支持隐私保护的K-means聚类模型研究

K-means是一种典型的聚类算法,在机器学习领域有着重要的作用.随着外包聚类服务的发展以及用户隐私保护意识的日益提高,K-means聚类也需要对密文数据提供支持,进而保证用户数据的隐私性.为此,文中利用全同态加密(Fully Homomorphic Encryption,FHE)设计了面向加密数据的 K-means 聚类模型(K-means Clustering Model over Encrypted Data,K-means-CMED),并且对K-means-CMED及其实体构成进行描述,设计了对应基本运算的通信协议,包括:MUX选择协议、范式距离计算协议、比较协议以及求最小值协议.基于上述通信协议,给出了 K-means-CMED的构建过程.对协议的正确性、安全性进行了分析.最后,利用FCPS数据集进行性能测试,结果表明K-means-CMED的密文聚类性能与明文接近,满足聚类的实际应用需求,并解决了外包数据聚类的隐私保护问题.