Page 93 - 《软件学报》2026年第6期

2412 软件学报 2026 年第 37 卷第 6 期

secure region of interest align (SecRoIA) module are designed to achieve secure object detection. By leveraging replicated secret sharing
(RSS), a series of secure computation primitives are designed, including a secure ceiling function, secure bilinear interpolation, and secure
nearest-neighbor interpolation. These primitives provide the underlying support for SecFPN, SecRPN, and SecRoIA, ensuring the efficiency
and accuracy of the detection process under malicious adversaries. The correctness and security of MalOD are proved, and its performance
is evaluated on the COCO 2017 and Pascal VOC 2012 datasets. Experimental results show that MalOD achieves high object detection
accuracy while meeting strict security requirements. In particular, when the intersection over union (IoU) threshold is 0.5, the average
precision on the COCO subset decreases by only 0.113 compared with plaintext detection. This study provides theoretical and practical
support for privacy-preserving image processing under malicious environments and is particularly suitable for untrusted cloud computing
and multi-party collaboration scenarios.
Key words: privacy-preserving; object detection; malicious adversary; secure multi-party computation
随着云计算和多方协同计算技术的快速发展, 图像处理正逐渐从传统的本地处理模式向云端和多方协同等新
型计算环境迁移, 用户需要将明文图像数据上传至云服务器进行处理, 如亚马逊的图像识别服务 (AWS recogni-
tion)、谷歌视觉智能平台 (Google cloud vision API) 以及医疗图像诊断系统等. 这种方式极易泄露图像内容, 存在
敏感信息泄露的风险, 且在面对篡改等恶意敌手攻击时难以保证数据的完整性和服务的可靠性.
作为一项图像处理中的核心技术, 目标检测已成为众多关键应用的基础, 如视频内容分析 [1−4] 、自动驾驶 [5−7] 、
工业检查 [8,9] 以及医疗辅助 [10] 等.
现有的方法 [11−13] 要求用户直接将原始图像上传至云服务器, 然后在服务器上对明文图像数据进行目标检测.
这种集中式处理方式存在诸多问题: 服务提供商可能会窃取敏感信息、恶意篡改数据, 或者在未经授权的情况下
直接收集数据, 从而引发严重的隐私问题. 大部分的隐私保护目标检测方案 [14,15] 基于半诚实模型, 即假设服务器可
能会试图窃取数据, 但仍然会严格遵循预定的协议并产生正确的结果. 然而, 这种模型无法抵御恶意敌手的攻击.
在更符合实际情况的恶意敌手模型中, 攻击者会主动偏离协议, 窃取或破坏训练好的模型, 并篡改检测结果, 直接
危及数据的完整性和服务的可靠性. 如何在医疗影像和智能监控等敏感场景中, 在不牺牲目标检测效率和准确性
的前提下有效抵御恶意攻击, 已成为一个亟待解决的技术难题.
目前的隐私保护技术主要有同态加密 (homomorphic encryption, HE)、差分隐私 (differential privacy, DP) 和安
全多方计算 (secure multi-party computation, SMPC). 同态加密 [16−18] 允许对加密数据进行计算, 但其计算复杂度高
且延迟大, 限制了其在现实系统应用中的部署. 差分隐私 [19−21] 通过引入噪声来保护数据, 理论上可以防止敏感信息
泄露, 但噪声的添加往往会降低检测精度, 对目标检测性能产生较大的负面影响. 安全多方计算使多方能够在不泄
露各自私有数据的情况下协作计算得出结果, 这使其成为在保护隐私的同时完成复杂数据处理任务的理想方法.
然而, 目前多数基于 SMPC 的机器学习方案 [14,22−25] 仅面向半诚实安全模型进行设计, 未能有效抵御恶意敌手的攻
击威胁. 虽然已有工作 [26,27] 探索了恶意模型下的方案, 但其为实现更高安全性所引入的巨大计算复杂度和通信开
销, 严重阻碍了实际部署. 更为严峻的是, 目标检测网络通常比标准的卷积神经网络 (convolutional neural network,
CNN) 层次更深、算子更多样、结构更复杂. 这种复杂性导致在恶意敌手环境下应用 SMPC 时, 不同层次间的安
全计算协议极可能出现兼容性问题或功能失配. 因此, 在恶意敌手环境下设计隐私保护目标检测模型 (确保数据保
密性和计算正确性, 同时满足实时效率要求), 仍然是一个关键挑战.
针对上述挑战, 本文提出了一种基于安全多方计算的恶意敌手环境下的安全目标检测方案——MalOD. 该方
案利用复制秘密共享 (replicated secret sharing, RSS) 技术和联合消息传递技术, 在恶意敌手存在的情况下保证数
据保密性和检测精度. MalOD 在计算和通信开销方面进行了优化, 为在严格安全要求下实现隐私保护目标检测提
供了理论基础和实际可行性.
本文的主要贡献总结如下.
● 提出一种面向恶意敌手环境的目标检测推理方案——MalOD, 实现了密文图像的多级特征提取, 并基于此
完成了安全目标检测. 作为首个专门针对恶意敌手环境设计的安全目标检测方案, MalOD 引入了安全特征金字塔
网络 (secure feature pyramid network, SecFPN), 并设计了安全区域提议网络 (secure region proposal network,
SecRPN) 和兴趣区域安全对齐 (secure region of interest align, SecRoIA) 模块. 通过将这些安全计算模块相结合,