异常检测是指通过算法发现数据中的异常模式,作为数据挖掘的一个分支,有着重要的研究意义。随着信息技术的快速发展,异常检测的数据来源更加多元化,为了保证数据拥有者的隐私数据在异常检测的过程中不被泄露,需要采取有隐私保护功能的方案。隐私保护的数据挖掘是指采用数据扰动、数据重构、密码学等手段,在尽量保证数据挖掘结果准确性的前提下,保护数据拥有者的隐私数据。其中数据扰动和数据重构技术会使得数据挖掘精度受到影响。而基于密码学的安全多方计算方法能够保证数据挖掘精度不受影响,但该方法中涉及了大量关于密文的计算,往往使得整个方法效率低下而无法实用化。本文基于以上需求,提出了一种基于安全多方计算的异常检测算法,支持将计算外包移至外包服务器端以提高算法的效率。在异常检测算法中,隔离森林(Isolation Forest,i Forest)是表现的较为突出的一个算法。该方法巧妙的使用了异常是“少且不同”的特点,使用隔离树将样本隔离,拥有较低深度的样本说明很容易被分割出来,成为异常的可能性较大。同时该方法还利用了集成学习的思想,随机的构造出一系列的隔离树组成隔离森林,用样本的平均深度表示异常度。平均深度越低的样本成为异常的可能性越高。但是将该方法扩展到多方后就会面临着信息泄露的问题,由于树的结构是原始数据的高度浓缩,因此将树发送给其他方之后意味着泄露了自身的某些信息。本课题针对这个问题,提出了一种改进的方法,安全隔离森林(Secure Isolation Forest,SIF)。该方法在构建隔离树时就掩盖了原始数据集的信息,构建的并非是一棵随机隔离树而是一棵满二叉树,满二叉树的每个节点都包含训练集中落到该节点的样本数量,并将该值用同态加密算法加密。将这种结构的树向外广播时,并不会泄露原始数据集的敏感信息。针对安全多方计算开销大的问题,本文通过结合外包计算技术来降低用户端的计算开销。外包方案主要有单一计算外包和计算与存储的双外包,本文采用的就是单一的计算外包。多个数据拥有者在自身数据集上训练出异常检测模型,加密后广播该模型。其他方接受到加密后的检测模型后,结合外包服务器计算得出异常检测结果。其中由于借助了外包计算技术,数据拥有者只需做少量的计算且不需要将数据加密后上传,节省了计算和通信开销。本文采用了一系列数据集对提出的方法进行验证,并对比了近年来具有代表性的异常检测算法。通过安全性分析和对比实验,证明了该方法的有效性。