目录
摘 要 III
ABSTRACT IV
第一章 文献综述 1
1研究现状 1
2 安全多方计算 2
2.1 同态加密 2
2.2 混淆电路 3
2.3 不经意传输 3
3 深度学习 4
3.1 基于混淆电路的深度学习隐私保护 5
3.2 二值化神经网络 6
3.3 神经网络剪枝 7
3.4 DoReFaNet 8
3.5 卷积层 8
3.6 池化层 8
3.7 激活层 8
3.8 批归一化层 8
3.9 全连接层 9
第二章 方案论证 9
1 需求分析 9
2 可行性分析 9
2.1 模型预测阶段 9
2.2 构建预测模型阶段 10
2.3 数据分析阶段 10
3 整体结构 10
4 程序实现 11
4.1 模型训练 11
4.2 模型剪枝 11
4.3 参数导出 12
4.4 数据通信 12
4.5 数据预测 13
第三章 实验分析 13
1 实验准备 13
1.1 实验平台 13
1.2 实验用数据集 13
1.3 网络结构 15
1.4 混淆电路分析 16
2 实验过程 17
2.1 MNIST数据集 17
2.2 FashionMNIST数据集 20
3 实验结果分析 21
第四章 结论总结 22
参考文献 23
致谢 24
基于混淆电路的深度学习隐私保护框架
摘 要
最近几年，随着计算机的运算能力的提升，在早年间受到计算资源限制而发展缓慢的深度学习(Deep Learning, DL)重新被人们所重视。深度学习是机器学习领域的一个新的研究方向。深度学习近年来在图像识别、数据预测等领域取得了 *51今日免费论文网|www.51jrft.com +Q: #351916072# 
突破性的进展。现如今，机器学习服务模式（Machine Learning as a Service, MLaaS）十分流行，越来越多的企业通过在自己的服务器上训练好能够解决特定问题的深度学习模型，之后通过提供API的形式为个人或公司提供推断服务。用户仅需将需要分析的数据发送给服务提供商，即可获得所需要的推断结果。然而，在一些情况下，用户需要分析的数据包含有用户的隐私信息，这些信息一旦被公司泄露贩卖，将会产生不可挽回的后果。本文基于混淆电路，实现了一种基于DoReFaNet的深度学习框架。通过量化加速了神经网络的训练，并通过调整量化精度位数实现了权值二值化，从而使用popcount运算来代替矩阵乘加，可以做到在保障一定推断精度的同时提高运算速度。与标准的神经网络相比可以降低内存消耗、提升运算速度。

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/610082.html