2024年365英国上市官网在线院
信息技术研究生论坛（三）
场次一、
时间：2024年3月12日（星期二）17:00-18:00
地点：计算机学院604
报告题目一：智慧农业物联网中基于混合链的多对多跨域认证研究
报告人：罗凤婷
报告简介：随着智慧农业物联网项目的发展，不同领域的农业设备之间需要进行广泛合作，这增加了对设备身份进行认证以确保安全通信的需求。现有的基于中心化架构的认证机制存在单点故障和效率低下等问题。大多数认证方案无法支持大量设备同时连接到其他领域的多个数据服务器。为解决这些问题，我们为智慧农业物联网网络提出了一种基于混合区块链架构的多对多跨域认证方案。该方案使多个设备能够同时与其他农业系统的多个数据服务提供商进行相互认证。本文设计了一种可分组批量验证（GBV）算法，通过对请求列表执行组验证以动态调整批量大小，增强了跨域批量认证的灵活性。此外，所提出的方案提供了一个假名更新机制，以保护设备的隐私，并通过惩罚恶意设备防止不同领域的服务遭受非法访问。安全分析和性能评估表明，所提出的方案具有卓越的安全性和性能。
报告题目二：基于生成模型的通用物体感知对抗攻击方法
报告人：沈铭铠
报告简介：
随着深度学习技术的进步，基于深度神经网络的物体检测和感知算法在计算机视觉领域取得了显著成就，展示了优异的性能。然而，这些性能的显著提升伴随着对深度学习模型的鲁棒性和安全性的重大威胁。研究表明，通过在图像中加入精心设计的对抗扰动，原本高效的模型可能会错误地识别这些图像，而这种变化对人眼几乎是不可察觉的，显示了对抗攻击方法的隐蔽性。对抗攻击的研究最初集中在图像分类上，并逐渐扩展至文本分类、语音识别等领域。相较于图像分类，物体感知任务如二维和多维目标检测、目标跟踪、图像分割等，更为复杂。特别是，利用生成模型产生的对抗样本为这些任务引入了一种新的攻击方式。这种方式生成的对抗补丁在维持高攻击效率的同时，看起来更加真实自然，并且在物理世界中也能保持较高的攻击成功率，从而阻碍模型准确地感知目标。
报告题目三：分块自举的多密钥全同态加密方法研究
报告人：李灵武
报告简介：多密钥全同态加密是一种强大的工具，它能直接使任意函数在不同用户提供的加密数据上运行，产生与对应明文计算相同函数的加密结果，在联合计算模式下能有效保护用户的敏感数据。目前实现深层次同态加密计算的关键方法是自举，但也是多密钥同态加密方案中计算开销最大的构建块，严重阻碍多密钥同态加密的发展。为有效提升多密钥同态密文计算效率，我们提出了一种可分块自举的多密钥全同态加密方案，通过在多密钥场景下改进密钥分布的方法生成分块评估密钥，将自举分成多个板块进行，大程度上降低了计算的复杂性。同时我们设计具有环结构的LWE密钥交换方法，有效降低密钥的存储空间，减小了存储和通信的开销。最后，通过性能分析和安全性分析，表明该方案能够在保证与大多数多密钥全同态加密方案相同安全性的同时提升多密钥同态加密自举的效率。
报告题目四：智慧物联网中基于联盟链共识效率研究
报告人：詹卓凡
报告简介：随着智慧物联网的发展，需要随时随地的进行合作共享，但是又不能让设备一直处于运行状态，浪费设备寿命与增加能耗。现有的联盟链共识算法大多数都是基于静态网络而设计的，使用公共链中的算法又大大浪费了资源，且效率方面并没有联盟链中的算法效率高。为了解决这些问题，我们为智慧物联网的设计了一种基于动态架构的区块链共识算法，该算法能够让多个用户随时随地的为同一件事达成一致，并且为多个数据服务商提供认证请求。本文设计了一种基于优化算法的动态分组评分机制的PBFT算法，通过应用优化算法寻找最优秀的用户参与共识，保证了联盟链中的数据的可靠性的同时还保证了此系统的鲁棒性，并通过历史行为模型为各个用户进行评分，防止失信用户成为共识组内的成员，提升了鲁棒性。
报告题目五：关于在深度学习应用安全多方计算等隐私保护技术的报告
报告人：宋辰
报告简介：移动终端设备、视频监控网络和传感器网络等随时随地地获取着个人用户的各类信息数据, 规范利用此类数据可以为用户带来更便捷的使用体验, 而非法使用数据则会带来严重的安全和隐私风险。从互联网科技巨头到传统的酒店、快递等服务行业, 无论是蓄意滥用还是受到攻击, 近年来各类信息泄露事件可谓层出不穷 , 单纯依靠机构的自我约束显然不足以保证数据的安全, 为此以欧美为代表的各国政府加紧提出了如《通用数据保护条例》(General Data Protection Regulation, GDPR)、《加州消费者隐私法案》(California Consumer Privacy Act, CCPA) 等相关数据保护法规。 这些法规对数据接入和使用做出了严格的限制. 部分现有机器学习技术要求用户将个人数据上传到服务提供商的服务器, 以便训练一个可用的模型或利用已训练模型进行推理得到结果, 而在这些法规限制下, 数据获取变得更加严格, 部分普通机器学习技术面临失效。
