随着机器学习技术的成熟与发展,大数据与机器学习结合下的数据挖掘变得更加普及,从电商行业到金融服务业,从科学研究到百姓生活,从宏观建模到微观分析都有着重要的应用。伴随着5G技术的全面推广,结合物联网等相关产业,机器学习在未来的智慧生活中的应用会是无处不在的。支持向量机作为一种分类器被广泛应用于机器学习、模式识别和数据挖掘等领域,其用统计学习理论从数学上解释了机器学习的核心问题,奠定了有限样本情况下的机器学习方法的基础。而随着机器学习的广泛应用,巨大的数据交互量使得隐私保护问题越来越重要。尤其针对医院病历、消费记录、地理位置等敏感数据的机器学习和数据挖掘,数据拥有者既不希望泄露具体信息又想通过服务提供者对拥有的数据进行预测分析。因此,设计一个安全高效的隐私保护支持向量机分类预测方案是十分有必要的,一方面实现支持向量机的精准分类预测功能,另一方面保护了数据拥有者的隐私。本文所做的主要工作如下:1、提出了一种高效的隐私保护非线性支持向量机数据分类预测方案。目前,针对支持向量机的主流的隐私保护方法有两种:干扰和加密。干扰是保证数据的全局统计特性不变,对具体数据进行模糊化处理,比如K匿名、L多样化。干扰追求的是统计数据的准确性与隐私保护程度之间的均衡。但是涉及到医疗数据、地理位置等需要保证数据准确性的情况下,加密方案显然要优于干扰方案。同态加密是支持向量机隐私保护领域的主要研究方向,我们的方案利用BCP同态加密算法的一个变种:DT-PKC加密算法,对用户数据和支持向量进行同态加密和计算,既保证了分类预测数据的准确性,又保护了用户数据和支持向量机服务提供方的敏感数据。当前主流的研究方案采用对所有数据加密在密文下计算支持向量机分类预测结果的思路,我们的方案与之相比减少加密数据,简化同态计算过程,计算效率更高。非线性支持向量机使用的核函数种类很多,目前很多的研究只针对其中一种核函数构造方案,而我们的方案可以用于不同核函数情况下的非线性支持向量机分类预测,具有较高的扩展性。方案引入了第三方云服务器,用户端只需要加密数据而不参与中间计算,减轻了用户端的数据交互量,减少了对用户端的计算能力需求,实现了用户可离线功能,可以推广到智能穿戴设备等领域。我们实验验证了方案的正确性,并对方案的安全性、准确性和运行效率进行了分析。2、提出了一种隐私保护的多分类支持向量机预测方案。支持向量机本身是一种二分类的的分类算法,当处理多类问题时,通过多个二分类器的组合来实现多分类器的构造。目前的相关研究是采用OU加密算法实现了一个隐私保护的多分类线性支持向量机的医疗诊断模型。线性支持向量机适用于分类预测数据线性可分或者近似线性可分的情况,然而大多数情况下用于医疗诊断的数据是线性不可分的,处理线性不可分的数据需要使用非线性支持向量机。我们针对上述方案的局限性提出了隐私保护的多分类非线性支持向量机医疗诊断方案。方案加入用户注册过程,一定程度上防止了针对诊断模型的询问攻击。我们对方案的正确性进行了实验验证。