锯齿空间填充曲线耦合压缩感知的彩图灰度化实时加密算法

针对当前彩色图像加密算法都是对RGB分量中所有像素加密,无法避免对次要像素的加密,使其加密效率较低,且加密后仍为彩色密文,增大了传输负载等不足。对此,本文提出了锯齿空间填充曲线耦合压缩感知的单通道彩图RGB分量灰度化实时同步加密算法。设计锯齿空间填充曲线,提高图像像素置乱率;嵌入压缩感知,对彩图RGB三分量进行同步压缩,得到三个测量矩阵,并构造灰度化函数,将图像演变为灰度图像;基于感兴趣区域原理,设计感兴趣像素提取方案,获取灰度图像的感兴趣像素矩阵,使其只扩散感兴趣像素,大幅度降低了像素扩散数量;设计加密函数,扩散感兴趣像素矩阵,再将加密像素映射到置乱图像相应位置,获取灰度密文。仿真结果显示:本文算法高度安全,能够得到灰度密文;与其他彩色加密算法相比,该算法具有更高的加密效率,可满足实时加密要求。     

基于同态加密的高效安全联邦学习聚合框架

为了解决联邦学习数据安全以及加密后通信开销大等问题，提出了一种基于同态加密的高效安全联邦聚合框架。在联邦学习过程中，用户数据的隐私安全问题亟须解决，然而在训练过程中采用加密方案带来的计算和通信开销又会影响训练效率。在既要保护数据安全又要保证训练效率的情况下，首先，采用Top-K梯度选择方法对模型梯度进行筛选，减少了需要上传的梯度数量，提出适合多边缘节点的候选量化协议和安全候选索引合并算法，进一步降低通信开销、加速同态加密计算。其次，由于神经网络每层模型参数具有高斯分布的特性，对选择的模型梯度进行裁剪量化，并采用梯度无符号量化协议以加速同态加密计算。最后，实验结果表明，在联邦学习的场景下，所提框架既保证了数据隐私安全，又具有较高的准确率和高效的性能。