دانلود رایگان مقاله انگلیسی حفاظت از حریم شخصی با استفاده از چندین ارائه دهنده خدمات - الزویر 2018

قیمت خرید این محصول

رایگان

دانلود مقاله انگلیسی سفارش ترجمه این مقاله

عنوان فارسی

حفاظت از حریم شخصی با استفاده از چندین ارائه دهنده خدمات

عنوان انگلیسی

Privacy-preserving machine learning with multiple data providers

صفحات مقاله فارسی

0

صفحات مقاله انگلیسی

10

سال انتشار

2018

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

نوع مقاله

ISI

نوع نگارش

مقالات پژوهشی (تحقیقاتی)

رفرنس

دارد

پایگاه

اسکوپوس

کد محصول

E10208

رشته های مرتبط با این مقاله

مهندسی کامپیوتر

گرایش های مرتبط با این مقاله

امنیت اطلاعات

مجله

نسل آینده سیستم های کامپیوتری - Future Generation Computer Systems

دانشگاه

School of Computer Science - Guangzhou University - Guangzhou - China

کلمات کلیدی

حریم خصوصی دیفرانسیلی، رمزنگاری هومورفیک، محاسبات برون سپاری، یادگیری ماشین

doi یا شناسه دیجیتال

https://doi.org/10.1016/j.future.2018.04.076

برای سفارش ترجمه این مقاله با کیفیت عالی و در کوتاه ترین زمان ممکن توسط مترجمین مجرب سایت ایران عرضه؛ روی دکمه سبز رنگ کلیک نمایید.

۰.۰ (بدون امتیاز)

امتیاز دهید

چکیده

abstract

With the fast development of cloud computing, more and more data storage and computation are moved from the local to the cloud, especially the applications of machine learning and data analytics. However, the cloud servers are run by a third party and cannot be fully trusted by users. As a result, how to perform privacy-preserving machine learning over cloud data from different data providers becomes a challenge. Therefore, in this paper, we propose a novel scheme that protects the data sets of different providers and the data sets of cloud. To protect the privacy requirement of different providers, we use public-key encryption with a double decryption algorithm (DD-PKE) to encrypt their data sets with different public keys. To protect the privacy of data sets on the cloud, we use ϵ-differential privacy. Furthermore, the noises for the ϵ-differential privacy are added by the cloud server, instead of data providers, for different data analytics. Our scheme is proven to be secure in the security model. The experiments also demonstrate the efficiency of our protocol with different classical machine learning algorithms.

نتیجه گیری

Conclusion and future work

In this paper, we proposed PMLM, a scheme for privacypreserving machine learning under multiple keys, which allows multiple data providers to outsource encrypted data sets to a cloud server for data storing and processing. In our work, the cloud server can add different statistical noises to the outsourced data sets according to the different queries of the data analyst, which is different from existing works (i.e., data providers add statistical noise by themselves). Our work is mainly based on DDPKE cryptosystem Π1 and ϵ-DP, which can be proven to achieve the goal of outsourced computation on multi-party’s data sets without privacy leakage in the random oracle model. Many important works have shown that differential privacy is an effective and useful tool for data privacy calculations. As a further research work, we hope that our PMLM scheme will be useful in both the application domain and theory domain of privacypreserving machine learning.

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر، دانلود رایگان مقالات isi