随着云计算和云存储技术的迅猛发展,越来越多的企业和个人将自己的数据外包给云服务器进行存储或计算。云服务的普遍应用给企业和个人带来了诸多便利,然而在外包服务中要保证数据的安全和隐私,一般需要对数据进行加密,然后将加密数据外包给云服务器。针对具体应用,如何对加密数据进行处理成为当前学者研究的主要问题之一。本论文对若干具有隐私保护的外包计算进行了研究,针对不同的应用场景提出了相应的解决方案,采取理论研究与实际应用相结合的整体研究路线。本文的主要研究内容和创新成果如下:(1)外包计算中安全且具有隐私保护的模式匹配。当前安全的云计算已经变得越来越有吸引力。通常来说,云服务器并不总是安全的,存在用户数据的隐私泄露的隐患。因此在外包计算中既要保证用户数据的隐私性,又要正确执行用户需要的运算,这就是安全的外包计算模式。在安全的外包模式匹配中,文本拥有者将自己的文本以私有数据的形式(可通过加密实现)外包给云进行存储,需要查询的用户将自己的模式以私有数据的形式(可通过加密实现)发送给云服务器,然后云服务器对查询用户的模式与存储的文本进行匹配,最后将结果返回给查询用户。在此过程中文本拥有者的文本和查询用户的模式都是隐私数据,要保证隐私数据不被泄露,即云服务器除了文本和模式的大小外一无所知。针对该问题,本文提出了一个安全且具有隐私保护的外包模式匹配方案。首先,在半可信模型下,我们利用高效的具有聚合功能的加密方案,将文本拥有者的文本进行加密外包给云服务器,在查询阶段,查询用户直接与云服务器进行交互完成匹配任务。其次,我们采用基于模拟的安全证明方法证明了我们的方案在半可信模型下是安全的且具有隐私保护的。最后,我们进行了效率分析,并将我们的方案和同类方案进行了对比,发现我们的方案在计算和通信开销方面优于以往的方案。特别是在查询阶段我们的方案更高效,且文本拥有者不需要实时在线。因此,我们的协议可以灵活地运用于轻量级设备的查询应用中,如查询用户使用移动手机进行查询的场合。(2)隐私保护的外包图像特征提取。随着外包计算的普及应用,将昂贵的计算外包给更强大的云服务器成为可能。隐私保护的信号和图像外包处理也成为当前研究的热点之一。图像数据可以看作是一个二维矩阵,基于部分解密的Paillier加密系统,我们提出了一系列安全的矩阵运算协议,并证明了其安全性。在此基础上,我们提出了一种具有隐私保护的外包图像特征提取方案,并证明在半可信敌手存在的情况下方案是基于模拟安全的。协议执行过程中用户可以灵活地把他的计算外包给云服务器而不需要实时在线,用户与服务器之间仅需要1轮交互,节约了通信开销。与类似方案相比,我们的解决方案除了保护图像的统计隐私外还保护了图像特征点的位置隐私。(3)多个云服务器环境下具有隐私保护的外包图像特征提取。随着云应用的发展,越来越多的消费者或供应商倾向于使用多个云服务器来进行存储和计算。基于门限Paillier加密系统,我们提出了一系列安全的整数运算协议和安全的矩阵运算协议,并证明了它们的安全性。进而我们提出了在多个云服务器环境下具有隐私保护的外包图像特征提取方案,并证明了该方案在半可信环境下是模拟安全的。用户同样不需要实时在线。与以前的方案相比较,我们的方案是在多个云服务器的环境下,克服了一个或两个固定服务器的弱点。此外,我们的解决方案同样保护了图像的统计隐私和特征点的位置隐私。(4)具有隐私保护的大规模线性方程组的外包存储和计算。大规模线性方程组是一个基本的代数问题,我们研究了大规模线性方程组系统的安全外包存储和计算。首先,我们利用陷门单向置换构造了一个新的高效的矩阵加密方案,并证明了方案是安全的。然后利用该加密方案提出了一种新的协议,在半可信环境下实现了大规模线性方程组系统的外包存储和计算。与类似的协议相比较,我们的协议在同等效率下存储开销更小,用户仅需存储私钥,其存储开销与外包线性方程组的规模无关。