本书面向数字化转型重要战略中促进数据共享、保护数据安全隐私的核心需求，充分考虑物联网终端和数据的实际特性，在数据迁移和计算迁移模式下分别研究了数据/模型服务交易和终端间联合学习，形成了安全可信的数据共享技术新体系。
本书首先研究了物联网数据服务交易机制，包括精准的关联性隐私量化、可满足的隐私补偿和无套利的查询定价，为数据供需双方构建市场化体制；其次研究了如何在保护数据隐私和模型机密性的前提下，批量验证模型推理结果的正确性；最后面向手机淘宝推荐场景，研究了如何协同大规模异构终端来训练包含亿级特征的深度学习模型。
本书适合安全可信数据共享、端智能等方向的研究者和实践者阅读。

牛超越，上海交通大学博士后，研究兴趣主要包括数据共享与交易、端云协同学习、推荐系统、隐私保护等。以第一作者或通讯作者身份在USENIXOSDI、ACMMobiCom、ACM KDD等高水平会议和/EEETDSC、IEEETKDE等权威期刊上发表论文10余篇。相关研究成果已应用于阿里巴巴手机淘宝的重要业务场景。已申请专利10项，其中4项已授权。曾获2021年度CCF优秀博士学位论文奖、上海交通大学研究生“学术之星”、阿里巴巴集团学术合作优秀实习生等荣誉。

丛书序
推荐序Ⅰ
推荐序Ⅱ
导师序
摘要
ABSTRACT
插图索引
表格索引
算法索引
第1章 绪论
1.1 研究背景与意义
1.2 关键科学问题
1.3 研究内容与贡献
1.4 本书组织结构
第2章 相关研究工作
2.1 数据交易
2.2 可验证计算
2.3 安全模型推理
2.4 终端间联合学习
第3章 感知数据分析服务中隐私补偿及查询定价机制
3.1 引言
3.2 技术准备
3.2.1 系统模型
3.2.2 河豚隐私框架
3.2.3 马尔可夫被干扰机制
3.3 交易机制设计
3.3.1 隐私度量
3.3.2 隐私补偿
3.3.3 查询定价
3.4 实验评估
3.4.1 实验设置
3.4.2 细粒度的隐私损失和隐私补偿
3.4.3 鲁棒的查询定价
3.4.4 计算开销与内存开销
3.5 本章小结
第4章 模型推理服务中隐私可保护的批量结果验证协议
4.1 引言
4.2 技术准备
4.2.1 支持向量机
4.2.2 密码学背景知识
4.3 问题建模
4.3.1 系统模型
4.3.2 安全需求与攻击模型
4.4 设计原理
4.5 底层理论协议设计
4.5.1 面向点积的设计
4.5.2 面向平方欧氏距离的设计
4.5.3 复杂度分析
4.5.4 安全分析
4.6 顶层应用设计
4.6.1 面向支持向量机的设计
4.6.2 面向其他机器学习算法的拓展
4.7 实验评估
4.7.1 实验设置
4.7.2 计算开销
4.7.3 通信开销
4.7.4 模型管理者的开销
4.8 本章小结
第5章 超大规模终端间联合子模型学习方法及隐私保护机制
5.1 引言
5.1.1 产业界场景驱动
5.1.2 联合子模型学习框架
5.1.3 新引入的隐私风险
5.1.4 基本问题和挑战
5.1.5 设计与贡献总览
5.2 技术准备
5.2.1 安全隐私需求
5.2.2 随机回答
5.3 协议设计
5.3.1 设计原理
5.3.2 设计细节
5.4 理论分析
5.4.1 安全隐私分析
5.4.2 复杂度分析
5.5 实验评估
5.5.1 实验设置
5.5.2 模型准确率与收敛性
5.5.3 通信开销
5.5.4 计算开销
5.5.5 内存与磁盘开销
5.5.6 拓展性讨论
5.6 本章小结
第6章 总结与展望
6.1 工作总结
6.2 研究展望
6.2.1 数据和模型交易
6.2.2 端云协同
参考文献
攻读博士学位期间发表的学术论文
攻读博士学位期间申请的发明专利
攻读博士学位期间参与的科研项目
致谢
丛书跋