聚类作为机器学习中一种常用的算法,已广泛应用于信息检索和模式识别等诸多领域。目前,机器学习中数据集往往呈分布式存储模式,并且数据所有者缺乏充足的存储与计算能力。随着云计算技术的发展,机器学习能够结合云计算的优势,提高分布式数据集的有效利用并解决数据拥有者资源受限的问题。然而,云外包机器学习要求参与者提供原始数据或部分训练参数,可能会导致参与者隐私信息的泄露。隐私计算技术能够在不泄露原始数据的前提下,对数据进行计算与分析,从而能够解决云环境下机器学习存在的安全和隐私问题。本文针对云环境下多方K-means隐私计算进行研究,着眼于隐私保护K-means聚类中可能存在的合谋攻击、不一致分享攻击等,提出针对以上问题的隐私保护K-means聚类方案。本文研究内容主要包括如下两个方面:1.提出一种抗合谋攻击的隐私保护K-means聚类方案。该方案中,假设数据纵向分布在多方,云服务器和参与者利用安全乘法协议和安全欧几里得距离计算协议,对样本划分聚类,并设计一个新的安全除法协议,使云服务器和参与者可以通过交互计算出新的聚类中心。此外,在参与者个数为n的情况下,所提方案在保证参与者数据隐私的基础上可以抵抗云服务器与n-1个参与者的合谋攻击,避免训练过程中聚类中心被泄露。最后对方案进行了安全性分析和仿真实验,结果表明该方案可以实现隐私保护并获得高精度的聚类结果。2.提出一种具有验证机制的隐私保护K-means聚类方案。在该方案中,假设数据横向分布在多方,云服务器和参与者在加密样本上执行K-means聚类算法。所提方案能够保证参与者样本安全,且不会泄露迭代过程中的聚类中心。此外,该方案基于秘密共享、哈希函数和区块链技术设计验证机制,可以在更新聚类中心时验证参与者的秘密份额,从而抵抗恶意参与者的不一致共享攻击。最后对方案进行了安全性分析和仿真实验,结果表明该方案可以实现隐私保护并获得高精度的聚类结果。