随着硬件技术的飞速发展,计算机算力日益突破,大数据和云计算逐渐成为当前最热门的技术。为充分利用数据的潜在价值,数以万计的企业正不断地收集并挖掘着人们的各种信息。随之而来的,是个人隐私被各个大公司广泛地存储起来,并不断地共享给云服务器进行深度学习、聚类分析等人工智能算法的训练。在这个过程中,怎样实现隐私数据的安全传输,怎样在发布之后进行版权维护,以及样确保数据在各处理环节不被滥用就成为了至关重要的问题。全同态加密方案能够完美地解决了上述问题。然而,由于影响人工智能算法训练精度的最大的因素是数据规模,只有充分利用足够庞大的数据集才能够训练得到符合期望分布的模型,这就带来计算效率方面的严格限制。尽管最有希望成为下一代加密标准的错误学习（Learning with error,LWE）类全同态技术被大量用于隐私机器学习方法的研究,但高昂的计算复杂度和繁琐的bootstrapping噪声控制机制使其难以满足训练效率的需求,必然导致密文数据的训练过程极为漫长。针对机器学习中数据隐私保护与处理速度之间矛盾,论文借助共轭搜索安全性假设对适用于部分人工智能算法的轻量级全同态加密方案展开了研究,内容包括:1.基于共轭搜索问题的轻量级全同态加密方案。现有全同态加密方案大多都有着过高的计算复杂度,无法有效地应用到机器学习算法中。为提高同态训练的效率,本论文构造了一种轻量级的全同态加密方案,该加密方案基于共轭搜索困难性问题,满足无条件安全性定义,因此能够有效抵御量子攻击,具有较高的安全性。同时本方案在共轭搜索问题的基础之上设计了具有特定的结构的高效同态计算加/乘算法,能够有效降低同态计算的时间开销,显著提高数据同态训练的时间效率。2.面向机器学习应用的同态计算模块。在机器学习算法中可能涉及到一些标准操作,例排序、求范数、求最大值或最小值、归一化或标准化等。此外,在训练过程中也可能会涉及到sigmoid、softmax等各种特殊的函数。考虑到这些特殊运算操作都可以通过函数近似拟合和同态比较的方法实现,因此本论文主要面向多项式计算和逻辑比较实现了实用于机器学习模型的同态计算基础模块。与此同时,在密文计算场景下,比较运算往往伴随着破坏数据语义安全的风险。为保证在明文信息不被泄露的条件下准确地进行同态比较,本论文也专门对同态比较模块进行了特殊的处理。在这种同态比较函数中,将以多个密文为输入,并输出其相应的排序,从而实现在不破坏密文不可区分性的前提下进行同态比较。3.结合同态计算和明文编码的轻量级隐私机器学习方法。在使用面向机器学习应用的同态计算模块时,不同的明文编码方式有着不同的计算效率。论文通过调整明文编码矩阵,使得原有加密方案能有效地进行除法运算,进而将同态比较运算的效率提高了约30%。论文的创新在于以下几点:1.设计了一种基于共轭搜索的轻量级同态加密方案。使用该方案加密的数据来进行同态机器学习并不会显著提高计算时间复杂度。2.对机器学习过程中使用的激励函数及逻辑运算进行了特殊设计,使其在不违背语义安全的原则下能够以同态计算的方式进行。3.通过结合全同态计算和明文编码方式,构建了一种完整且有效的隐私机器学习方法。相较于基于错误学习问题的这类全同态加密方案,本论文所采用的方法具有更低的计算时间复杂度、更简单的计算操作以及更容易进行安全性规约等特点。相较于其它文献中使用的同态机器学习实验,实验证明,本文中的方法在训练效率上提高了6倍以上,但精度损失却仅有4%左右。这说明该方法适合在隐私机器学习模型中应用,有利于对训练以及分类/回归过程中的数据进行有效保护,具有较高的工程价值。