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。

第1章 绪论\t1
1.1  大数据  1
1.1.1  引言  1
1.1.2  概念  1
1.1.3  发展与应用  2
1.1.4  大数据关键技术  4
1.2  数据挖掘  6
1.2.1  引言  6
1.2.2  概念  7
1.2.3  发展与应用  7
1.2.4  数据挖掘相关技术  8
1.3  人工智能  9
1.3.1  引言  9
1.3.2  概念  9
1.3.3  发展与应用  10
1.3.4  人工智能关键技术  11
1.4  数据安全与网络安全  13
1.4.1  引言  13
1.4.2  概念  13
1.4.3  面临的威胁  14
1.4.4  安全技术  15
1.5  数据挖掘面临的隐私问题  17
1.5.1  数据的过度采集  17
1.5.2  个人信息的滥用  17
1.5.3  数据的融合问题  17
1.6  人工智能面临的隐私问题  18
1.6.1  数据泄露带来的隐私风险  18
1.6.2  人工智能算法引发的隐私风险  18
1.6.3  人工智能的发展导致的安全威胁  19
1.6.4  模型提取攻击导致的安全威胁  19
1.7  本章小结  19
第2章  基础知识  22
2.1  深度学习  22
2.1.1  AdaBoost  22
2.1.2  XGBoost  24
2.1.3  联邦学习  25
2.1.4  全连接神经网络  28
2.1.5  深度神经网络  29
2.1.6  卷积神经网络  31
2.1.7  递归神经网络  33
2.2  同态加密  37
2.2.1  群、环、域  37
2.2.2  公钥密码体制的困难问题  40
2.2.3  加法同态Paillier算法  41
2.2.4  乘法同态RSA算法  42
2.2.5  全同态加密算法  43
2.3  基于安全多方计算的密态计算  44
2.3.1  基于秘密共享的密态计算  44
2.3.2  基于混淆电路的密态计算  46
2.4  基于可信执行环境的密态计算  46
2.5  差分隐私  47
2.6  本章小结  49
第3章  基于AdaBoost的密态计算  54
3.1  背景介绍  54
3.2  研究现状  55
3.3  问题描述  56
3.3.1  系统模型  56
3.3.2  攻击模型  57
3.4  基于秘密共享的安全协议  57
3.4.1  数据存储格式  58
3.4.2  指数的安全匹配  58
3.4.3  改进的安全自然指数协议  59
3.4.4  改进的安全自然对数协议  60
3.5  模型构造  61
3.5.1  AdaBoost的FSA  62
3.5.2  弱分类器的线性加法  64
3.5.3  多分类扩展  65
3.6  理论分析  66
3.6.1  POR的正确性分析  66
3.6.2  POR的安全性分析  67
3.7  性能评估  68
3.7.1  POR的性能  68
3.7.2  改进的安全自然指数协议和安全自然对数协议的性能  71
3.8  本章小结  74
第4章  联邦特别梯度增强的密态计算  76
4.1  背景介绍  76
4.2  研究现状  77
4.3  问题描述  78
4.3.1  系统模型  78
4.3.2  安全模型  79
4.4  模型构造  80
4.4.1  FEDXGB概述  80
4.4.2  SecAgg  81
4.4.3  SecBoost  82
4.4.4  SecFind  84
4.4.5  用户退出的鲁棒性  85
4.5  安全性分析  85
4.5.1  SecAgg的安全性  85
4.5.2  FEDXGB的安全性  86
4.6  性能评估  87
4.6.1  实验配置  88
4.6.2  FEDXGB性能评估  88
4.6.3  SecAgg效率分析  89
4.7  本章小结  92
第5章  隐私保护联邦K-means  95
5.1  背景介绍  95
5.2  研究现状  97
5.3  问题描述  98
5.3.1  系统模型  99
5.3.2  安全模型  100
5.4  模型构建  100
5.4.1  PFK-means概述  100
5.4.2  PFK-means方案  102
5.4.3  安全系统设置  104
5.4.4  簇心更新  105
5.5  理论分析  110
5.5.1  复杂度分析  110
5.5.2  安全分析  111
5.6  性能评估  113
5.6.1  实验设置  113
5.6.2  效用评估  113
5.6.3  实验分析  114
5.6.4  安全性和实用性比较  116
5.7  本章小结  117
第6章  基于同态加密的密态神经网络训练  121
6.1  背景介绍  121
6.2  研究现状  123
6.3  问题描述  124
6.3.1  系统模型  124
6.3.2  安全模型  125
6.4  HNN方案构造  125
6.4.1  全连接层  126
6.4.2  ReLU层  127
6.4.3  Softmax层  127
6.4.4  安全反向传播  128
6.5  安全性分析  130
6.6  性能评估  131
6.7  本章小结  134
第7章  基于卷积神经网络的密态计算  137
7.1  背景介绍  137
7.2  研究现状  138
7.3  问题描述  139
7.3.1  系统模型  139
7.3.2  安全模型  141
7.3.3  设计目标  141
7.4  模型构造  141
7.4.1  安全加减法协议  142
7.4.2  安全乘法协议  142
7.4.3  安全比较协议  143
7.4.4  矢量化  146
7.4.5  面向移动感知的轻量级隐私保护卷积神经网络特征提取  146
7.5  理论分析  151
7.5.1  正确性  151
7.5.2  安全性  152
7.5.3  有效性  153
7.6  性能评估  154
7.6.1  安全比较协议的性能  154
7.6.2  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  155
7.7  本章小结  159
第8章  基于LSTM网络的密态计算  163
8.1  背景介绍  163
8.2  研究现状  164
8.3  问题描述  165
8.3.1  系统模型  165
8.3.2  安全模型  166
8.4  模型构造  166
8.4.1  基于秘密共享的安全函数  166
8.4.2  面向加密音频特征的隐私保护LSTM网络  171
8.5  理论分析  179
8.5.1  OPSR的正确性  179
8.5.2  OPSR的安全性  180
8.6  性能评估  181
8.6.1  OPSR的性能  181
8.6.2  保密LSTM网络交互协议的性能  184
8.7  本章小结  186