可搜索加密在云計算移動學習中的應用

劉文哲　朱文焌　何恩惠　翟嫚杰　岳志芳

摘要：基于云計算的移動學習是在傳統移動學習的基礎上，利用云平臺實現資源檢索功能的一種學習方式。為了保證數據的安全性，資源發布者將學習資源以密文形式上傳至云服務器。但云服務器無法對加密資源進行有效管理，使得密文搜索結果不能到達預期水平。針對以上問題，文章在云計算的移動學習模型基礎上，利用可搜索加密的方法，建立可搜索加密的移動學習模型，從而確保學習資源的隱私性。

關鍵詞：移動學習；可搜索加密；隱私保護；云計算

移動學習是一種依靠無線通信技術、移動計算技術，通過移動設備隨時隨地獲取學習資源的學習方式。與傳統的學習模式相比，該方式具有學習便捷性、教學個性化、交互豐富性、情境相關性等特點。移動學習為學生提供了更加方便快捷的學習手段，增強學生自主學習的能力，提高學生學習效率。

隨著互聯網中信息量的不斷增大，移動學習資源出現“信息冗余、存儲不足、有所限制”等缺點。由于云計算的迅速發展，構建基于云計算的移動學習系統能夠滿足用戶獲取豐富、即時、準確學習資源的需求。同時，云計算平臺可以實現資源的整合和海量的存儲，提供強大的計算能力，使學習者能通過移動應用隨時隨地地學習。但是，在基于云計算的移動學習環境中，不能保障存儲在云服務器上學習資源的安全性。如何構建安全的移動學習模式成為商業教育機構關注的課題。

為了解決云計算環境下移動學習的安全問題，在密文存儲的基礎上，文章結合可搜索加密（SearchableEncryption）方法和移動學習模式，提出一種基于云計算的移動學習安全模型，在確保云資源安全性的同時，保證移動學習者信息的隱私性，促進移動學習的發展。

1 基于云計算的移動學習的介紹

在云計算模式中，互聯網的計算架構由“服務器+客戶端”向“云服務平臺+客戶端”演變，由云服務提供商提供具體的硬件配置和更新，用戶端只需通過各種終端設備獲取自己需求的信息、知識、服務等。由于云服務器具有強大的計算能力，因而可以存儲海量的教育資源，還能降低移動學習者的學習成本。云計算將是未來移動學習的主要支撐平臺，也將推動移動學習的發展。

基于云計算的移動學習是在傳統的移動學習基礎上，利用云平臺對學習資源存儲、計算的方式。資源發布者將學習資源發布至云服務器，利用云計算技術對學習資源進行存儲、分類并通過網絡服務實現共享，移動學習者通過自己的移動設備搜索自己所需要的資源，使得學習資源達到最大化共享。同時，用戶只需要通過自己的移動設備點擊與云服務器相關的鏈接，就可以搜索自己所需的學習資源，為學習者帶來了便利。

2 相關概念介紹

關于基于云計算的移動學習模型建立在文獻中有詳細介紹，下面介紹可搜索加密的相關概念。

2.1 可搜索加密定義

可搜索加密（簡稱SE）是近年來發展的一種支持用戶在密文上進行關鍵字查找的密碼學原語，它能夠為用戶節省大量的網絡和計算開銷，并充分利用云端服務器龐大的計算資源進行密文上的關鍵字查找。

2.2 SE機制分類

基于對稱密碼學算法的SE機制和基于公鑰密碼學算法SE機制?；趯ΨQ密碼學的SE機制在文獻[9，10]有詳細介紹?；诠€密碼學的SE機制是在不同的安全假設下，建立在雙線性對之上的，在搜索的過程中需要進行群元素之間和雙線性對的計算?；诠€密碼學的SE機制在文獻有具體介紹，其優點是不需要加密方和解密方事先協商生成密鑰，用戶可以直接使用對外公開的公鑰對關鍵字集合進行加密，為數據安全性提供了保證。由于基于對稱密碼學的SE機搜索效率低，不適合云服務器上的海量資源的搜索，文章介紹的基于云計算的移動學習方案主要是根據公鑰密碼學算法的SE機制來實現的。

