同態(tài)加密下用戶隱私數(shù)據(jù)傳輸?shù)陌踩Ｗo(hù)方法

摘要： 為滿足用戶隱私數(shù)據(jù)傳輸?shù)陌踩孕枨螅?提出一種同態(tài)加密下用戶隱私數(shù)據(jù)傳輸安全保護(hù)方法. 首先， 通過(guò)特征空間重組技術(shù)進(jìn)行數(shù)據(jù)重構(gòu)， 利用語(yǔ)義相關(guān)性融合方法在捕獲用戶隱私數(shù)據(jù)特征的同時(shí)進(jìn)行自適應(yīng)調(diào)度， 并對(duì)捕獲的特征量進(jìn)行模糊聚類， 確定用戶隱私數(shù)據(jù)屬性； 其次， 結(jié)合用戶隱私數(shù)據(jù)屬性， 采用同態(tài)加密算法和深度學(xué)習(xí)相結(jié)合的方法對(duì)用戶隱私數(shù)據(jù)進(jìn)行點(diǎn)對(duì)點(diǎn)加密傳輸， 最終實(shí)現(xiàn)用戶隱私數(shù)據(jù)傳輸安全保護(hù). 仿真實(shí)驗(yàn)結(jié)果表明， 該方法的數(shù)據(jù)加密效果較好， 通信開銷較低， 可以更好地確保用戶隱私數(shù)據(jù)傳輸?shù)陌踩院涂煽啃?

關(guān)鍵詞： 同態(tài)加密； 用戶隱私數(shù)據(jù)； 傳輸安全保護(hù)； 特征空間重組

中圖分類號(hào)： TP391文獻(xiàn)標(biāo)志碼： A文章編號(hào)： 1671-5489（2025）02-0573-07

Security Protection Method for User Privacy DataTransmission under Homomorphic Encryption

FU Aiying1， XIONG Yufeng2， ZENG Qingwei^2，3

（1. Network and Information Center， Nanchang University， Nanchang 330031， China;2. School of Mathematics and Computer Sciences， Nanchang University， Nanchang 330031， China;

3. School of Software， Nanchang University， Nanchang 330031，China）

收稿日期： 2024-02-07.

第一作者簡(jiǎn)介： 付愛(ài)英（1972—）， 女， 漢族， 碩士， 高級(jí)工程師， 從事網(wǎng)絡(luò)與信息安全和大數(shù)據(jù)分析的研究， E-mail： ayfu@ncu.edu.cn. 通信作者簡(jiǎn)介： 曾勍煒（1973—）， 男， 漢族， 碩士， 教授， 從事網(wǎng)絡(luò)與信息安全和人工智能及應(yīng)用的研究， E-mail： zqw@ncu.edu.cn.

基金項(xiàng)目： 江西省教育廳科學(xué)技術(shù)研究項(xiàng)目（批準(zhǔn)號(hào)： 209926）.

Abstract： In order to meet the security requirements of user privacy data transmission， we proposed a security protection method for user privacy data transmission under homomorphic encryption. Firstly， by usingfeature space recombination technology for data reconstruction，semantic correlation fusion method was used to capture user privacy data features whileadaptively scheduling， and fuzzy clustering was performed on the captured feature quantities to determine user privacy data attributes. Secondly， combining the attributes of user privacy data， a combination method of homomorphic encryption algorithms and deep learning was used to encrypt and transmit user privacy data point-to-point， ultimately achieving secure protection of user privacy data transmission. The simulation experiment results show that the proposed method has good data encryption effect，low communication overhead， andcan better ensure the security and reliability of user privacy data transmission.

