针对车载自组织网络（VANET）中用户的隐私泄露和信息传输过程中的安全认证问题，提出一种VANET中格基签密的可认证隐私保护方案。首先，消息发送方利用接收方的公钥对消息进行签密，只有拥有私钥的接收车辆才能解密出消息，以保证消息内容在传输过程中只对授权用户可见；其次，车辆接收方解密出消息后，利用单向安全的哈希函数计算消息的哈希值，并判断是否与签密过程中的哈希值相等，实现对消息的认证；最后，采用快速数论变换（NTT）算法降低格中环上多项式乘法的计算开销，提高方案的计算效率。在随机预言机模型下证明了所提方案在适应性选择密文攻击下具有不可区分性，在适应性选择消息攻击（IND-CCA2）下具有强不可伪造性。此外，所提方案的安全性基于格上困难问题，可以抵抗量子算法攻击。仿真实验结果表明，与同类具有消息认证功能的隐私保护方案以及基于格上困难问题的签名方案相比，所提方案的通信时延至少减少了10.01%，消息丢失率至少减小了31.79%，通信开销至少减少了31.25%。因此，所提方案更适用于资源有限的VANET环境。

目前的深度学习模型在加密流量分类任务上相较于传统机器学习方法的性能优势显著，然而由于它固有的黑盒特性，用户无法获知深度学习模型作出分类决策的机理。为了在保证分类准确率的同时提高深度学习模型的可信度，提出一种面向加密流量分类深度学习模型的可解释方法，包括基于原型的流量层级主动解释和基于特征相似显著图的数据包层级被动解释。首先，利用基于原型的流量原型网络（FlowProtoNet），在训练时自动提取各类流量的典型片段，即流量原型；其次，在测试时计算出待测流量与各类原型的相似度，从而在分类的同时实现训练集的溯源解释；然后，为进一步提升可视化解释能力，提出梯度加权的特征相似度显著图（Grad-SSM）方法。Grad-SSM首先通过梯度对特征图加权，过滤分类决策无关区域；接着，计算待测流量与FlowProtoNet提取的原型之间的推土机距离（EMD）得到相似矩阵，从而通过比较测试流量与该类原型，实现注意力热图的进一步聚焦。在ISCX VPN-nonVPN数据集上，所提方法的准确率达到96.86%，与不可解释的人工智能方法持平，而FlowProtoNet能通过给出与原型的相似度，进一步提供分类依据；同时，所提方法的可视化解释能力更强，注意力更聚焦于流量中的关键数据包。

针对卷积神经网络（CNN）模型的训练过程中，模型参数记忆数据部分特征导致的隐私泄露问题，提出一种CNN中基于差分隐私的动量梯度下降算法（DPGDM）。首先，在模型优化的反向传播过程中对梯度添加满足差分隐私的高斯噪声，并用加噪后的梯度值参与模型参数的更新过程，从而实现对模型整体的差分隐私保护；其次，为了减少引入差分隐私噪声对模型收敛速度的影响，设计学习率衰减策略，改进动量梯度下降算法；最后，为了降低噪声对模型准确率的影响，在模型优化过程中动态地调整噪声尺度的值，从而改变在每一轮迭代中需要对梯度加入的噪声量。实验结果表明，与DP-SGD （Differentially Private Stochastic Gradient Descent）相比，所提算法可以在隐私预算为0.3和0.5时，模型准确率分别提高约5和4个百分点。可见，所提算法提高了模型的可用性，并实现了对模型的隐私保护。