相關主題
商品描述
本書面向數字化轉型重要戰略中促進數據共享、保護數據安全隱私的核心需求，充分考慮物聯網終端和數據的實際特性，
數據遷移和計算遷移模式下分別研究了數據/模型服務交易和終端間聯合學習，形成了安全可信的數據共享技術新體系。
本書首先研究了物聯網數據服務交易機制，包括精準的關聯性隱私量化、可滿足的隱私補償和無套利的查詢定價，
為數據供需雙方構建市場化體制；其次研究瞭如何在保護數據隱私和模型機密性的前提下，
批量驗證模型推理結果的正確性；最後面向手機淘寶推薦場景，
研究瞭如何協同大規模異構終端來訓練包含億級特徵的深度學習模型。
本書適合安全可信數據共享、端智能等方向的研究者和實踐者閱讀。
作者簡介
牛超越
上海交通大學博士後，研究興趣主要包括數據共享與交易、端雲協同學習、推薦系統、隱私保護等。
以第一作者或通訊作者身份在USENIXOSDI、ACMMobiCom、
ACM KDD等高水平會議和/EEETDSC、IEEETKDE等權威期刊上發表論文10餘篇。
相關研究成果已應用於阿里巴巴手機淘寶的重要業務場景。
已申請專利10項，其中4項已授權。
曾獲2021年度CCF優秀博士學位論文獎、
上海交通大學研究生“學術之星”、阿里巴巴集團學術合作優秀實習生等榮譽。
目錄大綱
叢書序
推薦序Ⅰ
推薦序Ⅱ
導師序
摘要
ABSTRACT
插圖索引
表格索引
算法索引
第1章緒論
1.1 研究背景與意義
1.2 關鍵科學問題
1.3 研究內容與貢獻
1.4 本書組織結構
第2章相關研究工作
2.1 數據交易
2.2 可驗證計算
2.3 安全模型推理
2.4 終端間聯合學習
第3章感知數據分析服務中隱私補償及查詢定價機制
3.1 引言
3.2 技術準備
3.2.1 系統模型
3.2.2 河豚隱私框架
3.2.3 馬爾可夫被干擾機制
3.3 交易機制設計
3.3.1 隱私度量
3.3.2 隱私補償
3.3.3 查詢定價
3.4 實驗評估
3.4.1 實驗設置
3.4.2 細粒度的隱私損失和隱私補償
3.4.3 魯棒的查詢定價
3.4.4 計算開銷與內存開銷
3.5 本章小結
第4章模型推理服務中隱私可保護的批量結果驗證協議
4.1 引言
4.2 技術準備
4.2.1 支持向量機
4.2.2 密碼學背景知識
4.3 問題建模
4.3.1 系統模型
4.3.2 安全需求與攻擊模型
4.4 設計原理
4.5 底層理論協議設計
4.5.1 面向點積的設計
4.5.2 面向平方歐氏距離的設計
4.5.3 複雜度分析
4.5.4 安全分析
4.6 頂層應用設計
4.6.1 面向支持向量機的設計
4.6.2 面向其他機器學習算法的拓展
4.7 實驗評估
4.7.1 實驗設置
4.7.2 計算開銷
4.7.3 通信開銷
4.7.4 模型管理者的開銷
4.8 本章小結
第5章超大規模終端間聯合子模型學習方法及隱私保護機制
5.1 引言
5.1.1 產業界場景驅動
5.1.2 聯合子模型學習框架
5.1.3 新引入的隱私風險
5.1.4 基本問題和挑戰
5.1.5 設計與貢獻總覽
5.2 技術準備
5.2.1 安全隱私需求
5.2.2 隨機回答
5.3 協議設計
5.3.1 設計原理
5.3.2 設計細節
5.4 理論分析
5.4.1 安全隱私分析
5.4.2 複雜度分析
5.5 實驗評估
5.5.1 實驗設置
5.5.2 模型準確率與收斂性
5.5.3 通信開銷
5.5.4 計算開銷
5.5.5 內存與磁盤開銷
5.5.6 拓展性討論
5.6 本章小結
第6章總結與展望
6.1 工作總結
6.2 研究展望
6.2.1 數據和模型交易
6.2.2 端雲協同
參考文獻
攻讀博士學位期間發表的學術論文
攻讀博士學位期間申請的發明專利
攻讀博士學位期間參與的科研項目
致謝
叢書跋
