Page 105 - 《软件学报》2026年第6期

2424 软件学报 2026 年第 37 卷第 6 期

来提供更强的安全保障, 这些机制虽然带来了额外通信成本, 但为了在恶意敌手环境下保障数据的安全性, 这是必
要的合理开销.

MalOD

Faster R-CNN

Ground truth

图 5 检测结果可视化对比

表 2 运行时间和通信性能

Image size 子模块运行时间 (s) MalOD总开销
(resolution) SecBackbone SecRPN SecRoIA & SecClassification 运行时间 (s) 通信量 (MB)
128×96 46.15 44.807 2 891.086 9 982.044 37 231.3
256×192 138.585 81.914 894.451 1 114.95 49 470.5

观察不同模块的运行时间可以发现, SecBackbone 和 SecRPN 的运行时间以及总的通信开销随着图像分辨率
的提高而增加. 这是由于分辨率的增加, 实现目标检测的计算量更大, 数据传输需求也更高. 而 SecRoIA 和 Sec-
Classification 是最耗时的阶段, 且其执行时间在不同分辨率下保持稳定. 这是因为最终阶段涉及对每个候选区域
进行分类和回归, SecRoIA 和 SecClassification 的运行时间与提议的数量成正比增长. 而对于同一张图像, 不同分
辨率的输入, SecRPN 生成的候选提议数量几乎保持不变, 使其成为 MalOD 整体性能的主要瓶颈. 可以通过限制
SecRPN 阶段生成的候选区域数量, 从而提高 SecRoIA 和 SecClassification 的效率.
为评估效率相对水平, 本文与现有最新隐私保护目标检测方案 [15] 进行对比: 在性能接近的 CPU 平台上, 文
献 [15] 处理 500×319×3 分辨率图像耗时 1 992.852 9 s, 而 MalOD 在更高分辨率的图像输入 (512×352×3) 下仅需 1 634 s.
在 CPU 执行推理条件下, MalOD 于更高分辨率、防御恶意敌手的更强威胁模型下仍实现 18% 加速, 具体对比见
表 3, 表中用加粗表示最优结果.

表 3 性能对比

Image size 子模块运行时间 (s)
Model MalOD时间开销 (s)
(resolution) SecBackbone SecRPN SecRoIA & SecClassification
文献[15] 500×319 570.996 2 1 210.965 2 210.891 5 1 992.852 9
MalOD 512×352 474.747 289.101 870.152 1 634
6.2 性能评估
考虑到安全推理引入的显著计算和通信开销, 在隐私保护机器学习的研究中, 通常采用数据集的较小子集来
平衡评估成本和性能评估开销. 本实验分别在 COCO 2017 和 Pascal VOC 2012 验证集中随机选择 200 张图像, 组
成两个评估子集, 以增强结果的可靠性和泛化能力. 性能评估采用官方 COCO 评估工具包 (pycocotools), 计算平均
精度均值 (mean average precision, mAP) 与平均召回率均值 (mean average recall, mAR), 以全面衡量模型性能. 实
验采用 COCO 数据集评估标准, 通过 IoU 阈值 0.50–0.95 (以 0.05 为步长) 计算综合 mAP (mAP@0.5:0.95) 和
mAR, 全面衡量模型在不同定位精度下的性能. 同时, 依据 Pascal VOC 等基准的通用规范, 计算 IoU 阈值为 0.50
的标准 mAP (mAP@0.5). 在召回率评估中, mAR 在 IoU 阈值为 0.50–0.95 范围内, 并分别针对每张图像中最大检