17、深度学习中的安全问题

深度学习中的安全问题

深度学习在各个领域的广泛应用，使得其安全问题日益受到关注。本文将介绍深度学习中的安全防护措施、可能面临的攻击类型以及相应的攻击手段。

深度学习隐私数据框架的深入解读

为了保障深度学习中的数据安全，有多种有效的隐私保护结构可供使用。这些结构主要安装在对抗模型中，遵循协议的利益相关者需遵守协议指令，该协议能阻止攻击并防止团体偏离标准程序，从而增强安全性。

• Shokri和Shmatikov方法 ：该方法主要基于差分隐私（DP）高级学习，在不同组织共享数据时使用。每个组织使用自己的神经网络模型，并选择性地与其他组件共享一些参数。不同机器应用相应规则后，将结果组合得到最终结果。共享参数而非原始值时，会应用替代隐私规则来保护用户隐私。
• SecureML ：旨在开发在训练神经网络时保护隐私的解决方案。系统中常用HE、GC和SS协议。数据所有者与非合规服务秘密交换数据真实性，并训练专门的神经网络。它使用高效的定制方法通过安全账户协议训练神经网络，训练结束后，管理版本在服务器之间私密共享，且除了训练还包含隐私政策。
• Google方法 ：保护系列协议提供给高端用户并由顶级客户维护。可用于集成训练，客户保留自己的记录和表格。智能版本由主服务器批准，安全集成用户阅读评论。操作系统仅依赖私有代码交换，防止客户随时放弃协议。
• CryptoNets ：用于医疗、教育、金融等领域的机器学习。由于使用LHE可能导致非线性激活，建议激活电位接近使用多阶多项式。