2024年澳门太阳集团9728网站

信息技術研究生論壇（三）

場次一、

時間：2024年3月12日（星期二）17:00-18:00

地點：計算機學院604

報告題目一：智慧農業物聯網中基于混合鍊的多對多跨域認證研究

報告人：羅鳳婷

報告簡介：随着智慧農業物聯網項目的發展，不同領域的農業設備之間需要進行廣泛合作，這增加了對設備身份進行認證以确保安全通信的需求。現有的基于中心化架構的認證機制存在單點故障和效率低下等問題。大多數認證方案無法支持大量設備同時連接到其他領域的多個數據服務器。為解決這些問題，我們為智慧農業物聯網網絡提出了一種基于混合區塊鍊架構的多對多跨域認證方案。該方案使多個設備能夠同時與其他農業系統的多個數據服務提供商進行相互認證。本文設計了一種可分組批量驗證（GBV）算法，通過對請求列表執行組驗證以動态調整批量大小，增強了跨域批量認證的靈活性。此外，所提出的方案提供了一個假名更新機制，以保護設備的隐私，并通過懲罰惡意設備防止不同領域的服務遭受非法訪問。安全分析和性能評估表明，所提出的方案具有卓越的安全性和性能。

報告題目二：基于生成模型的通用物體感知對抗攻擊方法

報告人：沈銘铠

報告簡介：

随着深度學習技術的進步，基于深度神經網絡的物體檢測和感知算法在計算機視覺領域取得了顯著成就，展示了優異的性能。然而，這些性能的顯著提升伴随着對深度學習模型的魯棒性和安全性的重大威脅。研究表明，通過在圖像中加入精心設計的對抗擾動，原本高效的模型可能會錯誤地識别這些圖像，而這種變化對人眼幾乎是不可察覺的，顯示了對抗攻擊方法的隐蔽性。對抗攻擊的研究最初集中在圖像分類上，并逐漸擴展至文本分類、語音識别等領域。相較于圖像分類，物體感知任務如二維和多維目标檢測、目标跟蹤、圖像分割等，更為複雜。特别是，利用生成模型産生的對抗樣本為這些任務引入了一種新的攻擊方式。這種方式生成的對抗補丁在維持高攻擊效率的同時，看起來更加真實自然，并且在物理世界中也能保持較高的攻擊成功率，從而阻礙模型準确地感知目标。

報告題目三：分塊自舉的多密鑰全同态加密方法研究

報告人：李靈武

報告簡介：多密鑰全同态加密是一種強大的工具，它能直接使任意函數在不同用戶提供的加密數據上運行，産生與對應明文計算相同函數的加密結果，在聯合計算模式下能有效保護用戶的敏感數據。目前實現深層次同态加密計算的關鍵方法是自舉，但也是多密鑰同态加密方案中計算開銷最大的構建塊，嚴重阻礙多密鑰同态加密的發展。為有效提升多密鑰同态密文計算效率，我們提出了一種可分塊自舉的多密鑰全同态加密方案，通過在多密鑰場景下改進密鑰分布的方法生成分塊評估密鑰，将自舉分成多個闆塊進行，大程度上降低了計算的複雜性。同時我們設計具有環結構的LWE密鑰交換方法，有效降低密鑰的存儲空間，減小了存儲和通信的開銷。最後，通過性能分析和安全性分析，表明該方案能夠在保證與大多數多密鑰全同态加密方案相同安全性的同時提升多密鑰同态加密自舉的效率。

報告題目四：智慧物聯網中基于聯盟鍊共識效率研究

報告人：詹卓凡

報告簡介：随着智慧物聯網的發展，需要随時随地的進行合作共享，但是又不能讓設備一直處于運行狀态，浪費設備壽命與增加能耗。現有的聯盟鍊共識算法大多數都是基于靜态網絡而設計的，使用公共鍊中的算法又大大浪費了資源，且效率方面并沒有聯盟鍊中的算法效率高。為了解決這些問題，我們為智慧物聯網的設計了一種基于動态架構的區塊鍊共識算法，該算法能夠讓多個用戶随時随地的為同一件事達成一緻，并且為多個數據服務商提供認證請求。本文設計了一種基于優化算法的動态分組評分機制的PBFT算法，通過應用優化算法尋找最優秀的用戶參與共識，保證了聯盟鍊中的數據的可靠性的同時還保證了此系統的魯棒性，并通過曆史行為模型為各個用戶進行評分，防止失信用戶成為共識組内的成員，提升了魯棒性。

報告題目五：關于在深度學習應用安全多方計算等隐私保護技術的報告

報告人：宋辰

報告簡介：移動終端設備、視頻監控網絡和傳感器網絡等随時随地地獲取着個人用戶的各類信息數據, 規範利用此類數據可以為用戶帶來更便捷的使用體驗, 而非法使用數據則會帶來嚴重的安全和隐私風險。從互聯網科技巨頭到傳統的酒店、快遞等服務行業, 無論是蓄意濫用還是受到攻擊, 近年來各類信息洩露事件可謂層出不窮 , 單純依靠機構的自我約束顯然不足以保證數據的安全, 為此以歐美為代表的各國政府加緊提出了如《通用數據保護條例》(General Data Protection Regulation, GDPR)、《加州消費者隐私法案》(California Consumer Privacy Act, CCPA) 等相關數據保護法規。 這些法規對數據接入和使用做出了嚴格的限制. 部分現有機器學習技術要求用戶将個人數據上傳到服務提供商的服務器, 以便訓練一個可用的模型或利用已訓練模型進行推理得到結果, 而在這些法規限制下, 數據獲取變得更加嚴格, 部分普通機器學習技術面臨失效。