面向机器学习的安全外包计算研究进展

作     者：陈珍珠 周纯毅 苏铓 高艳松 付安民 Chen Zhenzhu;Zhou Chunyi;Su Mang;Gao Yansong;Fu Anmin

作者机构：南京理工大学计算机科学与工程学院南京210094 广西可信软件重点实验室(桂林电子科技大学)广西桂林541004 

出 版 物：《计算机研究与发展》 (Journal of Computer Research and Development)

年 卷 期：2023年第60卷第7期

页      面：1450-1466页

核心收录：

学科分类：0810[工学-信息与通信工程] 0711[理学-系统科学] 081203[工学-计算机应用技术] 08[工学] 0714[理学-统计学（可授理学、经济学学位）] 0835[工学-软件工程] 0701[理学-数学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(62072239,62002167) 江苏省自然科学基金项目(BK20211192,BK20200461) 广西可信软件重点实验室研究课题(KX202029) 

主　　题：云计算 外包计算 机器学习 迁移学习 隐私保护 

摘      要：依靠机器学习,传统产业的数字化转型带来了海量数据增长,而产品服务的智能化提升则刺激了算力需求.云计算的灵活资源调配可以为资源有限的企业和用户提供便宜便捷的外包计算服务,实现机器学习的模型训练和模型托管,加快产品和服务的智能化建设,促进数字经济增长.然而,数据和模型外包伴随控制权转移,可能带来数据泄露风险和计算安全问题.近年来,机器学习的外包安全问题受到越来越多研究者的关注,并取得了一些显著成果.通过对2018—2022年这5年国内外机器学习安全外包研究工作调研,首先对现有主流的外包模型进行分类和特征归纳,依据任务阶段将外包模型划分为模型训练和模型托管模式,以及依据云服务商数量将外包模式划分为单云模式和多云模式.其次重点从逻辑回归、朴素贝叶斯分类、支持向量机、决策树和神经网络等典型机器学习算法角度对机器学习安全外包计算相关研究进展进行了深入阐述和分析.最后从不同角度分析和讨论了目前机器学习安全外包研究存在的不足,并展望未来面临的挑战和机遇.