本月总结
9月29日
本周除上课之外，学习了一些Java文件流的基本知识，数字图像处理的图像压缩，彩色图像处理等基础知识，看了一篇 有效利用基于属性加密和撤销来确保删除数据的论文。
10月6日
本周学习了Java异常处理机制，密码学的基本术语，看了一篇基于超像素分割和SURF算法的图像复制粘贴篡改检测的论文。
10月13日
本周大致阅读了论文“多数据提供者的隐私保护机器学习”和“基于相加同态的隐私保护深度学习”，了解到论文中涉及的关键词有差分隐私、同态加密、机器学习等，进而主要针对各个关键词进行了一些查阅和理解。 以下是目前我自己的理解： 1 差分隐私 隐私的定义是指个人信息的泄露，强调的是个体。但是实际生活中，如果两个接近的统计信息泄露，就极可能间接的泄露了个体的信息，差分隐私就是为了解决出现这样的问题。其核心思想就是在查询信息时，加入随机性，即使查询的两个数据集只有一条差异，但查询得到的结果是随机的、相似的。这样得到的结果，就很好的保护了用户的隐私。主要分为拉普拉斯机制和指数机制。 2 同态加密 加密算法的目标是减少明文和密文之间的相关性，从而得到保护隐私的目的。以往的加密是在传输前进行加密，传输后进行解密，然后再进行代数运算。由于各种攻击的存在，这样的思路，常常让人们觉得不够安全。而同态加密是指，将两个加密后的密文直接进行代数运算，如加法和乘法运算，将运算后的结果返回用户，用户解密之后的结果与两个明文相加相乘的结果一致。也就是说，用户能让第三方进行运算，但同时保护了自己的数据隐私。因此，同态加密的提出是密码学的一个突破，但由于通信成本以及效率的问题，广泛应用还存在一定难度。 3 机器学习 机器学习指通过大量的数据集，分析提取出一个数据之间的对应相关性法则，从而用该法则去预测未知的数据。就像函数的一一映射，重点在于找到对应法则，也就是主要的工作在于找到数据之间的相关性。 4 PMLM PMLM（多数据提供者的隐私保护机器学习），主要是针对多个数据提供者，将不同数据使用DD-PKE（非对称加密，双重解密算法）结合同态加密进行加密，得到随机数据集。然后，外包给云服务器，云服务器增加噪声，数据分析者在查询时，使用差分隐私防护，保护数据安全。最后，在随机数据集上进行机器学习，并用自己的私钥进行解密。 PMLM主要是三大步骤 Step1：DD-PKE，主要是有五部分组成（设置参数，密钥生成，加密，u解密，m解密） Step2：增加噪声，差分隐私，拉普拉斯机制 Step3：解密，机器学习 总结：对论文中涉及到的关键词进行了一定的了解，论文的内容粗略的了解了，但是对于其中的一些重要的数学公式，定义，推理，概念还不是很懂，需要进一步理解。
10月20日
一种有效的冗余转换图像加密的可逆数据隐藏的编码方案 文章的思路十分清楚，主要涉及到内容所有者，数据隐藏者和数 据接受者。 首先，内容所有者利用位平面、块和像素置换的加密方法，在加 密密钥下对原始图像进行加密。因此，应实现位平面、块和像素 对图像加密的算法。 其次，数据隐藏者应该对加密后的图像在数据隐藏密钥下对加密 图像进行额外数据的嵌入。主要利用稀疏矩阵的方法，进行块分 类和块编码来压缩 LSB 平面。因此，应实现对各类块的编码来 进行数据的嵌入。 最后，数据接收者对加密图像利用数据隐藏密钥和加密密钥进行 数据提取和图像恢复。对上述操作实行反变换，得到原始信息。 目前，正在从网上看看有没有想关的开源代码，想先读懂一些代 码再上手。已看了一些信息隐藏，位平面无序的代码。
10月27日
一种使用冗余转换图像加密的可逆信息隐藏有效的编码方案 目前进行的状态是：找到论文一部分的代码，正在调试运行中， 以及慢慢的理解 当前的代码理解和论文理解为: 一：图像加密 1、利用 randperm 函数生成了图像加密中的三大密钥，key_bit、 key_block、key_pixel 2、读取图像进行分块，然后利用密钥分别进行位置乱，块和像 素置乱。 二：数据隐藏 根据加密图像计算最大的嵌入量 1、提取加密图像的最低位，将二值矩阵进行分块 2、对块分为五大类，并对每一类进行编码，计算出剩余的空位 3、计算嵌入率，用计算出的各类块的空余块比上总的块数。 4、额外数据的嵌入，得到嵌入数据后的标记图像 三：接收者 1、数据提取 2、图像恢复
