Page 397 - 《软件学报》2026年第2期

876 软件学报 2026 年第 37 卷第 2 期

Key words: aggregate signature; BGN homomorphic encryption; trusted execution environment (TEE); statistical analysis; Intel SGX; access
control

云计算 [1–4] 的出现极大地改变了传统的计算模式, 可以为用户提供更为便捷的计算和存储服务. 同时, 随着物
联网技术的快速发展, 越来越多的智能设备接入物联网. 例如, 智慧医疗、智能交通及智慧政务 [5–7] 等应用的兴起,
万物互联使得网络数据呈现爆炸式增长. 然而这些海量数据涉及大量敏感与隐私信息, 这就需要采用更加安全且
高效的方式进行处理与分析. 鉴于传统云计算架构已难以满足对海量医疗数据的实时统计与分析需求, 因此亟需
引入边缘计算服务器 [5–7] , 以协同云端系统实现对医疗数据的实时处理与分析. 虽然, 边缘服务器可分担云服务器
的部分计算任务来提高数据处理的效率, 但在聚合分析和数据隐私方面依然不乐观. 特别地, 在智慧医疗领域中,
智能穿戴设备采集的医疗数据往往都涉及患者的敏感信息. 因此, 数据拥有者通常采用智能穿戴设备上的加密技
术来保障其医疗数据的机密性和隐私性 [8] . 然而, 医疗数据在传输与存储阶段可能面临着通信信道被外部攻击者
窃取、篡改 [9] 以及未授权访问 [10] 等安全威胁, 若医疗研究中心采用篡改后的医疗数据进行临床分析或医疗研究,
可能危及患者生命安全健康或造成财产重大损失. 此外, 也需要采用访问控制机制实现对医疗数据细粒度的统计
分析与安全管控. 同时, 还需要采取数字签名 [11–16] 与哈希函数来确保密文数据在存储和传输过程中的完整性.
事实上, 加密后的医疗数据会丧失不同程度的可用性, 进而导致了研究中心很难对其进行更为精准的统计分
析. 近年来, 诸多研究者利用同态加密 [17–19] 算法加密后的密文数据仍具有加法和乘法的特性, 提出了许多密文数据
聚合方案 [20–26] , 实现密文数据安全快速的聚合分析. 然而, 这些聚合方案 [24,25] 大多数都需要研究中心利用私钥直接
对聚合密文进行解密得到聚合的结果, 再利用聚合结果进行统计分析, 这样大大增加了研究中心的计算代价与通
信代价. 文献 [20–26] 提出的数据聚合协议可在合理时限开销内汇总海量数据, 而无需对单个密文进行逐一解密,
从而实现医疗数据隐私性与机密性的安全保障. 但这些方案 [20–26] 得到的聚合值仅能满足粗粒度统计分析需求, 无
法支持更为细粒度的统计分析. 因此, 亟需设计一种能够同时满足医疗数据的机密性、完整性和用户隐私性等安
全需求, 又能实现细粒度统计分析的方案.
综上, 本文针对医疗数据设计并提出了一种基于 TEE (trusted execution environment) 安全高效的细粒度统计
2
分析与可验证数据聚合方案. 该方案针对双消息类型 (m 和 m ) BGN 同态加密算法进行了改进, 并结合一种基于
身份的聚合签名算法, 从而实现医疗数据机密性与完整性双重保障, 同时也实现了医疗密文数据的批量验证. 该方
案将边缘计算集成到具有 TEE 的云计算架构, 实现了医疗密文数据统计分析向医疗明文数据统计分析的转化, 提
升了医疗数据统计分析的效率. 最后, 采用访问控制手段实现了 TEE 内部的细粒度统计分析, 不仅防止了医疗数
据的未经授权访问, 也降低了研究中心的计算代价. 主要贡献如下.
(1) 机密性: 提出了一种优化的双消息类型 BGN 同态加密算法 (optimized double message type BGN homo-
morphic encryption algorithm, ODMT-BGN), 该算法不仅保留了对原有两种格式 (m 和 m ) 数据的加密特性, 还在同
2
等安全参数下提供了更高的安全性.
(2) 批量验证: 为了实现对医疗密文数据的批量验证, 本方案采用身份绑定的聚合签名算法, 实现了医疗密文
数据在不同存储和传输阶段的批量验证, 进而防止医疗密文数据在存储和传输过程中被篡改或替换, 同时也降低
了认证成本.
(3) 高效性: 考虑到医疗密文数据统计分析效率低以及 TEE 的特性, 将原本的密文数据统计分析过程移植到
云服务器的 TEE 内, 使其变成明文数据统计分析. 此设计不仅提高统计分析的计算效率, 还降低了研究中心的计
算代价.
(4) 细粒度的访问控制: 为了实现医疗密文数据的安全管控, 采用边缘服务器对研究中心进行授权访问的机
制, 实现了医疗密文数据的安全管控, 进而通过聚合不同边缘服务器的授权密钥实现细粒度的统计分析.
本文第 1 节介绍了可信执行环境 TEE (例如 Intel SGX)、可验证数据聚合和安全数据共享的相关工作. 第 2
节介绍了本文所需基础知识, 包括双线性映射、决策双线性 Diffie-Hellman 假设、计算性 Diffie-Hellman 假设、
哈希函数以及新型 BGN 同态加密. 第 3 节给出了基于 TEE 安全高效的细粒度统计分析与可验证数据聚合方案,