38、基于Kd树的隐私保护外包K-means聚类方案

基于Kd树的隐私保护外包K-means聚类方案

1. 引言

近年来，云计算发展迅速，为现实应用带来诸多好处，如资源弹性、文件存储和外包计算等。很多资源受限的用户会将机器学习任务外包给云服务器以节省成本。然而，金融、医疗等领域的用户数据和中间结果敏感，外包计算会因云服务器不可信而面临安全挑战。

K-means聚类是常用的数据分析和挖掘技术，在医疗影像诊断和市场细分等领域应用广泛。为保障云计算中的数据安全，可使用同态加密（HE）和秘密共享（SS）等加密工具。此前已有很多解决隐私保护K-means聚类问题的方案，但部分方案效率高但安全性不足，部分方案安全但计算和通信开销大。

为兼顾效率和数据安全，我们提出基于Kd树的隐私保护K-means聚类方案，该方案不仅高效，而且安全，在实际应用中具有重要意义。

1.1 主要贡献

• 利用秘密共享技术和百万富翁协议，设计了一套安全协议，可隐私保护地查找最小值、计算欧几里得距离和比较密文。基于这些子协议，提出了一种新的隐私保护外包K-means聚类（PPOKC）方案，能在Kd树数据结构上高效执行外包K-means聚类。
• 使用Kd树存储数据，减少冗余计算，提高效率。所有中间值都得到安全保护，用户构建Kd树并上传数据后可离线，该方案最小化了用户的计算和通信开销，满足资源受限用户的需求。
• 在多个真实和合成数据集上测试方案性能，并与相关工作进行比较。实验结果表明，该方案与现有方案效率相当，但安全级别更高。

2. 预备知识

2.1 加法秘密共享

为实现隐私和效率，采用秘密共享（S