Keywords： homomorphic encryption; user privacy data; transmission security protection; feature space recombination

隨著信息技術(shù)的迅猛發(fā)展及應(yīng)用范圍的持續(xù)擴(kuò)大， 人類生活和數(shù)字世界的交織也日益緊密. 用戶隱私數(shù)據(jù)的安全問(wèn)題^［1-2］逐漸凸顯， 如果用戶隱私數(shù)據(jù)被泄露或篡改， 輕則損害用戶的自身利益， 重則危害社會(huì). 所以， 當(dāng)前需要解決的首要問(wèn)題是通過(guò)有效措施保證用戶隱私數(shù)據(jù)的安全傳輸^［3］.目前， 關(guān)于用戶隱私和數(shù)據(jù)傳輸安全保護(hù)的研究已有很多成果. 例如： 田豐等^［4］提出了一種面向軌跡數(shù)據(jù)的個(gè)性化差分隱私發(fā)布機(jī)制， 通過(guò)Hilbert曲線提取數(shù)據(jù)特征， 采用抽樣機(jī)制和指數(shù)機(jī)制獲取位置聚簇的代表元， 利用代表元對(duì)原始軌跡數(shù)據(jù)進(jìn)行泛化， 以此實(shí)現(xiàn)隱私保護(hù)， 但該方法的加密性能不佳， 無(wú)法確保用戶隱私數(shù)據(jù)的

安全性； 劉煒等^［5］主要通過(guò)基于加密的隱私保護(hù)方法對(duì)醫(yī)療信息進(jìn)行加密處理， 最終完成信息隱私保護(hù)， 但該方法加密后會(huì)加大通信開銷， 實(shí)用性較差； 葉帥等^［6］將動(dòng)態(tài)身份標(biāo)識(shí)技術(shù)和SM9算法有效結(jié)合， 完成了匿名傳輸和匿名驗(yàn)證， 保證用戶隱私信息的安全性， 但該方法不能實(shí)現(xiàn)對(duì)數(shù)據(jù)元素的有效覆蓋； 陳莊等^［7］先對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)劃分， 然后對(duì)分割后的結(jié)果進(jìn)行加擾處理， 最后使用國(guó)產(chǎn)密碼算法對(duì)加擾數(shù)據(jù)進(jìn)行加密處理， 但該方法仍存在數(shù)據(jù)泄露風(fēng)險(xiǎn).

為解決上述方法存在的不足， 本文提出一種同態(tài)加密下用戶隱私數(shù)據(jù)傳輸安全保護(hù)方法. 仿真實(shí)驗(yàn)結(jié)果表明， 該方法可以為用戶隱私數(shù)據(jù)安全傳輸提供全面的保障， 可有效提升數(shù)據(jù)的安全性和完整性.

1 用戶隱私數(shù)據(jù)傳輸安全保護(hù)方法設(shè)計(jì)

1.1 用戶隱私數(shù)據(jù)屬性聚類

通過(guò)屬性聚類可確保不同用戶在數(shù)據(jù)傳輸過(guò)程中具有相似的隱私保護(hù)措施， 從而保障用戶隱私數(shù)據(jù)的安全性和保密性. 通過(guò)有向圖模型構(gòu)建用戶隱私數(shù)據(jù)的聚類節(jié)點(diǎn)分布結(jié)構(gòu)， 可確定用戶隱私數(shù)據(jù)的模糊聚類特征分布集， 計(jì)算其對(duì)應(yīng)的融合度函數(shù)：

ci=x2i+y2i+z2i，（1）

其中x，y，z表示模糊聚類特征分布集. 分析用戶隱私數(shù)據(jù)的統(tǒng)計(jì)差異分布特性， 可獲取各插值點(diǎn)的實(shí)際值：

cm=（ci+1）2-∑mk=1［cm+1（i）-ck+1（i）］2，（2）

其中cm+1（i）表示用戶隱私數(shù)據(jù)集合的預(yù)測(cè)值， ck+1（i）表示用戶隱私數(shù)據(jù)的模糊特征量.

采用模糊C均值聚類方法^［8-10］對(duì)用戶隱私數(shù)據(jù)特征提取結(jié)果進(jìn)行處理， 同時(shí)結(jié)合全局變量組建用戶隱私數(shù)據(jù)挖掘的模糊分割系數(shù)：

