高胜，向康，田有亮，谭伟杰，冯涛，吴晓雪

（1.贵州大学计算机科学与技术学院公共大数据国家重点实验室，贵州 贵阳 550025；2.中央财经大学信息学院，北京 100081；3.贵州大学密码学与数据安全研究所，贵州 贵阳 550025；4.兰州理工大学计算机与通信学院，甘肃 兰州 730050；5.贵州省计量测试院，贵州 贵阳 550000）

1 引言

机器学习等相关技术的发展使大数据中的有利信息得以被挖掘和利用。在实际生活中，数据的分布并不是只存在于一个数据站点，而是多样化地分布于多个数据站点。因此，数据共享[1-2]已成为数据挖掘等相关领域的研究热点，而数据隐私泄露等安全问题是数据共享技术中的发展瓶颈。传统的基于安全多方计算（SMC,secure multi-party computation）[3-4]的解决方案效率低下且可行性较差，无法真正实现对大数据[5]的处理。

在实际的数据特征学习过程中，对数据进行较复杂的分析、模型构造以及优化通常是比较困难的，导致客户端背负着沉重的计算成本。甚至部分企业或用户由于受限于自身对数据处理的能力而无法挖掘出有用的信息，只能依托于云服务[6-7]提供商进行特征提取和模型训练。因此，基于传统的委托计算思想引出数据多点分布时的数据外包挖掘方法具有重要的实际应用价值。本文将这种数据外包挖掘的方式命名为联合委托学习，如图1 所示。

图1 联合委托学习

在数据多点分布时进行联合委托学习需要考虑以下需求。

1) 在数据共享中，不仅要避免用户隐私数据的泄露，而且必须保证加密后的数据满足数据挖掘的条件。……