随着信息技术的快速发展和互联网的全面普及,人类的生产生活已经进入了数字时代。数据,作为一种信息载体,已经成为一种基础且重要的生产资料。在云计算和大数据技术的支撑下,人们可以更好地管理数据并从海量数据中挖掘新的价值。然而,在充分享受大数据带来红利的同时,个人隐私和企业敏感数据的保护也不容忽视。查询是数据分析和处理过程中的一种常见操作。查询的结果可以是满足查询条件的数据记录本身,也可以是一组数据上的某个函数映射。从数据的存储位置上来说,查询模型可以分为数据集中式查询和数据分布式查询。在数据集中式查询中,客户端向提供数据存储的服务方提交查询请求,并获得相应查询结果。例如在数据外包场景中,数据所有者为了节约本地存储和运营成本,将所有数据以及对数据的查询响应任务外包给云服务器。在数据分布式查询中,客户端向一组数据所有者提交查询请求,并获得该组数据上的查询结果。例如在联邦学习场景中,训练过程的每次模型聚合可以被建模为对一组学习参与方的本地模型数据进行聚合查询,其中查询结果是聚合后的模型参数。本文的研究主要关注数据外包和联邦学习场景中的隐私保护查询问题。在数据外包场景中,数据所有者为了保护数据敏感信息,通常会在外包数据前对数据进行加密。但是传统的加密方案会使得数据在被完全解密之前处于无法使用的状态,因此云服务器无法执行任何查询操作。除了数据隐私,在外包数据查询中通常还需要考虑对查询请求和查询结果的隐私保护。换句话说,云服务器在执行搜索时应该尽可能少的获取到与数据和查询相关的信息。在联邦学习场景中,模型聚合过程要求参与方分享自己的本地模型信息。然而,许多研究表明,直接分享本地模型将导致参与方本地数据信息的泄露。围绕这些隐私保护查询问题,本文主要进行了以下三个内容的研究:1.数据外包场景下的安全范围查询。外包数据上的多维范围查询通常涉及数据、查询、结果、单维匹配模式等多种隐私问题。本文基于R树索引结构提出了一个云加密数据上的安全范围查询方案（TRQED）。相比已有工作,本文提出的方案考虑了更加全面的隐私保障并实现了更加高效的搜索效率。此外,我们还讨论了基础方案TQRED中在隐私保护方面的缺陷,并通过采用了双服务器模型,我们提出了一种更加安全的范围查询方案（TRQED+）。在增强方案中,我们设计了安全节点查询和安全数据点查询两个构建块,并提出了茫然R树遍历操作来保护路径模式和单维隐私。为了评估两个方案的性能,我们在真实数据集进行了充分的实验,并与现有的工作进行了详细比较。实验结果表明,我们提出的方案在运行效率和隐私保护两个方面均超过了现有解决方案。2.数据外包场景下的安全天际线查询。天际线查询是一种相似性搜索功能,其目标是获取相对于查询点的所有帕累托（Pareto）相似记录。天际线查询过程需要大量复杂的比较和计算,这给设计安全的天际线查询方案带来很大的挑战。为了在数据外包场景下实现安全并且高效的天际线查询,本文提出了一种基于加法同态加密系统和姚氏混淆电路的混合协议。首先,我们设计了一个茫然选择协议,使得参与者能够茫然地从混淆电路中提取到适当的线路标签来执行下一个计算步骤。这一协议保证了云服务器无法获取到查询过程中的任何中间结果。基于茫然选择协议,我们提出了一种高效且完全安全的动态天际线查询协议。为了评估协议的性能,我们在三个人工数据集和一个真实数据集进行了充分的实验。实验结果表明,我们提出的安全天际线查询协议在执行效率上实现了很大的提升。3.联邦学习场景下的去中心化安全模型聚合查询。对基于联邦学习的分布式模型训练而言,聚合来自不同训练参与方的模型是一个至关重要的步骤,但同时也存在着泄露参与方本地数据隐私的风险。此外,与具有参数服务器的中心化联邦学框架相比,允许参与者之间直接进行P2P通信的去中心化框架对于分布式设备网络而言更具可扩展性。然而,目前关于去中心化联邦学习的研究主要集中在基于不同拓扑结构的通信优化上。本文研究了去中心化联邦学习场景中的安全模型聚合问题,并提出了保护参与方数据隐私的去中心化联邦学习方案。具体而言,通过将每个模型聚合过程建模为由一个节点向其邻近节点发起的聚合查询,我们使用去中心化的动态函数加密构建了一个安全高效的模型聚合协议。基于该协议,我们提出了一个保护隐私的去中心化联邦学习框架,并基于All-Reduce和Gossip两种分布式机器学习架构给出了两个具体的算法实例。