Ni=P×cm-flessfin，（3）

其中fin表示用戶隱私數(shù)據(jù)的中位數(shù)， fless表示用戶隱私數(shù)據(jù)的最小統(tǒng)計(jì)特征量， P表示全局變量. 組建用戶隱私數(shù)據(jù)聚類的節(jié)點(diǎn)分布模型， 進(jìn)行用戶隱私數(shù)據(jù)聚類優(yōu)化處理， 可獲取節(jié)點(diǎn)圖模型對(duì)應(yīng)的屬性集合X={x1，x2，…，xn}以及圖模型. 引入語(yǔ)義本體模型進(jìn)行數(shù)據(jù)處理， 可計(jì)算兩組相似用戶隱私數(shù)據(jù)的相對(duì)貼近度：

（s，a）=φ1∑ni=1ωNi（sj，aj），（4）

其中ω表示用戶隱私數(shù)據(jù)聚類的優(yōu)化加權(quán)系數(shù)， （sj，aj）表示描述用戶隱私數(shù)據(jù)聚類的語(yǔ)義特征分布集.

采用模糊語(yǔ)義相關(guān)性融合聚類對(duì)模糊網(wǎng)格區(qū)域內(nèi)的用戶隱私數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析和自適應(yīng)調(diào)度， 獲取用戶隱私數(shù)據(jù)的模糊加權(quán)特征分布向量， 由于存在等價(jià)語(yǔ)義映射， 因此還需對(duì)用戶隱私數(shù)據(jù)進(jìn)行融合分析， 得到用戶隱私數(shù)據(jù)的統(tǒng)計(jì)特征量， 用映射函數(shù)φ1表示.

通過(guò)上述分析， 對(duì)用戶隱私數(shù)據(jù)進(jìn)行特征提取， 將（（s1，a1），（s2，a2），…，（sn，an））作為用戶隱私數(shù)據(jù)的二元語(yǔ)義特征分量， 利用特征空間重組技術(shù)進(jìn)行數(shù)據(jù)重構(gòu)^［11］， 得到ω， 再引入統(tǒng)計(jì)分析方法進(jìn)行用戶隱私數(shù)據(jù)的聚類中心檢測(cè)， 即可獲取用戶隱私數(shù)據(jù)的關(guān)聯(lián)性本體結(jié)構(gòu)模型：Δψ=（（s1，a1），（s2，a2），…，（sn，an））Mn×P，（5）

其中Mn表示用戶隱私數(shù)據(jù)挖掘的下界. 將用戶隱私數(shù)據(jù)完成模糊處理后， 引入自適應(yīng)調(diào)度參數(shù)， 建立用戶隱私數(shù)據(jù)聚類的模糊決策矩陣：

Z=ω1ω2ω3×Δψ×（s，a）.（6）

將用戶隱私數(shù)據(jù)聚類特征提取問(wèn)題轉(zhuǎn)換為語(yǔ)義決策問(wèn)題， 同時(shí)設(shè)定Bk為模糊特征匹配評(píng)價(jià)指標(biāo)集， 引入主題詞匹配的方法確定x的相似度函數(shù)， 利用hik=hik-1×b（zk/xik）b（xik/xik-1）Z（xik/xik-1）（7）

獲取用戶隱私數(shù)據(jù)的模糊隸屬度函數(shù)， 其中xik表示用戶隱私數(shù)據(jù)的語(yǔ)義特征量， zk表示實(shí)體集.

通過(guò)上述分析， 建立用戶隱私數(shù)據(jù)屬性的優(yōu)化聚類模型lpij（x）， 利用該模型實(shí)現(xiàn)用戶隱私數(shù)據(jù)屬性聚類：

lpij（x）=∑ki，j=1hik（fi，fj）E（i，j），（8）

其中（fi，fj）表示用戶隱私數(shù)據(jù)的融合聚類特征集.

1.2 用戶隱私數(shù)據(jù)傳輸安全保護(hù)實(shí)現(xiàn)

基于用戶隱私數(shù)據(jù)屬性聚類結(jié)果， 通過(guò)區(qū)塊密碼密鑰機(jī)制和同態(tài)加密方法^［12-13］完成密文訓(xùn)練， 可有效確保用戶隱私數(shù)據(jù)傳輸?shù)陌踩?初始化階段. 用戶形成自己的公私鑰對(duì)（pki，ski）， 在加密服務(wù)器上設(shè)定區(qū)塊密碼體制和同態(tài)加密方案的參數(shù)， 計(jì)算聯(lián)合私鑰sk， 先根據(jù)聯(lián)合私鑰sk獲取聯(lián)合公鑰pk， 然后形成公鑰（N，g，pk）并將其發(fā)送到系統(tǒng)， 保留聯(lián)合私鑰. 服務(wù)器先利用高斯分布的默認(rèn)權(quán)重方法對(duì)權(quán)重進(jìn)行初始化處理， 再對(duì)初始化后的權(quán)重進(jìn)行加密^［14-15］， 同時(shí)對(duì)真實(shí)值的期望值進(jìn)行加密處理.

