalo 14260,United States)

Enjoying the rapid growth of image data and cloud computing platforms,various image processing applications have emerged and flourished in recent years.Meanwhile,the privacy concerns over the abuse of sensitive information contained in outsourced data also arise in public.In fact,once uploaded to the cloud,the security of users’private information purely depends on the reliability of the cloud service providers(CSP).To solve this problem,the security requirements and technical challenges lain in privacy-preserving image processing based on different cloud computing architectures were studied,and several solutions to protect the security of outsourced data while enabling functionality of image processing applications were proposed.Several state-of-the-art techniques for secure image processing were introduced and analyzed,including homomorphic encryption(HE) scheme,secure multiparty computation(SMC)protocol,and differential privacy(DP).

cloud computing,image process,security,cryptography,privacy preservation

TP393

A

10.11959/j.issn.2096-109x.2016.00020

2016-01-01；

2016-01-08。通信作者：任奎，kuiren@gmail.com

任奎（1978-），男，安徽巢湖人，紐約州立大學布法羅分校計算機與科學工程系教授，主要研究方向為云計算中的數據安全、計算服務外包安全、無線系統安全、隱私保護、物聯網系統與安全。