《Computer Standards & Interfaces》：Privacy-preserving kNN classification for cross-platform electric vehicle data analytics
编辑推荐：
本文针对电动汽车（EV）跨平台数据分析中的隐私保护需求，提出了两种互补的隐私保护k近邻（kNN）分类方案：一种基于全同态加密（FHE）的单服务器模型，支持非交互式密文距离计算；另一种基于安全多方计算（MPC）的两服务器模型，在加法秘密分享上实现高效在线分类。方案通过矩阵优化打包和固定网络Top-k选择等技术创新，在保证输入隐私和计算正确性的前提下，实现了强隐私性与实际效率的平衡，为EV充电异常检测、欺诈识别等应用提供了安全可行的解决方案。
Section snippets (章节选段)
Related work (相关工作)
分析电动汽车（EV）数据对于提高能源效率、电网稳定性和交通管理至关重要。k近邻（KNN）算法通常用于对充电行为进行分类、检测异常使用和识别欺诈。然而，由于EV用户数据（包括充电位置、能源使用模式和移动轨迹）的敏感性，隐私问题已变得日益关键。KNN已被证明对用户行为建模有效...
Preliminaries (预备知识)
我们在表1中总结了本文使用的主要符号。
System model (系统模型)
如图1所示，我们的系统支持两种部署范式，使得不暴露原始数据给不可信计算方的情况下实现安全kNN（kNN）分类成为可能：
- •
FHE单服务器模型：云服务器（CS）对数据提供者（DP）和数据用户（DU）提供的密文进行计算。
- •
MPC双服务器模型：两个非共谋的服务器（S1, S2）共同在加法秘密分享上进行计算。
两种部署都保持了输入机密性和计算完整性，同时在信任假设、交互模式和性能特征上有所不同。
Security KNN classification scheme (安全KNN分类方案)
在本节中，我们提出了两种隐私保护kNN分类方案，使得能够在敏感数据上进行安全计算而无需向不可信方暴露原始信息。两种方案都旨在实现准确分类，同时在不同的密码学范式下保持数据机密性和计算完整性。第一种方案基于全同态加密（FHE），遵循单服务器模型，其中云服务器执行加密距离计算...
Security analysis (安全性分析)
定理 1
令ΠFHE为一个基于容错学习（LWE）问题难解性构建的全同态加密方案。如果LWE问题无法被任何概率多项式时间（PPT）对手有效解决，则ΠFHE达到IND-CPA安全性。
证明
假设存在一个PPT对手A，能够以不可忽略的优势ε破坏ΠFHE的IND-CPA安全性。那么，我们可以设计一个概率多项式时间算法B，利用A作为子程序来解决LWE问题，这与LWE的难解性假设相矛盾。因此，原假设不成立，ΠFHE是IND-CPA安全的。
Performance analysis (性能分析)
本节从预测准确性和计算性能两方面对我们的方案进行评估。实验在四个公开可用的数据集上进行，即心脏病（HD）、乳腺癌（BC）、银行营销（BM）和区域车辆充电（VC）。每个数据集在两种模式下进行测试：明文处理和加密计算，以说明准确性与隐私之间的权衡。对于基于FHE的方案，我们采用BFV同态加密方案...
Conclusion (结论)
本文提出了一个用于电动汽车（EV）数据分析的综合性隐私保护k近邻（kNN）分类框架。所提出的方案集成了FHE和基于矩阵的优化距离计算，以支持在云环境中对敏感数据进行安全的端到端加密处理。除了利用FHE在密文上进行计算外，该框架还考虑了实际的扩展，例如混合密码学模型，其中FHE...
