阅读段普宏先生的论文《Fusion of Multiple Edge-Preserving Operations》整理的阅读笔记PPT

摘要—网络监控在现代云和数据中心网络中至关重要，这些网络需要从流量大小分布到heavy hitters的各种流量统计数据。为了应对不断增长的网络速率和巨大的流量，基于sketch的近似测量已经被广泛研究，以牺牲内存和计算成本的准确性，不幸的是，这对于哈希冲突很敏感。 该文提出了一种保持聚类的sketch方法，能够抵抗哈希冲突。我们根据K-均值聚类对sketch进行等效分析。根据分析结果，我们将相似的网络流聚类到同一个桶数组，以减少估计方差，并使用平均值来获得无偏估计。测试平台表明，该框架适应线路速率，并提供准确的查询结果。真实世界的跟踪驱动模拟显示，LSS在大范围参数下保持稳定的性能，并显著优

隐私保护课老师让读的论文，结合论文和网上的资料做了一些总结。主要是针对文章内容和秘密分享值上的加法和乘法运算的总结，还有秘密分享值上的运算是如何应用到线性回归和逻辑回归上，从而实现隐私保护的机器学习模型的。关于隐私保护的神经网络和系统测试部分ppt里涉及的较少。

保边滤波器

Shape-Preserving Half-Projective Warps for Image Stitching.pdf

Deep Attributed Network Embedding by Preserving Structure and Attribute Information

Building_Privacy-Preserving_Cryptographic_Credentials_From_Federated_Online_Identities 安全建设 零信任 应用安全 红蓝对抗 企业安全

差分隐私 差分隐私学习与集成 1.直观的解释 2.学术论文 2.1 调查 差分隐私的算法基础 差分隐私和应用 CCS、S&P、NDSS、USENIX、Infocom 中的差异隐私论文 SoK：差异隐私 2.2 课程 差异隐私研讨会，秋季 19/20 CSE 660 秋季 2017 cs295-数据隐私 隐私研究小组 CS 860-私有数据分析算法-2020年秋季 2.3 一些机制 集中差分隐私：简化、扩展和下限 2.4 2015-2019 年 CCS、S&P、NDSS、USENIX、Infocom 中的差异隐私（其中一些来自 2020 年） 民意调查 3. 视频 差分隐私的最新进展 II 差分隐私的最新发展 I 采样隐私放大与人一差分隐私 差分隐私：从理论到实践 4. 代码 4.0 代码实现DP算法 4.1 K-匿名算法 4.2 随机响应 4.3 拉普拉斯和指数机制 4

Format-Preserving-Encryption-master.zip

隐私保护联合学习I 我的“最后一年”项目的源代码-隐私保护联合学习（I） 数据预处理 在以下位置下载原始数据： : 运行Data_Preprocessing.py以生成该项目所需的所有数据文件 集中学习 在Centralized_Training.py中：（1）运行train_model（epochs）以运行模型（2）运行threshold_calculation（Path）以获取阈值（3）运行valuate_model（）以获取TP，FP，TN，FN，准确性，精度和召回模型 个人学习 在Individual_Training_Client1.py，Individual_Training_Client2.py，Individual_Training_Client3.py中：（1）运行train_model（epochs）以运行模型（2）运行threshold_calculation（P