數(shù)據(jù)上傳階段. 用戶對(duì)隱私樣本向量采用公鑰pki加密處理后形成Hpki（Accu（x））， 將其上傳到加密服務(wù)器.

加密階段. 當(dāng)加密服務(wù)器從用戶端接收到密文數(shù)據(jù)Hpki（Accu（x））后， 由于不同屬性的用戶隱私數(shù)據(jù)為不同公鑰下的密文， 無(wú)法將加密數(shù)據(jù)在不同公鑰下進(jìn)行訓(xùn)練， 所以需對(duì)各公鑰下的密文重新加密， 獲取相同公鑰下的密文.

訓(xùn)練階段. 當(dāng)服務(wù)器在加密服務(wù)器接收到聯(lián)合公鑰pk下的密文時(shí)， 利用深度模型對(duì)全部密文數(shù)據(jù)進(jìn)行訓(xùn)練， 步驟如下：

1） 在輸入層， 將Hpki（Accu（x））中的密文數(shù)據(jù)作為輸入數(shù)據(jù)； 在隱含層和輸出層， 每層的密文輸入向量表示為Hpk（Accu（z^l+1））.

2） 在隱含層， 確定激活函數(shù)為ReLU， 分析函數(shù)ReLU的特征， 當(dāng)z^l+1i≥0時(shí)， 輸出值為z^l+1i； 反之， 輸出值為0.

3） 在輸出層， 設(shè)定輸入數(shù)據(jù)z^l+1i=zLi， 利用改進(jìn)的Taylor定理近似方法計(jì)算密文Sigmoid激活函數(shù)Hpk（Accu（f（zL））

）， 利用Taylor公式將Sigmoid的Taylor展開保留3項(xiàng)或4項(xiàng)進(jìn)行逼近訓(xùn)練； 之后服務(wù)器和加密服務(wù)器進(jìn)行協(xié)作計(jì)算， 獲取密文代價(jià)函數(shù)R， 操作步驟如下：

① 服務(wù)器在接收到Hpk（Accu（xLi（x）））后， 通過(guò)盲因子r計(jì)算Hpk（Accu（xLi（

x）））r和Hpk（Accu（1-xLi（x）））r， 將其直接發(fā)送到加密服務(wù)器；

② 將加密服務(wù)器接收的數(shù)據(jù)采用聯(lián)合私鑰對(duì)其進(jìn)行解密處理， 同時(shí)計(jì)算xLi（x）r和1-xLi（x）r， 完成計(jì)算后將其發(fā)送至服務(wù)器；

③ 移除盲因子r， 利用

R=lpij（x）×∑Ni=1［In（z^l+1i）+In（1-zLi）2］（9）

計(jì)算密文交叉熵代價(jià)函數(shù)R， 確保計(jì)算過(guò)程滿足解密正確性；

④ 當(dāng)服務(wù)器得到密文代價(jià)函數(shù)后， 利用SCP協(xié)議與密文無(wú)誤差閾值τ進(jìn)行比較. 假設(shè)Rgt;τ， 則服務(wù)器進(jìn)行密文反向傳播； 反之， 服務(wù)器終止訓(xùn)練， 得到訓(xùn)練好的模型， 通過(guò)該模型進(jìn)行推理.

