17、图像分类器的加密输入混淆技术解析

图像分类器的加密输入混淆技术解析

1. 背景与问题提出

随着物联网（IoT）市场的快速发展，预计在2021 - 2025年期间将增长4212.8亿美元，复合年增长率达33%。在众多典型的物联网应用中，服务器会对来自多个分布式传感器的数据进行分析。然而，和大多数网络或云计算服务一样，物联网分析服务器也面临着多种攻击。主要分为两类攻击：
- 检查攻击 ：攻击者可访问程序部分或全部代码，试图找出程序的某个属性是否满足。
- 黑盒攻击 ：攻击者仅使用被攻击服务器程序的输入输出访问权限，无法访问任何内部数据或计算过程。

为解决这些攻击问题，我们从密码学程序混淆领域入手。程序混淆旨在修改计算机程序，在不改变其输入输出行为的前提下隐藏敏感细节。过去20年左右，研究者开始关注可证明的程序混淆，即在广泛接受的难解性假设下，证明敏感代码细节能保持隐藏。其中，“虚拟黑盒”混淆是研究较多的安全保证，即对于任何对程序的高效检查攻击，都存在一个同样高效的黑盒攻击，两者成功率相近。

但现有的可证明程序混淆解决方案虽能使检查攻击基本无效，却未解决黑盒攻击问题。近期研究表明，流行程序（如机器学习程序）易遭受成功的黑盒攻击，甚至影响相关商业模式的成功。因此，有人提出了加密输入程序混淆模型，以在至少某些应用场景中实现程序在检查和黑盒攻击下的机密性。

2. 研究目标与方向

我们的研究聚焦于机器学习分类器，尤其是图像匹配分类任务。在该任务中，给定一个秘密图像和一个输入图像，分类器若判断它们属于同一类则返回1，否则返回0。

虽然可使用任意程序的加密输入混淆器来设计机