2.3 雙線性對的定義

定義：存在p階群G₁，G₂和雙線性映射e：G₁×G₁→G₂，G1，G2的大小取決于安全參數。存在以下屬性：

可計算性：ヨ，h∈G₁，可以在多項式時間內計算出e（g，h）∈G₂。

雙線性：Vx，y∈[1，p]，有e（g^x，g^y）=g（g，g）^xy。

非退化性：如果g是G₁的生成元，那么P（g，g）是G₂的生成元。

2.4 基于公鑰密碼學的主要算法

以下各算法基于以上的雙線性定義和哈希函數H₁：{0，1}^*→G₁和H₂：G₂→{0，1}^logP。

KenGen：輸入安全參數p，群G₁，G₂，p決定了群G₁，G₂的大小。選取隨機數α∈_p^*和G，的生成元g，輸出pk=[g，h=g^α]，sK=α。

PEAKS（pk，w）：首先選擇隨機數，r∈z_p^*，計算出t=e（H₁（W），h^r）∈G₂，最后生成的關鍵字W集合密文為C_W=（g^r，H₂（t））。

Trapdoor（s k，w）：輸入接收者的sk和某一查詢關鍵字w，T_w=H₁（w）^α∈G₁

Test（p k，S，T_w）：令S=[A，B]，檢查H₂（e（T_w，A））=B是否成立。如果是，輸出Yes，否則輸出No。

2.5 構建基于布魯姆過濾器的索引表算法

利用布魯姆過濾器輸出文件編號為fd的索引I_Did=（D_id，B F）。

Builderlnde x（T_w，I_D）：輸入單詞w的查詢單射函數T_w=（x₁，…，x_r）∈{0，1}和文件D_id的索引I_Did=（D_id，BF）。計算D_id內的w_u碼字：（y₁=f（D_id，x₁），…，y_r=f（D_id，x_r）∈{0，1}。

檢測y_i，…，y_i所表示的r個位置在BF內是否全為1。如果全為1，輸出1；否則，輸出0。

3 SE機制下基于云計算的移動學習模型建立

3.1 模型介紹

隨著云計算技術的成熟和移動學習的發展，基于云計算的移動學習受到眾多移動學習者的青睞。然而社會中的商業教育機構，并不希望在云服務器上的學習資源得到無限共享，更不希望公開內部學員的學習情況。針對這一問題，資源發布者以密文形式將學習資源發布到云服務器上，由于云服務器無法對密文進行處理，給移動學習者帶來學習上的不便。因此，文章結合可搜索加密機制建立基于云計算的移動學習模型，為資源發布者和學習者建立更好的學習機制，保證學習資源的安全性和隱私性。

在該模型下，數據所有者是資源發布者，用戶是移動學習者。首先，數據所有者對發布的資源進行預處理，分為關鍵字集合和文件，利用布魯姆過濾器構建關鍵字集合的索引，利用公鑰加密算法對文件加密，將索引和加密的文件上傳至云端。其次，當用戶對資源有需求時，輸入關鍵字，利用非對稱加密算法生成搜索憑證發送到云端。最后，云服務器根據搜索憑證以密文形式返回搜索的結果，用戶使用自己的密鑰解開即可。例如是學習者Alice等的集合，資源的發布者是Bob，Bob將學習資源發布到云服務器上并且把密鑰發送給Alice等人，Alice等人用密鑰得到自己想要的學習資源，如圖1所示。

3.2 算法分析

此模型主要用到5種算法：

Setup（k）：輸入安全參數k，輸出公鑰pk，私鑰sk。

Trapdoor（pk，w）：輸入私鑰sk，關鍵字w，輸出搜索陷門T_w。

PEAKS（pk，w）：輸入公鑰pk，關鍵字w，輸出密文C_w。

Buildlndex（D）：輸入關鍵字集合D，利用布魯姆過濾器輸出索引表I。

Test（pk，S，T_w）：輸入公鑰pk，隨機數集S，搜索陷門T_w，輸出待解密的文件。

4 結語

文章將可搜索加密應用于基于云計算的移動學習中，在基于公鑰加密的SE機制中，資源發布者發布的信息以密文形式上傳至云服務器，移動學習者將想要搜索資源的關鍵字集合發送到服務器，云服務器根據收到的信息返回用戶所要的資源，有效地避免了學習資源的泄漏?，F代密碼學技術與實際問題的結合，促進了移動學習的發展，未來密碼學將會應用到更廣闊的領域。