在数据智能时代,机器学习技术在各行各业取得了爆发式的应用。训练一个机器学习模型需要海量的数据、服务器资源以及算法科学家的参与,具有一定的门槛,因此出现了机器学习推断服务:服务商将训练好的机器学习模型封装为一个接口,作为一项服务对外提供。任何人都可以提交自己的数据,获得相应的推断结果。机器学习推断服务的普及大大降低了机器学习的门槛,但在当前的机器学习推断服务系统中,客户需要将数据以明文形式直接提交给服务商,牺牲了自己的隐私。同时,机器学习模型属于服务商的私有资产,因此不能把模型直接发送给客户,由客户本地执行运算后获得推断结果。更重要的是,近年来各国出台了不少有关数据安全的法律法规,对于数据安全和隐私保护有了更加严格的规定。而在机器学习推断服务系统中,决策树模型占据半壁江山。因此,如何设计一个高效的具有隐私保护特性的决策树推断服务系统,成为了一个研究重点。本文主要研究内容如下:1.对于决策树推断服务系统中,各个参与方隐私保护的需求进行了详细分析。明确了服务商决策树模型大小无法保护的原因,给出了通过添加哑节点进行预处理,对决策树模型大小进行盲化的解决方案。在公开经盲化的决策树模型大小后,即可使用基于秘密共享的安全多方计算技术进行系统设计。使用基于秘密共享的安全多方计算方案,避开了开销较大的公钥密码学原语,大大降低了计算开销,减少了通信开销,使在手机等轻量级设备上运行具有隐私保护特性的决策树推断服务成为可能。2.为了使具有隐私保护特性的决策树推断服务系统能够运行,普遍需要服务商把决策树模型的结构告知参与方,为此服务商需要将决策树扩充为完美二叉树,从而保护决策树模型的结构,但这直接将性能开销提升了指数倍。本文根据秘密共享方案中,逻辑非门运算的特点,提出了一种客户无须获得决策树模型全部结构,即可运行安全计算协议的方案,从而无需使决策树模型扩展为完美二叉树。在实现隐私保护需求的同时,避免了整个系统开销指数级的提升。3.根据决策树推断服务系统的特点,本文将整个系统设计拆分为了四个基础模块:属性选择模块、比较运算模块、决策索引向量生成模块和决策结果求值模块。并且针对这四个模块的特点,分别设计了定制化高效的基于秘密共享的安全两方计算协议,并证明了各协议的安全性。相比直接使用朴素的通用方案实现各模块,性能有较大程度提升。通过对于基础模块的顺序组合,本文设计的具有隐私保护特性的决策树推断服务系统具有高效、简洁、易懂的特点,且无需可信第三方参与,有利于在真实场景中落地推行。同时,对方案的安全性进行了证明,并通过模拟真实世界的网络环境进行实验,证明了该方案的实用性。