密文反向傳播步驟如下：

1） 服務(wù)器利用SCP協(xié)議比較密文代價(jià)函數(shù)與密文誤差閾值， 假設(shè)Rgt;τ， 則需要在輸出層計(jì)算密文梯度Hp（x，y）， 計(jì)算公式為

Hp（x，y）=（pki，ski）·τR;（10）

2） 在輸出層， 利用服務(wù)器計(jì)算偏置的密文梯度Hp（Δbli）， 計(jì)算公式為

Hp（Δbli）=Hp（x，y）（pki，ski）·τ（1-R）2；（11）

3） 在隱含層， 服務(wù)器需要優(yōu)先計(jì)算ReLU的密文梯度， 然后再計(jì)算隱含層偏置梯度;

4） 利用

Hp（ω*ij）=Hp（Δbli）·［（pki，ski）·τ］，Hp（b*ij

）=Hp（ω*ij）·τHpk（Accu（f（zL）））（12）

計(jì)算密文權(quán)重Hp（ω*ij）和偏置Hp（b*ij）.

完成上述操作后， 如果達(dá)到設(shè)定的迭代次數(shù)或權(quán)重不再更新時(shí)， 則服務(wù)器可獲取訓(xùn)練好的模型， 根據(jù)用戶隱私數(shù)據(jù)的屬性， 將同態(tài)加密算法和深度學(xué)習(xí)兩者有效結(jié)合， 對(duì)用戶隱私數(shù)據(jù)進(jìn)行點(diǎn)對(duì)點(diǎn)加密傳輸， 確定數(shù)據(jù)傳輸節(jié)點(diǎn)， 并選擇最佳的傳輸路徑， 完成用戶隱私數(shù)據(jù)傳輸安全保護(hù)， 有效避免數(shù)據(jù)泄露.

2 仿真實(shí)驗(yàn)

為驗(yàn)證本文同態(tài)加密下用戶隱私數(shù)據(jù)傳輸安全保護(hù)方法的有效性， 下面利用NS2仿真軟件進(jìn)行實(shí)驗(yàn)分析.

2.1 實(shí)驗(yàn)設(shè)計(jì)

2.1.1 數(shù)據(jù)預(yù)處理

實(shí)驗(yàn)所用樣本數(shù)據(jù)來(lái)自數(shù)據(jù)集Adult， 該數(shù)據(jù)集包含匿名化的個(gè)人信息、 收入等數(shù)據(jù)， 通常用于研究數(shù)據(jù)挖掘和隱私保護(hù)技術(shù). 從數(shù)據(jù)集Adult中選擇合適大小的樣本數(shù)據(jù)， 包括匿名化的個(gè)人信息和收入等敏感數(shù)據(jù)， 確保數(shù)據(jù)集的多樣性和代表性.

2.1.2 實(shí)驗(yàn)環(huán)境搭建

使用NS2仿真軟件搭建網(wǎng)絡(luò)仿真環(huán)境， 設(shè)置網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和節(jié)點(diǎn)配置， 包括10個(gè)數(shù)據(jù)發(fā)送節(jié)點(diǎn)、3個(gè)數(shù)據(jù)接收節(jié)點(diǎn)和2個(gè)攻擊節(jié)點(diǎn). 假設(shè)有2個(gè)攻擊節(jié)點(diǎn)， 分別編號(hào)為A1和A2. 攻擊節(jié)點(diǎn)可以在網(wǎng)絡(luò)中的任意位置部署， 并使用不同的入侵方法， 如U2L，U2R，Probe和Dos.

2.1.3 隱私保護(hù)方法比較

選擇文獻(xiàn)［4］和文獻(xiàn)［5］方法作為對(duì)比方法， 分別在相同的網(wǎng)絡(luò)環(huán)境下用這些方法進(jìn)行用戶隱私數(shù)據(jù)的傳輸安全保護(hù).

2.1.4 入侵方法設(shè)置

設(shè)置4種不同類型的入侵方法， 包括U2L，U2R，Probe和Dos. 在仿真環(huán)境中模擬這些入侵行為， 并記錄每種入侵方法成功入侵的次數(shù).

2.2 測(cè)試結(jié)果與分析

測(cè)試在使用文獻(xiàn)［4］方法、 文獻(xiàn)［5］方法和本文方法前后的用戶隱私數(shù)據(jù)入侵次數(shù)， 結(jié)果如圖1所示.

