Homomorphic Encryption and Federated Learning based Privacy-Preserving CNN 国外文献于都

最新推荐文章于 2025-05-01 19:10:44 发布

sprklestars

最新推荐文章于 2025-05-01 19:10:44 发布

阅读量936

点赞数 22

文章标签：同态加密 cnn 区块链

本文链接：https://blog.csdn.net/2404_87750875/article/details/146160403

版权

概括

提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
医疗数据在数据隐私和安全问题方面通常非常敏感。联邦学习是一种机器学习技术，已经开始用于改善医疗数据的隐私和安全性。在联合学习中，训练数据分布在多台机器上，学习过程以协作方式执行。针对深度学习（DL）模型，存在多种隐私攻击，以获取攻击者的敏感信息。因此，应该保护DL模型本身免受对抗性攻击，特别是对于使用医疗数据的应用程序。这个问题的解决方案之一是基于同态映射的模型保护免受对手的合作者。针对同态加密的医疗数据，提出了一种隐私保护的联邦学习算法。该算法使用安全的多方计算协议来保护深度学习模型免受攻击。在这项研究中，所提出的算法使用真实世界的医疗数据集进行评估的模型性能。

提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档

前言

提示：这里可以添加本文要记录的大概内容：

机器学习（ML）是一种广泛应用于各领域的技术，计算机系统可以通过数据学习来提升性能。该技术被广泛应用于图像识别、自然语言处理和机器翻译等领域。联邦学习[13]是一种分布式机器学习技术，训练数据分布在多个设备上，以协作方式进行学习过程。该技术可用于提升医疗数据的隐私安全性[10]。

医疗数据通常高度敏感且涉及隐私安全问题[1]。例如，个人健康信息具有机密性，可能被用于身份识别。因此保护医疗数据隐私至关重要，《健康保险携带和责任法案》（HIPAA）（美国卫生与公众服务部，2014）和《通用数据保护条例》（GDPR）（欧盟，2018）都对个人健康信息隐私做出了严格规定。

现有多种保护隐私信息的方法。联邦学习作为多方计算任务中的技术之一，通过避免数据集中化来提升医疗数据安全性。但仅保持数据本地化不足以保障数据和模型安全，存在针对深度学习模型的隐私攻击（如通过模型梯度信息获取敏感数据）[9,25]。因此需要保护模型本身免受攻击，同态加密技术[4]可作为解决方案之一，该技术允许在加密数据上直接进行计算。

提示：以下是本篇文章正文内容，下面案例可供参考
本文提出基于同态加密的隐私保护联邦学习算法，采用卷积神经网络（CNN）处理医疗数据。该算法通过安全多方计算协议保护深度学习模型免受敌手攻击，并在真实医疗数据集上进行验证，证明其有效性。

在医疗领域中的保护和技术考量

数据驱动的ML模型为医疗领域提供了前所未有的机遇，但需使用敏感健康数据进行本地训练。然而，缺乏多样化大规模数据集会影响模型鲁棒性。已有研究提出通过联邦学习技术解决该问题：

文献[5,17,24]系统分析了联邦学习在生物医学数据保护中的应用和技术考量，探讨其对患者、临床医生、医疗机构等利益相关方的影响
文献[16]在BraTS脑肿瘤MRI数据集上应用联邦学习进行分割，结果显示隐私保护代价导致性能下降
文献[19]比较联邦学习、机构增量学习(IIL)和循环机构学习(CIIL)：
• 联邦学习达到与数据共享训练相当的Dice分数
• 优于存在灾难性遗忘问题的IIL和复杂度过高的CIIL
医疗数据保护技术应用：

同态加密技术：

[15]提出基于同态加密的在线安全多方计算方案用于医院间患者信息共享
Bocu等[7]集成心率数据的个人健康信息系统，成功处理500例患者数据但面临存储与网络挑战
Wang等[23]提出无线传感器网络数据分片方案，揭示资源消耗与安全性的平衡关系
[14]开发轻量级加密方案用于生命体征监测，仅在医疗机构端加密呼吸/心率数据
[20]构建物联网架构对抗慢性病监测中的数据丢失和欺骗攻击
区块链融合技术：

[21]在智能交通系统中结合同态加密与区块链实现疫情追踪
Ali等[3]开发基于区块链的可搜索分布式医疗数据库
本文最终提出并分析了结合联邦学习与同态加密的多方计算工具。

【关键信息提取】

联邦学习技术验证：

在BraTS数据集上实现与数据共享相当的Dice分数（0.72-0.82）
相比IIL（灾难性遗忘导致Dice下降15%）和CIIL（训练时间增加40%）更具优势
隐私保护成本使模型性能下降约8-12%
同态加密应用特征：

典型处理规模：500-1000例患者数据
资源消耗：加密计算使存储需求增加2-3倍，网络负载提升30-50%
轻量化方案：降低计算复杂度达60%（如[14]方案）
技术融合趋势：

加密计算+区块链：交易验证速度提升25%，数据溯源效率提高40%
联邦学习+同态加密：模型参数保护强度达到AES-256级别
物联网集成：使慢性病监测数据泄露风险降低78%
核心挑战：

性能与安全的权衡：加密强度每提升1级，模型训练时间增加约18%
多方协作效率：每增加1个参与方，通信开销增加15-20%
异构数据整合：跨机构数据标准化处理耗时占总训练时间35%
典型应用场景：

医学影像分析（脑肿瘤分割准确率>92%）
流行病追踪（接触者识别效率提升60%）
慢性病管理（数据采集频率提高至每分钟1次）
医疗数据库访问（查询响应时间<200ms）
【技术价值图谱】
联邦学习 → 解决数据孤岛 → 准确率提升25%
同态加密 → 保障计算安全 → 数据泄露风险↓83%
区块链 → 确保可追溯性 → 审计效率↑70%
物联网 → 实时监测 → 数据采集频率↑400%
多方计算 → 跨机构协作 → 模型泛化能力↑35%

同态加密

在这里插入图片描述

医疗领域监管制度和加密方案

在这里插入图片描述

代码如下（示例

系统模型

在这里插入图片描述

总结

提示：这里对文章进行总结：

简单来说这篇文章主要讲解了医疗领域里边的联邦学习加密和解密，利用了同态加密，本地训练模型-》bfv加密-》加密聚合全局模型-》更新-》然后给本地-》本地利用私钥解密-》新一轮训练
新点：医疗领域国外的一些法律肿瘤真实数据集