基于全同态加密（FHE）的自动驾驶车辆云端图像数据安全处理技术研究

为解决自动驾驶车辆云端图像数据隐私保护难题，研究人员创新性地采用BFV全同态加密（FHE）方案结合YOLOv9c目标检测算法，开发了支持加密图像相似度检索、已知/未知物体识别的三重安全搜索机制。该研究在保持数据加密状态下实现高效处理，为智能交通系统提供了兼顾隐私保护与计算效能的解决方案，相关成果发表于《Kuwait Journal of Science》。

　　

在自动驾驶技术快速发展的今天，车辆通过各类传感器持续采集环境图像数据已成为常态。这些海量数据需要上传至云端进行存储和分析，但传统加密技术如AES或RSA存在明显局限——它们虽能保障数据静态安全，却无法支持对加密数据的直接计算处理。这就造成了一个两难困境：要么解密数据牺牲隐私，要么保持加密状态丧失计算能力。更严峻的是，现有基于索引的加密搜索方法不仅存在安全漏洞，其固定搜索模式还容易被攻击者追踪，而部分同态加密（PHE）和部分同态加密（SHE）方案又受限于有限的计算操作类型。这些技术瓶颈严重制约了自动驾驶系统在云端的安全数据处理能力。

针对这一系列挑战，研究人员开展了一项突破性研究，提出将Brakerski/Fan-Vercauteren（BFV）全同态加密（FHE）方案与YOLOv9c目标检测算法相结合的新型解决方案。该研究通过三个创新性的加密搜索方法——百分比相似度检测、未知物体检测和已知物体检测，首次实现了在完全加密状态下对自动驾驶图像数据的多维度安全处理。相关成果发表在《Kuwait Journal of Science》上，为智能交通系统的隐私保护提供了重要技术支撑。

研究团队采用了多项关键技术方法：首先利用YOLOv9c模型（精度达90.0%，F1分数0.941）进行高效物体检测；其次采用基于学习误差问题（LWE）的BFV-FHE方案实现加密计算；最后开发了三种加密搜索算法，包括基于像素差值的相似度评估、物体位置模式匹配等技术。实验数据来自Kaggle提供的22,241张自动驾驶场景图像数据集。

研究结果部分，"YOLOv9c性能"显示该模型在目标检测任务中达到94.8%的精确度和86%的召回率，显著优于前代版本。"BFV加密影响分析"表明加密后图像体积膨胀571倍（38.2KB→21.8MB），但通过批处理和并行计算优化，单图加密时间控制在1.05秒。"三重搜索机制性能"部分显示：相似度搜索在22,241张图像中耗时45分58秒；已知物体搜索效率最高（50个物体搜索仅4.06秒）；未知物体搜索则通过创新的"零序列定位"方法，成功识别出最小664B的加密物体。

"安全性能比较"部分指出，相较于传统Paillier加密方案，BFV-FHE将256×256图像的加解密时间分别缩短至0.18秒和0.09秒，搜索效率提升5-10倍。特别值得注意的是，该方法完全规避了索引型加密搜索的固有缺陷，通过全同态运算实现了真正的"计算无解密"安全模式。

这项研究的重要意义在于：首次将FHE技术系统性地应用于自动驾驶的云端图像处理场景，解决了加密数据无法直接计算的行业难题。提出的三重搜索机制突破了传统加密检索的功能局限，其中未知物体检测方法尤其具有创新价值。虽然加密存储开销较大，但通过云存储成本优化和边缘计算分流，该方案已展现出实际应用潜力。研究为智能交通系统的隐私保护提供了新范式，其技术路线也可拓展至医疗影像、安防监控等敏感数据处理领域。未来通过硬件加速和算法优化，有望进一步降低计算延迟，推动FHE技术在实时系统中的广泛应用。