由圖1可見， 分別采用不同方法處理后各入侵模式的入侵次數(shù)均有降低. 本文方法在4種入侵模式下的入侵次數(shù)均為0， 說(shuō)明采用本文方法進(jìn)行用戶隱私數(shù)據(jù)傳輸安全保護(hù)后， 用戶隱私數(shù)據(jù)的防御性能得到明顯提升.

為進(jìn)一步驗(yàn)證不同方法的加密性能， 選取相關(guān)系數(shù)作為衡量標(biāo)準(zhǔn)， 相關(guān)系數(shù)的取值越接近0， 說(shuō)明用戶隱私數(shù)據(jù)被泄露的風(fēng)險(xiǎn)越低； 反之， 如果相關(guān)系數(shù)取值越接近1， 則說(shuō)明用戶隱私數(shù)據(jù)被泄露的風(fēng)險(xiǎn)越大. 相關(guān)系數(shù)計(jì)算公式如下：

S=cov（x，y）D（x）D（y），（13）

其中cov（x，y）表示相鄰數(shù)據(jù)之間的協(xié)方差， D（x）和D（y）表示數(shù)據(jù)方差值. 結(jié)合式（13）獲取各方法在不同混沌序列長(zhǎng)度下的相關(guān)系數(shù)， 實(shí)驗(yàn)結(jié)果如圖2所示.

由圖2可見， 隨著混沌序列長(zhǎng)度的增加， 各方法的相關(guān)系數(shù)也逐漸增加. 但本文方法的相關(guān)系數(shù)均在0.10以下， 最大值為0.067， 最小值僅為0.025. 由于本文方法在加密過(guò)程中引入了同態(tài)加密， 因此可以更好地確保用戶隱私數(shù)據(jù)的安全性. 而另外兩種方法的相關(guān)系數(shù)取值較大， 說(shuō)明其加密性能較差， 無(wú)法確保用戶隱私數(shù)據(jù)的安全性.

為更直觀地衡量本文方法對(duì)用戶隱私數(shù)據(jù)傳輸?shù)陌踩Ｗo(hù)性能， 隨機(jī)抽取一部分用戶隱私數(shù)據(jù)進(jìn)行加密測(cè)試， 結(jié)果如圖3所示.

由圖3可見， 采用本文方法可以更好地完成用戶隱私數(shù)據(jù)加密處理， 避免用戶隱私數(shù)據(jù)出現(xiàn)泄露； 而采用另外兩種方法無(wú)法對(duì)全部數(shù)據(jù)元素進(jìn)行覆蓋處理， 導(dǎo)致用戶隱私數(shù)據(jù)易被泄露， 無(wú)法保證用戶隱私數(shù)據(jù)的安全傳輸.

表1列出了3種方法在不同節(jié)點(diǎn)數(shù)量下的通信開銷變化情況. 由表1可見， 各方法的通信開銷均隨節(jié)點(diǎn)數(shù)量的增加而增加. 在3種方法中， 本文方法的通信開銷更低， 進(jìn)一步說(shuō)明了本文方法的實(shí)用性和優(yōu)越性.

這是因?yàn)橥瑧B(tài)加密算法允許在加密狀態(tài)下進(jìn)行計(jì)算和操作， 無(wú)須解密數(shù)據(jù). 即數(shù)據(jù)可以在加密狀態(tài)下進(jìn)行傳輸和處理， 減少了因數(shù)據(jù)解密和加密產(chǎn)生的開銷.

綜上所述， 為保證用戶隱私數(shù)據(jù)的安全， 本文提出了一種同態(tài)加密下用戶隱私數(shù)據(jù)傳輸安全保護(hù)方法. 首先， 通過(guò)特征空間重組技術(shù)和語(yǔ)義相關(guān)性融合方法， 實(shí)現(xiàn)了對(duì)用戶隱私數(shù)據(jù)特征的捕獲和自適應(yīng)調(diào)度， 這種方式可以優(yōu)化數(shù)據(jù)重構(gòu)過(guò)程， 提高數(shù)據(jù)傳輸效率； 其次， 采用模糊聚類方法對(duì)捕獲的特征量進(jìn)行處理， 從而確定用戶隱私數(shù)據(jù)的屬性， 這種方式可以更精確地了解用戶隱私數(shù)據(jù)的特點(diǎn)和需求， 為后續(xù)的加密傳輸作出合適的決策; 最后， 結(jié)合同態(tài)加密算法和深度學(xué)習(xí)技術(shù)， 實(shí)現(xiàn)對(duì)用戶隱私數(shù)據(jù)的點(diǎn)對(duì)點(diǎn)加密傳輸， 這種組合能提供更高級(jí)別的數(shù)據(jù)保護(hù)， 并保持?jǐn)?shù)據(jù)的準(zhǔn)確性和完整性.

