互联网的迅猛发展,一方面带动了社会的进步,“互联网+”发展方向的提出催生了许多新生产业;另一方面也加速了计算机科学的研究,5G网络、大数据、人工智能、区块链等新兴研究领域不断涌现。新的产业和新的技术为人们的生活带来了更加便利和优质的服务,但是随着新兴技术的出现和应用,也有许多问题随之出现。其中,特别关键和突出的一个问题便是用户隐私数据的泄露。在当今高度信息化的社会环境下,个人资料以电子信息的形式快速流转。同时,个人智能设备丰富的感知和计算能力,使得有关用户隐私的数据不断生成,甚至传播到互联网中。另一方面,大数据和人工智能领域发展迅速,通过一些隐含个人用户行为的数据便可以挖掘出相当准确的隐私数据。这些因素共同作用形成了用户隐私数据泄露的重大隐患。另外,还有因为网络通信技术的不完善而导致的数据泄露情况。这些多方面的威胁,使得研究隐私数据的泄露问题迫在眉睫。本文以实际生活中的应用场景为研究背景,探究新型网络技术在实际应用中存在的隐私数据泄露风险。在研究过程中结合网络层次分级的方法,从物理层和应用层两个既差异明显又密切相关的角度出发,分别调研物理层网络技术和应用层网络技术中存在的安全隐患,并且有针对性地提出防范隐私泄露威胁的保护方案。本文的创新之处在于研究了四种不同技术应用场景中的用户隐私数据的泄露问题,这些安全隐患涉及了智能设备、移动无线网络、云计算、网络众包、大数据、数据挖掘等诸多方面的融合场景。本文通过理论上的深入分析找到了隐私泄露的根本原因,进而针对这些隐私泄露问题设计出了专用的隐私保护方案。本文的方案不仅考虑了应用技术的不同场景(例如网络通信质量、信道状态等),而且考虑了不同恶意程度的攻击者(例如半诚实的、完全恶意的等),并且本文提出的所有隐私保护方案无论执行效率还是隐私保护能力都处于目前研究领域内领先的水平。具体来说,木文从以下两个角度展开工作。在面向物理层的隐私数据泄露研究方面,本文结合目前最新的5G的技术发展趋势,在多输入多输出系统和认知无线电网络两个技术领域进行了深入研究。首先本文提出了一种在多输入多输出系统中利用恶意篡改训练序列来误导基站进而窃取网络中其他用户隐私数据的攻击方式,这种攻击对诚实用户的隐私数据造成严重侵害。然后,本文利用模糊承诺机制和信道状态信息时效性的特点提出了一种有效的防御方案,可以实现安全的信道状态信息预测及下行数据传输。另一方面,在认知无线电网络中,频谱的动态分配得益于用户能够进行正确的频谱感知,但是用户的频谱感知数据包含了重要的个人隐私数据,即地理位置信息。恶意的用户或者基站,可以轻易窃取其他用户的隐私数据。本文在研究中提出了一种可用于多个参与方的安全数据融合方案,并将私钥进行分裂以抵御不可信任的基站。最后,还引入零知识证明和门限密码系统来抵御恶意的攻击者和不可靠的网络环境。本文通过理论证明和真实场景下的实验两个途径说明了上述方案的正确性和安全性。在面向应用层的隐私数据泄露研究方面,本文选取两个了较为广泛的网络服务和应用场景,一个是为网络视频或网络广播等内容服务提供支持的网络流量转载技术,另一个是结合了目前发展迅猛的深度学习技术,在云计算平台为客户端提供深度数据挖掘的网络服务。本文提出了一种利用流量转载中用户对转载站的偏好数据发起的用户地理位置攻击,并且验证了该攻击具有很高的准确度。为了抵抗这类隐私数据泄露,本文设计了一种用于流量转载偏好数据且满足差分隐私性质的流式数据计数器,并在此基础上,提出了一种隐私保护的用户与转载站的匹配方案。理论分析证明了方案满足很强的差分隐私性质。另一方面,服务提供商可通过云计算平台为用户提供深度学习的技术服务,但是在用户提供训练数据的云计算深度学习模式中存在严重的隐私数据泄露风险。本文的研究工作发现了目前主流深度神经网络中网络结构的可分割性质。并且基于这种分割网络的原理,提出了一种新的客户-服务器模式的深度学习方案。方案的优势是用户仅需要有限的计算资源即可实现深度学习。同时为了保护用户的训练数据不被不可信的服务器窃取或是通过训练的中间结果推断出来,本文在这种全新的训练模型中提出了满足差分隐私的数据保护方案,保证了用户训练数据的隐私性质,和在实际应用中学习的准确性。