属性基加密的隐私保护与用户行为信任研究_田野_9787513077545

随着大数据时代的来临, 数据安全已成为重要需求, 特别是对于隐私保护要求较高的数据, 用户访问必须经过授权。本书从静态和动态两个方面围绕属性基加密和用户行为信任评估对数据的访问展开研究, 主要内容有属性基加密方法及细粒度的访问控制、外包数据的加密、分层次的属性基加密检索方法及用户行为信任评估。本书涉及多个学科前沿, 可以作为计算机、信息工程专业高年级本科、研究生的参考书, 也可以作为信息安全领域广大科技工作者的参考书。

前言

属性基加密技术已应用到信息安全的各个领域, 如访问控制、数据外包、加密检索等。用户访问网络的各种行为, 包括时空行为、流量行为和需求行为, 是影响数据隐私保护的一大因素。在许多行业, 如金融、医疗、保险等, 数据是需要受到保护的, 特别是医疗数据, 具有较高的隐私保护要求。作为一种新兴的电子医疗技术, 无线体域网(WBANs) 在病情监测中起到重要作用, 提高了医疗水平和效率。在用户访问医疗数据的过程中,必须考虑以下四个问题: 第一, 无线体域网存储的医疗数据涉及患者的隐私, 用户经密钥授权访问, KP-ABE 实现了细粒度的访问控制, 然而, 在WBANs 资源受限环境下必须解决用户属性的动态性及能量消耗问题; 第二,随着医疗数据的增加及访问树的复杂化, 密文长度增大、加密解密效率降低, 外包服务可以减轻本地存储与计算负担, 然而, 外包服务并不完全可信, 要做到有效利用外包服务的同时保护患者隐私性; 第三, 数据加密后存放于外包环境, 当用户需要检索这些数据时, 无法按照传统的明文检索方法进行检索操作, 如何对加密的数据实行有效且安全的检索成为一个新的挑战; 第四, 从用户行为方面考虑, 对用户行为进行信任评估可以从动态方面确保数据的安全共享和访问, 要根据用户的历史行为对其进行信任评估以提高预测的准确性。本书对数据的访问从静态和动态两个方面围绕ABE 和用户行为信任评估展开研究, 所取得的研究成果主要包括以下四个方面。
1. 提出支持用户撤销的ABE 算法针对在WBANs 资源受限环境下, 用户对医疗数据访问产生的用户撤销及能耗问题, 提出一种支持用户撤销的ABE 算法。ABE 是一种一对多的加密方式, 特别适合医疗数据细粒度的访问控制。由患者决定访问数据的用户, 丰富了访问树的类型。拓展KP-ABE 算法加入用户撤销机制, 解决了用户属性动态性问题。本算法的理论分析与原型验证结果表明, 算法在具备机密性、不可伪造性及抵御合谋攻击的同时, 提高了加密解密效率,节省了存储空间, 降低了能耗。
2. 提出支持安全外包数据的ABE 算法
针对如何在外包环境保证医疗数据隐私性的问题, 提出一种支持安全外包数据的ABE 算法。与已有方法相比, 本算法具有以下优点: 第一, 对医疗数据分类, 细化了用户访问的数据; 第二, 将访问树分为两部分管理,即外包部分和本地部分; 第三, 拓展了CP-ABE 算法, 分类的数据分别加密。本算法的理论分析和原型验证结果表明, 与现有算法相比, 本算法在增强用户访问隐私性、机密性、抵抗合谋攻击和选择性密文攻击的同时,减轻了终端存储和计算负担, 提高了加密解密的效率。
3. 提出分层的可加密检索算法
访问医疗数据的用户必须严格限制为授权用户, 防止因非授权用户访问而泄露患者隐私。由于云平台具有半可信的特点, 为了减轻对外包服务器的安全性依赖, 通常采用的方法是将数据加密后上传云平台。然而,如何高效并安全地对加密后数据进行检索便成为亟待解决的问题。本书将访问树分为不同组成部分, 当用户满足某一分支的属性时, 即可得到用该分支属性加密的密文关键字索引, 从而避免对整个访问树进行解密操作,提高了检索效率。
4. 提出用户行为信任评估算法
针对开放环境下提高用户行为预测准确性的问题, 提出一种用户行为信任动态多维度量算法。本算法采用集值统计来计算用户行为信任值, 与已有方法相比具有以下两个优点: 第一, 证据的收集在用户行为过程中进行, 改变了以往对行为结果进行评判的方法; 第二, 行为数据值由单点扩大为值域, 反映了行为证据的长期情况, 使评估结果不会随着用户某一时刻证据值的变化而产生误差, 充分体现数据的意义。本算法通过对用户的行为数据建立层次模型来反映用户总体可信度与行为数据间的逻辑关系,属性基加密的隐私保护与用户行为信任研究引入集值统计度量算法计算用户行为预测值, 并根据可信级别判定可疑用户。仿真实验结果表明, 本算法提高了用户行为预测的准确性, 降低了异常用户的漏报率及正常用户的误报率。
本书可作为计算机、电子信息工程等专业高年级本科生和研究生的参考书, 也可作为信息安全领域广大科技工作者的参考书籍。由于作者水平有限, 书中不当之处请读者不吝赐教。

你还可能感兴趣

我要评论