可否认的可学习加密与Docker镜像和容器安全
可否认的可学习加密
模型训练准确性对比
在对CIFAR数据集的研究中,对比了两种模型(ResNet和CNN)在普通图像和加密图像上的训练准确性,具体数据如下表所示:
| 模型 | 普通图像准确率 | 加密图像准确率 | 多模型预测准确率 |
| ---- | ---- | ---- | ---- |
| ResNet | 0.8469 | 0.7788 | 0.8507 |
| CNN | 0.8393 | 0.7469 | 0.8289 |
从表中可以看出,使用普通图像训练时,ResNet和CNN的准确率分别为0.8469和0.8393;而使用可学习加密的图像进行训练时,准确率下降了近0.1。不过,通过提出的多模型预测方法,可以减少可学习加密导致的特征损失,使准确率恢复到与使用普通图像训练时几乎相同的水平,并且该方法对两种模型结构都有效。
模型数量对预测准确性的影响
模型数量对预测准确性有着显著的影响,具体表现如下:
- 准确性提升 :随着模型数量的增加,预测准确性会得到提高。
- 投票与概率求和对比 :当模型数量达到10个或更多时,通过标签投票和概率求和的方式得到的结果几乎相同;而当使用较少的模型时,概率求和的方式会比标签投票更好。
- 资源与准确性平衡 :虽然更多的模型能带来更高的准确性,但会消耗更多的资源。至少使用3到4个模型可以使准确性有显著提升,而使用6到7个模型时,准确性几乎达到极限。为了提