仿真實(shí)驗(yàn)分析結(jié)果表明， 本文方法可以保證用戶隱私數(shù)據(jù)的順利傳輸， 減少了通信開銷， 更好地保護(hù)了用戶隱私數(shù)據(jù)的安全性.

參考文獻(xiàn)

［1］徐璐， 鐘濤， 潘禹辰， 等. 大數(shù)據(jù)時(shí)代招聘平臺(tái)用戶數(shù)據(jù)隱私保護(hù)研究［J］.情報(bào)理論與實(shí)踐， 2022， 45（12）： 68-75. （XU L， ZHONG T， PAN Y C， et al. Research on User Data Privacy Protection of Recruitment Platforms in the Era of Big Data［J］. Information Studies： Theory amp; Application， 2022， 45（12）： 68-75.）

［2］張星， 張興， 王晴陽(yáng). DP-IMKP： 滿足個(gè)性化差分隱私的數(shù)據(jù)發(fā)布保護(hù)方法［J］.計(jì)算機(jī)工程與應(yīng)用， 2023， 59（10）： 288-298. （ZHANG X， ZHANG X， WANG Q Y. DP-IMKP： Data Publishing Protection Method for Personalized Differential Privacy［J］.Computer Engineering and Applications， 2023， 59（10）： 288-298.）

［3］陳子秋， 馮瑞玨， 鄭揚(yáng)富， 等. 非侵入式負(fù)荷監(jiān)測(cè)系統(tǒng)數(shù)據(jù)隱私保護(hù)方法研究［J］.電子技術(shù)應(yīng)用， 2021， 47（12）： 116-119. （CHEN Z Q， FENG R J， ZHENG Y F， et al. Research on Data Privacy Protection Method of NILM［J］.Application of Electronic Technique， 2021， 47（12）： 116-119.）

［4］田豐， 吳振強(qiáng)， 魯來(lái)鳳， 等. 面向軌跡數(shù)據(jù)發(fā)布的個(gè)性化差分隱私保護(hù)機(jī)制［J］.計(jì)算機(jī)學(xué)報(bào)， 2021， 44（4）： 709-723. （TIAN F， WU Z Q， LU L F， et al. A Sample Based Personalized Differential Privacy Mechanism for Trajectory Data Publication［J］.Chinese Journal of Computers， 2021， 44（4）： 709-723.）

［5］劉煒， 彭宇飛， 田釗， 等. 基于區(qū)塊鏈的醫(yī)療信息隱私保護(hù)研究綜述［J］.鄭州大學(xué)學(xué)報(bào)（理學(xué)版）， 2021， 53（2）： 1-18. （LIU W， PENG Y F， TIAN Z， et al. A Survey on Medical Information Privacy Protection Based on Blockchain［J］.Journal of Zhengzhou University （Natural Science Edition）， 2021， 53（2）： 1-18.）

［6］葉帥， 蔣文保， 祁亞楠. 基于SM9多密鑰中心的用戶身份隱私保護(hù)模型［J］.計(jì)算機(jī)工程與設(shè)計(jì)， 2023， 44（7）： 1985-1992. （YE S， JIANG W B， QI Y N. User Identity Privacy Protection Model Based on SM9 Multi-key Center［J］.Computer Engineering and Design， 2023， 44（7）： 1985-1992.）

［7］陳莊， 齊鋒. 面向企業(yè)私有云的數(shù)據(jù)安全保護(hù)方法研究［J］.計(jì)算機(jī)應(yīng)用研究， 2020， 37（3）： 833-837.（CHEN Z， QI F. Research on Data Security Protection Method for Enterprise Private Cloud［J］.Application Research of Computers， 2020， 37（3）： 833-837.）

