随着大数据发展的日益迅猛,深度学习作为一种大数据处理手段得以广阔的应用,然而其收集的数据往往涉及用户各方面的隐私、敏感信息。因此,为保护数据隐私、打通数据孤岛,多方参与的深度学习应运而生。在多方深度学习中,用户在本地进行数据处理,完成模型训练,服务器聚合用户上传的模型参数得到全局模型。然而,即使用户上传的模型参数代替了传统的用户数据,模型参数仍然会对用户隐私造成威胁。因此,制定一个既能准确实现全局模型聚合,又能保护用户隐私的多方深度学习方案是非常有研究意义的。方案要求既保证用户的数据隐私和模型隐私的安全性,又不会影响全局模型准确性,同时支持用户多密钥的环境。本文的主要工作如下。1、提出了基于BCP加密算法的在多密钥环境下可验证用户身份真实性和数据完整性的隐私保护联邦学习方案。联邦学习是一种特殊的分布式学习。在目前的隐私保护联邦学习方案中,对处于公开信道中的移动用户的数据完整性和身份验证研究不足。以该问题为出发点,本文提出了一种隐私保护联邦学习方案。首先,本方案基于双陷门BCP加密算法加密传输数据,为用户隐私提供了更强的安全性,支持用户多密钥,满足用户隐私需求。其次,本方案构建了基于双线性聚合签名和可验证秘密共享的验证方法,用以验证用户数据的完整性和身份真实性,可以有效过滤部分用户的不正确数据,提高模型的准确性。最后,本文设计了一个可验证的用户动态更新机制。该机制引入有高响应低延迟特性的雾节点对移动用户分批管理,不仅可以满足移动用户的动态特性,还能提高隐私保护联邦学习模型的容错性。本文的理论分析和实验评估表明,该方案是一种更安全、更准确、支持多密钥的隐私保护联邦学习方案。2、提出了基于同态代理重加密的抗服务器共谋的隐私保护多方深度学习方案。现有的双服务器隐私保护深度学习方案中,通常假设两个半诚实的服务器之间不会共谋。本文认为这样的安全性假设过强,参与者的隐私信息可能会被诚实且好奇的服务器窃取。针对该隐患,本文提出了一种隐私保护多方深度学习方案。首先,本方案设计了安全的用户梯度参数聚合方法,采用单向的同态代理重加密算法,保证用户私钥的安全性,引入具有高响应低延迟特性的雾节点作为代理方,实现用户端密文到服务器端密文的转换。同时该方法可抵御双服务器共谋或参与者与服务器共谋导致的隐私风险,提供用户多密钥环境。其次,本文提出一种基于可验证秘密共享技术的多参与方随机数聚合方法。此方法不仅可以在参与者数据不公开的情况下对多参与方的随机数求和,还可以有效避免参与者增加所带来的交互次数增加的问题,同时也能过滤部分参与方的错误数据进而提高全局模型的准确性。最后,本文的理论分析和实验评估表明,该方案是一个支持多密钥、抗共谋、更准确的隐私保护深度学习方案。