Page 104 - 《软件学报》2026年第6期

肖欣怡 等: 恶意敌手环境下的隐私保护目标检测 2423

见第 2 节. 在模型设置中, SecNMS 的交并比阈值 Θ 设为 0.5, SecRoIA 的采样参数 r 设为 7. 实验中采用标准的数
据预处理策略, 即客户端在本地对原始待检测图像执行归一化操作, 随后将其转换为定点数并生成秘密份额上传
至服务器. 模型权重加载自对应训练集 (COCO 2017 和 Pascal VOC 2012) 上的预训练模型, 并在系统初始化阶段
转换为定点数份额分发至 4 台服务器.
基于上述设置, 本节首先在 COCO 2017 数据集上进行系统功能评估, 随后扩展至 COCO 2017 和 Pascal VOC

2012 数据集进行综合性能评估.
6.1 功能评估

● 图像秘密共享. 本节在示例图像上展示了图像的复制秘密共享, 如图 4 所示. 图像 I 、 I 、 I (2) 和 I (3) 表示
(0)
(1)
(j) . 在每个原始图像及其秘密份额的下方, 本文生成了相应图像的 颜色直
加性秘密份额, 服务器 S i 持有 {I } j,i RGB
方图. 从视觉上看, 仅凭单个服务器所持有的份额, 重建出原始图像是不可行的. 从 RGB 颜色直方图可以看出, 生
成的秘密份额图像具有高度随机性, 类似于噪声, 无法从中推断出原始图像的内容.

Origin image I I (0) I (2) I (2) I (3) Reconstructed image

Image
splitting

RGB histogram RGB histogram RGB histogram RGB histogram RGB histogram RGB histogram
1 200 1 200 1 200 1 200
8 000 8 000
7 000 1 000 1 000 1 000 1 000 7 000
Frequency 6 000 Frequency 600 Frequency 600 Frequency 600 Frequency 600 Frequency 6 000
RGB color 5 000 800 800 800 800 5 000
histogram 4 000 400 400 400 400 4 000
3 000
3 000
2 000 200 200 200 200 2 000
1 000 1 000
0 0 0 0 0 0
0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250
Pixel value Pixel value Pixel value Pixel value Pixel value Pixel value
Image
splitting
RGB histogram RGB histogram RGB histogram RGB histogram RGB histogram RGB histogram
16 000 16 000
14 000 1 200 1 200 1 200 1 200 14 000
12 000 12 000
800
800
800
800
RGB color 10 000 Frequency 1 000 Frequency 1 000 Frequency 1 000 Frequency 1 000 10 000
8 000
8 000
histogram Frequency 6 000 600 600 600 600 Frequency 6 000
4 000 400 400 400 400 4 000
2 000 200 200 200 200 2 000
0 0 0 0 0 0
0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250
Pixel value Pixel value Pixel value Pixel value Pixel value Pixel value
图 4 图像秘密共享

● MalOD 检测结果可视化. 将秘密份额分发给服务器后, 服务器执行 MalOD. 对于目标置信度分数高于 0.5
的检测结果, 进行可视化, 如图 5 所示. 可以发现, MalOD 的检测结果和明文 Faster R-CNN 几乎完全一致. 在 6 个
样例图像中, 从左到右, MalOD 检测到的目标总数量分别是 4、2、2、5、18 和 13, 而 Faster R-CNN 总共检测到 4、
2、2、6、14 和 14 个目标. 二者检测到的目标数量几乎相同, 且相应的边界框位置、分类结果和置信度表现出高
度一致. 这表明, 与 Faster R-CNN 相比, MalOD 在保证强大的安全性的同时, 为单张图像的目标检测提供了与明文
几乎相同的检测精度. 即 MalOD 在保护数据免受恶意敌手攻击的同时, 有效地保留了目标检测模型的可用性.
● 运行时间和通信量. 本节在 RGB 图像上评估了输入不同分辨率图像的 MalOD 的运行时间和通信性能. 进
行目标检测之前, 同一张图像分别被预处理为 128×96 和 256×192 的分辨率. 表 2 详细列出了 MalOD 每个模块的
运行时间以及总的通信开销. 与预期一致, 图像分辨率的降低使得运行时间和全局通信成本也随之减少, 这归因于
计算量和数据传输量的降低, 也证明了 MalOD 能够随着图像大小的变化高效地扩展. 值得注意的是, MalOD 整体
通信量相对较大, 主要由于在恶意安全模型下, (4, 3) 复制秘密共享和 JMP 协议引入了冗余份额和交叉验证机制