Page 144 - 大数据背景下网络安全问题研究

大数据背景下网络安全问题研究
Research on Network Security Issues under the Background of Big Data

前的信息。RNN与处理序列和列表类数据密切相关，能够挖掘数据中的时序信息，
具有充分利用语义信息的深度表达能力，在语言模型和文本生成、机器翻译、语音识
别、生成图像描述和视频标记等方面有出色的应用，但是不能很好地处理长时依赖的
问题。目前应用于故障诊断领域的有Elman、长短期记忆（LSTM）和门控循环单元

（GRU）3种循环神经网络，其中作为RNN变体结构的LSTM和GRU的应用最多，这
些变体网络可以帮助解决RNN中零点梯度的消失问题。
RNN能够提高故障诊断效率，同时改善了现有神经网络故障诊断方法，使其能够
适用于复杂设备或系统的实时故障诊断，具有收敛速度快、精度高、稳定性好、扩展

性好等优势。
机器学习已经成为当前技术发展热点，并由于其良好的自学习、识别、分类能
力，在故障检测与诊断技术中受到了越来越多的关注。

三、机器学习的安全问题与隐私保护

（一）机器学习隐私定义
隐私权是一种相当复杂的法理学范畴，但目前还缺乏一种公认的法理学规范概
念。1890年刊登于《哈佛法学评论》上的《论隐私权》将隐私权界定为“不受他人干

涉搅扰的权利”。其中，隐私权主要包括以下三个方面。
1.训练数据隐私权
训练数据隐私权，即机器教学中所使用数据的个性可识别信息（PII）和敏感信
息内容。个性身份信息内容是指具有唯一性标记个性身份的信息内容，可分成标识符

和准标识符，包含姓氏、身份卡号、来电号码、电子ID）指可能唯一性地标记个别身
份的属性总和，如住址、性别、生活时间；敏感信息涉及个体的人口统计信息内容，
如性别、薪水、犯罪记录等；个人财经信息内容，如银行卡号码、账户余额、股票交

易笔录等；健康信息方面，如病历、疾病症状、医学影像、医生处方等；日常活动情
况，如通话记录、活动轨迹、购物记录等。
2.模式隐私权
模式隐私权，即在机械教学中的模型训练计算、建模拓扑构造、建模权重参

数、激活函数和超参数等与机器学习模型相关的秘密信息机器学习模型属于服务提
供者的秘密信息，授权使用的只有使用权，可以对模型发动模型获取攻击（Model
Extraction-Attack）。
3.预知结论隐私权

预知结论隐私权是指在机械教学模型中对使用者的预期输入或要求直接反馈来
的、使用者不希望披露的敏感信息内容，模型预测结果可能是根据使用者的传染病检

• 132 •