|
|
1.
可验证的隐私保护
k-means聚类方案
张恩, 李会敏, 常键
计算机应用
2021, 41 (2):
413-421.
DOI: 10.11772/j.issn.1001-9081.2020060766
针对现有云外包隐私保护
k-means聚类方案存在的效率不高，以及当云服务器不可信或遭受黑客攻击时返回不合理聚类结果的问题，提出了一种可应用于多方隐私保护场景的云外包可验证隐私保护
k-means聚类方案。首先，提出了一种适用于云外包场景的改进的聚类初始化方法，从而有效提高算法的迭代效率；然后，利用乘法三元组技术来设计安全欧几里得距离的计算，并利用混淆电路技术来设计安全计算最小值算法；最后，提出了一种验证算法，使用户仅需一轮通信就实现对聚类结果的验证，并且数据外包后算法的训练完全在云上进行，能够有效减少用户和云的交互。仿真实验表明，所提方案在数据集Synthetic和S1上的准确度分别达到97%和93%，说明隐私保护下的
k-means聚类和明文
k-means聚类的情况近似，适用于医疗、社会科学和商业等领域。
参考文献 |
相关文章 |
多维度评价
|
|
