摘要
随着大数据时代的到来，新型可靠的云计算技术得到了快速地发展。外包计算作为一种重要的云计算服务模式，使得计算能力匮乏的个人或公司能够租赁计算和存储资源丰富的云服务器来执行大规模计算任务。然而，伴随着外包计算模式的普及，许多安全问题应运而生。由于用户的计算任务中常常包含着隐私信息，这些数据的泄露会给用户造成巨大的损失。而云服务器的不可控性使得它们未必完全可信。比如可能为了节省资源和赚取更多的利润，云服务器不会如实地计算分配的任务，甚至恶意伪造一个计算结果后返回给用户。这些潜在的安全问题阻碍了外包计算模式的大规模部署。因此，研究保护用户数据隐私并且可验证云服务器恶意行为的外包计算方案具有很高的价值。 本文研究了云环境下的基于稀疏表示分类（SRC）的人脸识别（FR）算法和医疗图像压缩感知重构（CSR）算法的外包设计，由于这两个算法中都含有复杂的凸优化问题，因此本文根据这两个算法的具体应用分别提出了两种凸优化问题的加密方式。最后，本文分别对这两个算法提出了安全外包方案。 (1)提出了基于SRC的FR的安全外包算法。FR作为一种典型的生物特征认证技术，在现实世界中得到了广泛的应用。然而，常用的FR算法中出现的大规模矩阵运算或复杂的优化问题对于资源受限的FR客户端来说是超负荷的。对此，研究云辅助的FR算法具有重要的实际需求。然而，FR客户端的数据和机器学习模型的敏感性以及云服务器的不可信性使得这种计算模式面临许多安全挑战。本文针对基于SRC的FR算法，首次提出了该算法的高效安全外包设计。该设计中涉及的关键技术是在外包凸优化问题（l1-最小化问题）中采用的一种新的范数保持的矩阵变换。这种新技术能够很好地保护基于SRC的FR中的关键隐私信息，并可以最佳概率1识别云服务器的恶意行为。此外，在公开可用的数据库上进行的大量实验进一步证实本文的理论论证。 (2)提出了医疗图像CSR的安全外包算法。著名的CSR算法利用信号的稀疏特性，通过压缩（即测量）算法获得离散样本，然后通过重构算法完美地重构信号。CSR受益于存储的节省，在大规模图像处理领域得到了广泛的应用。然而，对于资源受限的客户端，重构过程中的凸优化问题在计算上是超负荷的。因此，设计一种云辅助的CSR算法成为一个热门课题。本文研究了云环境中现有的安全CSR外包算法，并为在线医疗图像处理服务提出了一种新的隐私增强且可验证的CSR外包算法。与之前的工作相比，新设计组合了线性变换、置换和受限随机填充技术可以有效地实现更强的安全性。最后，本文用严谨的理论推导和全面的实验分析论证了算法的安全性和高效性。
NETL