
边缘计算在利于解决外包系统实时性 问 题的同 时
,
也带来 了 安全与 隐 私保护 的 挑战
.
“
边缘计 算 隐
私保护研究进展
”
一文
,
从边缘计算特有的网络模型 与安 全模 型
、
各种应 用 场景下 的 隐私保 护 安全
计算及相关的各种密码学技术等方面
,
对边缘计算隐 私保 护领 域的 国 内外最 新 研究成 果 进行了 系
统的阐述
、
总结与科学归类
,
探讨了边缘计算隐私保护当前面 临的挑 战
、
未来潜 在 的研究 方 向及其
解决思路
.
网络空间新生威胁以其复杂多变的攻击方式对网 络安 全造成 严 重危害
,
传统网 络 安全防 御 手
段越来越不能适应这种新的网络环境
.
威胁情报的交换与共享可以使威胁情 报价 值最 大化
,
降低 情
报搜集成本和改善信息孤岛问题
,
进而提高 参 与共享 各 方的威 胁 检测与 应 急响应 能 力
.
“
网络安 全
威胁情报共享与交换研究综述
”
一 文
,
介 绍 了 网 络 安 全 威 胁 情 报 的 概 念 和 主 流 的 威 胁 情 报 共 享 规
范
,
分析了近
10
年来国内外有关威胁情报共享与交换的研究 成 果
,
归纳和 总 结了威 胁 情报共 享 与
交换的现状与发展趋势
.
并对威胁情报共享与交换的研究方向和发展趋势进行了分析和展望
.
机器学习在很多领域已经开始有了比较成熟的应用
,
如在广 告 推荐
、
自动驾 驶
、
人脸识 别 等各
个领域
,
机器学习都扮演着重要的角色
.
然而
,
因为机 器 学习的 精 准模型 需 要大量 的 训练数 据 作为
支撑
,
蓬勃发展的机器学习技术使数据安全 与 隐私面 临 更加严 峻 的挑战
.
“
机器学 习 的安全 问 题及
隐私保护
”
一文总结了机器学习在训练和预测阶段常见的安全及隐私威胁
,
如投毒攻击
、
对抗攻击
、
隐私攻击等
;
介绍了常见的安全防御方法
,
同时重点总结了同态加密
、
安全多方计算
、
差分隐私等隐
私保护的方法
,
并将典型的方案进行比较
.
在分析 了 现有研 究 的不足 与 挑战后
,
展望了 机 器学习 隐
私保护的未来发展趋势和研究方向
.
2
密码算法与协议
在基于格的后量子密码领域
,
不使用复杂纠错码的基于模
LWE∕LWR
问题设计的高 效密 钥封
装方案主要有
2
类
.
“
基于模格的密钥封 装方案 系 统比较 分 析与优 化
”
一文首 次 成体系 地 比较了 直
接基于
LWE∕LWR
构造的密钥封装方案和基于密钥共识机制 结合 模
LWE∕LWR
问题 设计 的密 钥
封装方案的异同
,
并在采用相同的压缩函数和相同的参数设置情形下
,
通过理论分析和实际测试得
到了有关
2
类方案的优劣的结论
.
可搜索加密是保护外包数据隐私的重要密码原语 之一
,
动态可 搜 索加密 允 许用户 对 外包数 据
执行更新操作
,
因而得到更多重视
.
然而
,
目前大多数动态可搜索加密方案泄 露信 息较 多
、
只支 持单
用户模式
,
在实际应用过程中存在安全和可 用 性问题
.
“
一种增 强 的高效 多 用户前 向 安全动 态 对称
可搜索加密方案
”
一文提出了一个支持多用户的前向安全动态可搜索加密方案
,
文章通过引入一个
半可信代理服务器支持多用户操作
,
同时设计索引支持前向安全性质
,
实现了安全性和可用性的有
机统一
.
全同态加密可以对密文进行有效计算
,
是实现云计算
、
大数据以及机器学习中数据隐私安全的
一项重要密码技术
.
然而
,
公钥规模和密文规模大以及密文运算计算复杂性高 依然 是全 同态 加密 方
案实用性的一个主要瓶颈
.
如果同态加密方案满足循环安全性
,
即可以对方案 的私 钥进 行安 全的 加
密
,
则可以使得运算密钥的规模独立于运 算 电路的 深 度
,
从而可 以 使得方 案 性能得 到 有效提 升
.
因
此
,
如何构造满足循环安全性的高效同态加密方案是值得研究的一个问题
.
拒绝 采样 技术 常用 于基
于格的数字签名算法中以优化算法性能
.
“
循环安全的同态加密方案研究
”
一文
,
首次 将拒 绝采 样技
术用于构造循环安全的同态加密方案
,
在增加部分采样算法的代价下
,
将系统参数从超多项式级降
低到多项式级
,
大大约减了方案公钥和密文规模
,
从而有效改善了密文运算的计算复杂性
.
随着云计算与
5G
通信的快速发展与广泛应用
,
云移动用户 数迅 速增 长
,
云数 据的 隐私 性保 护
0102
计算机研究与发展
2020
,
57
(
10
)
评论