Page 92 - 《软件学报》2026年第6期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(6):2411−2430 [doi: 10.13328/j.cnki.jos.007648] [CSTR: 32375.14.jos.007648] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
恶意敌手环境下的隐私保护目标检测

肖欣怡 1 , 柳 林 1,2 , 郭 茜 1 , 罗玉川 1 , 王勇军 1 , 陈荣茂 1,2 , 黄俊杰 1 , 刘天瑞 1 , 付绍静 1,2

1
(国防科技大学 计算机学院, 湖南 长沙 410073)
2
(国防科技大学 密码中心, 湖南 长沙 410073)
通信作者: 柳林, E-mail: liulin16@nudt.edu.cn

摘 要: 图像处理任务正快速向云端和多方协同环境迁移, 而云服务器上直接处理明文图像数据, 极易泄露图像中
的敏感信息, 且难以抵御篡改等恶意攻击, 无法保证数据完整性和服务可靠性. 在此背景下, 提出一种面向恶意敌
手环境的目标检测推理方案——MalOD, 实现针对恶意敌手环境的安全目标检测. MalOD 通过构建加密的特征金
字塔网络 (secure feature pyramid network, SecFPN) 实现密文图像的多级特征提取, 并基于多层次密文特征设计安
全区域提议网络 (secure region proposal network, SecRPN) 和兴趣区域安全对齐 (secure region of interest align,
SecRoIA) 模块从而完成安全目标检测. 具体来说, 借助复制秘密共享 (replicated secret sharing, RSS) 技术, 设计一
系列安全计算原语, 包括安全向上取整函数、安全双线性插值和安全最近邻插值, 为 SecFPN、SecRPN、SecRoIA
等模块提供底层支撑, 确保恶意敌手环境下检测流程的高效与准确. 此外, 证明 MalOD 的正确性和安全性, 并在
COCO 2017 和 Pascal VOC 2012 数据集上进行性能评估. 实验结果表明, 在满足严格安全要求的同时, MalOD 实现
较高的目标检测精度. 特别地, 当目标检测的交并比阈值为 0.5 时, 其在 COCO 子集上平均精度仅比明文检测下降
0.113. 为恶意环境下的隐私保护图像处理提供了理论和实践支持, 尤其适用于不可信的云计算和多方协作场景中.
关键词: 隐私保护; 目标检测; 恶意敌手; 安全多方计算
中图法分类号: TP309

中文引用格式: 肖欣怡, 柳林, 郭茜, 罗玉川, 王勇军, 陈荣茂, 黄俊杰, 刘天瑞, 付绍静. 恶意敌手环境下的隐私保护目标检测. 软件
学报, 2026, 37(6): 2411–2430. http://www.jos.org.cn/1000-9825/7648.htm
英文引用格式: Xiao XY, Liu L, Guo Q, Luo YC, Wang YJ, Chen RM, Huang JJ, Liu TR, Fu SJ. Privacy-preserving Object Detection
Under Malicious Adversaries. Ruan Jian Xue Bao/Journal of Software, 2026, 37(6): 2411–2430 (in Chinese). http://www.jos.org.cn/
1000-9825/7648.htm

Privacy-preserving Object Detection Under Malicious Adversaries
1
1,2
1,2
1
1
1
1
XIAO Xin-Yi , LIU Lin , GUO Qian , LUO Yu-Chuan , WANG Yong-Jun , CHEN Rong-Mao , HUANG Jun-Jie ,
1
LIU Tian-Rui , FU Shao-Jing 1,2
1
(College of Computer Science and Technology, National University of Defense Technology, Changsha 410073, China)
2
(Center for Cryptologic Research, National University of Defense Technology, Changsha 410073, China)
Abstract: Image processing tasks are rapidly migrating to cloud and multi-party collaborative environments. However, directly processing
plaintext image data on cloud servers easily leads to the leakage of sensitive information in images and is difficult to resist malicious
attacks such as tampering, thus failing to guarantee data integrity and service reliability. To address these challenges, this study proposes
MalOD, an object detection inference framework for environments with malicious adversaries. MalOD is a framework to achieve secure
object detection under malicious adversaries. MalOD constructs an encrypted feature pyramid network (SecFPN) to perform multi-level
feature extraction on encrypted images. Based on these multi-level cipher text features, a secure region proposal network (SecRPN) and a

* 基金项目: 国家自然科学基金 (62472431); 湖南省自然科学基金 (2023JJ30640)
收稿时间: 2025-11-12; 修改时间: 2026-01-13; 采用时间: 2026-01-30; jos 在线出版时间: 2026-04-09
CNKI 网络首发时间: 2026-04-10