【本文介绍上海大学通信学院任艳丽教授等研究人员在外包计算与隐私保护方面的研究工作进展——如何在保护人脸隐私的同时，将人脸识别任务交给服务器去完成，并且能够准确验证识别的结果。】
人脸识别算法中通常包含多种类型的矩阵运算，如矩阵求逆、矩阵乘法以及矩阵特征分解等。对于计算能力有限的用户，在本地计算这几类复杂度为的矩阵运算需要耗费大量的时间。
我们提出隐私保护的非交互PCA、LDA人脸识别算法，用户将复杂度较高的计算任务外包给云服务器，本地仅需执行简单的加密、解密以及验证算法。所提算法仅需一次加密与解密，即可实现多种不同类型的矩阵运算，保护了用户的隐私数据，降低了用户和云服务器之间的通信次数。
在所提算法中，用户将原始矩阵进行加密后发送给云服务器；云服务器在密文矩阵上进行复杂度较高的矩阵运算，并将结果返回给用户；用户验证结果是否正确，通过验证后使用解密算法，得到特征值和特征向量。
图1 系统模型
在加密算法中，首先拓展原始输入矩阵的维度，然后使用一系列初等矩阵对拓展后的矩阵进行盲化，通过理论分析证明盲化后的矩阵与随机矩阵在计算上不可区分，确保云服务器无法从原始的输入矩阵中获得任何隐私信息。如果云服务器返回错误的结果，验证算法能够以接近1的概率检测到错误。仿真实验表明，所提算法大幅降低了用户的计算代价，当矩阵的维度达到5000维时，用户直接执行LDA算法的时间在853秒，而执行LDA外包算法的时间仅需32秒。与已有算法相比，所提算法能获得更多的性能增益。
与原始算法相比，所提算法保护了用户的隐私数据和人脸识别结果，且人脸识别的准确率没有降低。我们使用了3个不同的人脸数据集，分别是ORL、AR以及拓展Yale B数据集。在每组实验中，选取80%人脸图片作为训练样本，其余人脸图片作为测试样本。
图2 外包算法与直接计算耗时比较
图3 所提算法和其他算法的性能增益比较
表1 所提算法和原始算法的人脸识别率比较
已发表论文：
1. Yanli Ren, Zhuhuan Song, Shifeng Sun, Joseph K. Liu and Guorui Feng. Outsourcing LDA-Based Face Recognition to an Untrusted Cloud. IEEE Transactions on Dependable and Secure Computing, to appear. DOI: 10.1109/ TDSC.2022.3172143.
2. Yanli Ren, Xiao Xu, Guorui Feng, Xinpeng Zhang. Non-Interactive and Secure Outsourcing of PCA-Based Face Recognition. Computers & Security, 110, 102416: 1-12, 2021.
声明：本文来自隐者联盟，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
