近日，我院杨旸教授课题组在安全机器学习和区块链领域的两项最新研究成果被信息安全领域国际顶级期刊IEEE Transactions on Information Forensics and Security (TIFS, CCF A类)正式录用并发表。

论文信息如下：

Yang Yang, K. Mu, Robert H. Deng, “Lightweight Privacy-Preserving GAN Framework for Model Training and Image Synthesis”, IEEE Transactions on Information Forensics and Security (Online, DOI: 10.1109/TIFS.2022.3156818)

Yang Yang, Z. Guan, Z. Wan, J. Weng, Robert H. Deng, “PriScore: blockchain-based self-tallying election system supporting score voting”, IEEE Transactions on Information Forensics and Security, 16 (2021): 4705-4720. (DOI: 10.1109/TIFS.2021.3108494)

这两项研究成果由杨旸教授课题组与新加坡管理大学Robert H. Deng院士共同完成。

成果一：现有的外包机器学习方案难以在同时保护数据和模型隐私的前提下完成机器学习任务，同时，已知的隐私保护计算方案存在效率和精确度低、通信开销大、需要用户执行复杂的数据预处理等问题。该成果提出了基于秘密共享和边缘计算的轻量级隐私保护生成对抗网（GAN）系统。该成果能够为用户提供安全、高效的GAN训练和图像合成服务，并且保证了该过程中用户敏感数据和模型的隐私。训练的隐私GAN模型可以发送给服务方用于提供图像合成及其扩展服务。此外，该成果提出了改进的隐私保护基础计算协议，并针对GAN模型提出了多层安全计算协议，实现了GAN模型（判别模型，生成模型）训练过程中的前向、反向传播计算，并能够安全地生成图像，该成果提高了系统的效率和计算精度，降低了服务器之间的通信开销。同时，该成果利用两个边缘服务器协作完成安全计算，提高了系统可用性并降低延迟和带宽消耗，系统利用秘密分享方案进行设计，使用户对隐私数据的隐私处理只需超轻量级计算开销。

成果二：选举和投票在民主社会中发挥着至关重要的作用。该成果提出支持计分投票制和自计票的区块链隐私电子投票系统。提出基于区块链的自计票选举系统来支持记分投票，投票记录在区块链上，以防止伪造或篡改选票。系统允许每个投票人将在指定区间内的不同评分分配给候选人，每张选票中的总评分值必须为一个预定义的常量，评估分数被加密以保护隐私。计分投票的一个主要挑战是同时证明两个约束条件:范围证明及总和证明。为此，该成果提出双重零知识证明，以证明投票分数满足对单个元素的区间约束和对总和值的常量约束。该成果中的自计票机制使系统中的任何实体都可以对选举结果进行计算和验证。该成果提出的方案满足选票隐私性、完整性、正确性、公平性、多重投票可检测性和无争议性。

IEEE TIFS是中科院一区TOP期刊，中国计算机学会(CCF)推荐A类期刊，中国密码学会(CACR)推荐A类期刊，清华大学计算机学科推荐学术会议和期刊列表推荐A类期刊，是计算机及网络安全、可信计算等研究领域的权威刊物，主要关注计算机及网络安全、可靠性领域最新的研究进展和技术。该刊每年共收录不到100篇文章，在信息安全领域享有举足轻重的影响力。