［8］劉圣洋， 冬雷， 王曉曉， 等. 基于高斯核模糊C均值聚類的光伏陣列故障診斷方法［J］.太陽(yáng)能學(xué)報(bào)， 2021， 42（5）： 286-294. （LIU S Y， DONG L， WANG X X， et al. Photovoltaic Array Fault Diagnosis Based on Gkfcm［J］.Acta Energiae Solaris Sinica， 2021， 42（5）： 286-294.）

［9］賈鶴鳴， 張棕淇， 姜子超， 等. 基于混合身份搜索黏菌優(yōu)化的模糊C-均值聚類算法［J］.智能系統(tǒng)學(xué)報(bào)， 2022， 17（5）： 999-1011. （JIA H M， ZHANG Z Q， JIANG Z C， et al. An Optimization Fuzzy C-Means Clustering Algorithm Based on the Hybrid Identity Search and Slime Mold Algorithms［J］.CAAI Transactions on IntelligentSystems， 2022， 17（5）： 999-1011.）

［10］袁芊芊， 鄧洪敏， 王曉航. 基于超像素快速模糊C均值聚類與支持向量機(jī)的柑橘病蟲害區(qū)域分割［J］.計(jì)算機(jī)應(yīng)用， 2021， 41（2）： 563-570. （YUAN Q Q， DENG H M， WANG X H. Citrus Disease and Insect Pest Area Segmentation Based on Superpixel Fast Fuzzy C-Means Clustering and Support Vector Machine［J］.Journal ofComputer Applications， 2021， 41（2）： 563-570.）

［11］唐波， 陳昊， 奉彭， 等. 基于散射中心的風(fēng)電機(jī)RCS數(shù)據(jù)壓縮重構(gòu)［J］.計(jì)算機(jī)仿真， 2019， 36（12）： 102-107. （TANG B， CHEN H， FENG P， et al. Wind Turbine RCS Data Compression and Reconstruction Based on Scattering Center［J］.Computer Simulation， 2019， 36（12）： 102-107.）

［12］王凌宇， 傅宏， 馬創(chuàng)， 等. 基于同態(tài)加密的電網(wǎng)隱私數(shù)據(jù)多維聚合優(yōu)化算法［J］.重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023， 35（2）： 352-359. （WANG L Y， FU H， MA C， et al. Multi-dimensional Aggregation Optimization Algorithm for Power Grid Privacy Data Based on Homomorphic Encryption［J］.Journal of Chongqing Universityof Posts and Telecommunications （Natural Science Edition）， 2023， 35（2）： 352-359.）

［13］李玉， 張黎明， 王昊， 等. 運(yùn)用同態(tài)加密的高分遙感影像交換密碼水印算法［J］.激光與光電子學(xué)進(jìn)展， 2022， 59（18）： 329-338. （LI Y， ZHANG L M， WANG H， et al. Commutative Encryption and Watermarking Algorithm for High Resolution Remote Sensing Images Based on Homomorphic Encryption［J］.Laser amp; OptoelectronicsProgress， 2022， 59（18）： 329-338.）

［14］楊挺， 李大帥， 蔡紹堂， 等. 面向用戶隱私保護(hù)的用電數(shù)據(jù)壓縮加密方法［J］.中國(guó)電機(jī)工程學(xué)報(bào)， 2022， 42（1）： 58-69. （YANG T， LI D S， CAI S T， et al. Power Data Compression and Encryption Method for User Privacy Protection［J］.Proceedings of the Chinese Society for Electrical Engineering， 2022， 42（1）： 58-69.）

［15］李莉， 杜慧娜， 李濤. 基于群簽名與屬性加密的區(qū)塊鏈可監(jiān)管隱私保護(hù)方案［J］.計(jì)算機(jī)工程， 2022， 48（6）： 132-138. （LI L， DU H N， LI T. Blockchain Supervisable Privacy Protection Scheme Based on Group Signature and Attribute Encryption［J］.Computer Engineering， 2022， 48（6）： 132-138.）

（責(zé)任編輯： 韓 嘯）