边缘计算隐私保护研究进展

基础知识

• 边缘计算的机遇和挑战：缓解外包云计算的通信延迟问题，但仍然存在上传数据隐私泄露问题；在半可信或恶意安全模型下，如何设计基于边缘计算的轻量级安全与隐 私保护方案成为近年来国内外的研究热点。
• 边缘计算的网络模型：请求用户向边缘节点发布计算任务，边缘节点向本地设备征集数据，边缘节点计算和分析数据，边缘节点回馈结果给请求用户，边缘节点将数据加密传输并存储在云服务器。
  
• 边缘计算与云计算的区别：
  
• 边缘计算的安全模型

1. 输入隐私：本地设备上传数据的隐私；
2. 输出隐私：边缘节点反馈的计算结果隐私；
3. 函数隐私：请求用户提供的计算任务隐私；
4. 可验证性：输入数据可靠性验证；输出计算结果正确性（不可伪造性）验证；请求用户合法性验证；可追责？可审计？
5. 高效性：轻量级、高效的密态计算；

• 边缘计算隐私保护均衡：构建边缘计算隐私保护新理论和新方法需要在正确性(即边缘计算结果的可验证性)、安全性(输入 隐私和输出隐私)、高效性３方面实现平衡。

边缘计算的隐私保护方案

• 隐私保护数据聚合

1. 定义：隐私保护数据聚合是指每个本地设 备从周围采集并加密数据,再将加密数据发送给边 缘节点,边缘节点相互合作在密文数据上进行分布式的多方聚合计算。

2. 目标：数据机密性、数据完整性、数据可验证性、数据异构性、身份隐私、聚合可拓展性、可追踪性、移动性

3. 方法：①同态加密：无论是单用户、多数据聚合还 是多用户、多数据聚合，都是用聚合结果接收方的公钥对本地数据进行同态加密，以保证密文域上的聚合；②差分隐私：用数据扰动方法对本地数据加噪，会对聚合结果的准确性产生一定程度的影响；③安全多方计算：例如秘密共享。

• 隐私保护外包计算

1. 差分隐私：或称数据扰动、数据盲化，例如添加线性或非线性噪声、交换记录值、随机化、几何扰动（组合技术：包括乘法变换、平移变换和噪声加法运算）、旋转扰动、同分布样本替换等；
2. 同态加密：PHE、SWHE、FHE；
3. 安全多方计算：GC、OT、SS等；
4. 可验证和可审计（恶意安全模型下）：如何对边缘计算的所有中间结果和最终结果进行及时验证（混淆电路、双线性映射配对、聚合签名），以保证结果的正确性，并对输出错误结果的边缘节点进行快速有效追踪与审计，仍然是值得关注的研究问题。

• 面向应用的隐私保护边缘计算

1. 基本函数计算：乘法、指数、对数、比较、矩阵、集合（交、并）等；
2. 机器学习、深度学习（CNN、RNN等）；
3. 生物认证；
4. 密文搜索；

参考文献

[1] 周俊, 沈华杰, 林中允,等. 边缘计算隐私保护研究进展[J]. 计算机研究与发展, 2020(10):2027-2051.