隨著數(shù)字成像技術(shù)和互聯(lián)網(wǎng)技術(shù)的蓬勃發(fā)展,大量數(shù)字圖像被創(chuàng)建并用于各個領(lǐng)域。由于許多用戶終端受到資源的限制,越來越多的個人或企業(yè)傾向于在云環(huán)境中存儲圖像數(shù)據(jù)以節(jié)省本地存儲和計(jì)算成本。通過云環(huán)境,廣大用戶可以隨時隨地將圖像上傳到云服務(wù)器,但用戶并不清楚上傳的圖像在云服務(wù)器中的具體存儲位置,這就引發(fā)了用戶對圖像隱私泄露的擔(dān)憂。針對不可信的云服務(wù)器,一種行之有效的方法是在圖像上傳之前對其進(jìn)行加密,但這將大大降低圖像的可操作性。此外,為了滿足實(shí)際的效率需求,許多方案都會泄露部分信息給云服務(wù)器,攻擊者可以利用這些泄露信息來破壞數(shù)據(jù)集和降低查詢的機(jī)密性。因此,如何安全、高效和準(zhǔn)確地檢索圖像是當(dāng)前研究機(jī)構(gòu)和學(xué)者迫切需要解決的問題。本論文的主要研究工作和貢獻(xiàn)如下:1.目前已有一些安全高效的圖像檢索方案,但很少有同時隱藏k-NN響應(yīng)泄漏和響應(yīng)長度泄露的方案。針對k-NN響應(yīng)泄漏的數(shù)據(jù)恢復(fù)攻擊,本文使用多級同態(tài)加密協(xié)議構(gòu)建一個安全的多方計(jì)算模型,實(shí)現(xiàn)了加密特征向量間的安全相似性計(jì)算。此外,現(xiàn)有的隱藏響應(yīng)長度泄露的方案大多基于簡單填充或截?cái)�。本文提出了一種數(shù)據(jù)庫填充算法,融合優(yōu)化填充和集中多映射,在實(shí)現(xiàn)響應(yīng)長... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

cake類示例圖像

重慶郵電大學(xué)碩士學(xué)位論文第3章基于響應(yīng)長度隱藏的安全k-NN圖像檢索37方法AC.Enc()加密輔助信息(,)GVDMM和授權(quán)用戶信息，并利用多級同態(tài)加密字典DX。圖3.9視覺詞典構(gòu)建圖3.9展示了視覺單詞個數(shù)K、構(gòu)建視覺詞典總耗時、Hadoop集群節(jié)點(diǎn)個數(shù)三者之間的關(guān)系。從圖中可以看出，隨著K值的增大圖像特征的維數(shù)也隨之變高，使得兩個向量之間的相似度計(jì)算開銷增大。此外，由于圖像數(shù)量較少，使得Hadoop并行化處理數(shù)據(jù)的優(yōu)勢不太明顯，導(dǎo)致構(gòu)建視覺單詞的時間過長。本文的圖像檢索分為一級檢索和二級檢索，在一級檢索中，圖像用戶首先通過個人屬性信息和私鑰獲取查詢所需的輔助信息。然后，利用輔助信息在二級搜索中找出由查詢視覺單詞索引的圖像和圖像的加權(quán)詞頻向量。在不同節(jié)點(diǎn)數(shù)下，不同規(guī)模圖像集的圖像檢索的效率如圖3.10所示。對于同一圖像集，圖像檢索的時間隨著節(jié)點(diǎn)數(shù)的增加依次下降。在相同節(jié)點(diǎn)數(shù)下進(jìn)行圖像檢索，隨著圖像數(shù)量的增大，圖像的檢索效率越來越低。從圖中可以看出，傳統(tǒng)的基于單一節(jié)點(diǎn)的圖像檢索效率最差，無法實(shí)現(xiàn)實(shí)時查詢，且無法處理大規(guī)模圖像集。相比之下，并行檢索算法更適合于大規(guī)模圖像檢索，如果集群節(jié)點(diǎn)數(shù)繼續(xù)增加，圖像檢索的效率能達(dá)到更高。為了驗(yàn)證本文所提方法在保證安全性的同時不影響檢索效率，與文獻(xiàn)[25]中的兩種基線方法在檢索圖像的耗時方面進(jìn)行了對比，對比結(jié)果如圖3.11所示。實(shí)驗(yàn)過程中，分別上傳5000、10000、15000、20000張圖像，用來觀察每種方法的耗時情況。從圖中可以看出，線性掃描方法隨著圖像數(shù)量的增大，折線的斜率越來越大，

重慶郵電大學(xué)碩士學(xué)位論文第3章基于響應(yīng)長度隱藏的安全k-NN圖像檢索38而分簇方法和RKIR方法并沒有因?yàn)閳D像量級的增大產(chǎn)生較高的耗時。進(jìn)一步說明本章所提方案在保證安全性的同時，并沒有降低圖像檢索的效率。圖3.10節(jié)點(diǎn)數(shù)及數(shù)據(jù)集規(guī)模對圖像檢索效率的影響圖3.11圖像數(shù)量對圖像檢索效率的影響圖像檢索的性能一般通過查全率和查準(zhǔn)率來衡量。圖3.12(a)為RKIR算法和BoVW算法的平均查準(zhǔn)率對比圖，圖3.12(b)為RKIR算法和BoVW算法的平均查全率對比圖。從圖3.12可以看出，當(dāng)K為1000時查全率最高，當(dāng)視覺詞典K的取值增加時，RKIR算法和BoVW算法得到的平均查準(zhǔn)率也隨之提高。當(dāng)K的取值從1100到1200時，平均查準(zhǔn)率并沒有大幅度提高。其中BoVW是視覺詞典的基線方法，而本章所提方案對圖像的詞頻向量進(jìn)行加權(quán)，提高了BoVW模型的描述能力，使得圖像檢索更加準(zhǔn)確。

【參考文獻(xiàn)】：
期刊論文
[1]保序加密技術(shù)研究與進(jìn)展[J]. 郭晶晶,苗美霞,王劍鋒.  密碼學(xué)報(bào). 2018(02)
[2]圖像檢索技術(shù)的綜述與分析[J]. 黨長青.  技術(shù)與市場. 2014(09)
[3]云計(jì)算安全研究[J]. 馮登國,張敏,張妍,徐震.  軟件學(xué)報(bào). 2011(01)



本文編號：3428457