[發明專利]一種云計算環境下高效和隱私保護的單層感知機學習方法

有效

• 申請號: 201810028163.9
• 申請日: 2018-01-11
• 公開（公告）號: CN108259158B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 陳曉峰;王晶晶;張肖瑜;王劍鋒
• 申請（專利權）人: 西安電子科技大學
• 主分類號: H04L9/00
• 分類號: H04L9/00;H04L29/06;G06K9/62;H04L9/08
• 代理公司: 西安長和專利代理有限公司 61227
• 代理人: 黃偉洪

本發明屬于云計算技術領域，公開了一種云計算環境下高效和隱私保護的單層感知機學習方法，包括客戶端，給定安全參數，用于運行對稱同態加密算法的密鑰生成算法計算公開參數和密鑰，然后運行加密算法，用密鑰加密訓練數據，得到相應的密文，并將密文和相關的期望輸出發送給云服務器，訓練過程中協助云服務器判斷點積結果的正負性，訓練任務結束后解密接收到的最終最優權重向量的密文，得到單層感知機預測模型；云服務器，用于存儲訓練數據，訓練單層感知機模型，訓練任務結束后將最終最優權重向量的密文發送給客戶端。安全分析表明本發明在訓練過程中可以保護訓練數據、中間結果以及最優預測模型的隱私；在計算開銷和通信開銷方面是高效的。

技術領域

本發明屬于云計算技術領域，尤其涉及一種云計算環境下高效和隱私保護的單層感知機學習方法。

背景技術

云計算是格計算、并行計算和分布式計算的融合和發展。它不僅可以提供軟件服務，也可以提供硬件服務，可以為存儲數據提供方便性并提高處理數據的效率。因此，擁有資源受限設備的用戶往往以一種按需付費方式外包他們的數據和大量的計算任務給云服務器。然而，云計算的事務處理很大程度上依賴于虛擬云，可能會受到惡意攻擊。此外，網絡的開放性和異構性也不可避免地給存儲在云服務器上的數據帶來安全問題。因此，外包范式會給用戶的隱私信息帶來潛在的威脅，隱私信息可能是來自政府、醫院、銀行或企業的敏感數據。如今，在很多國家，隱私保護已經被寫進法律，例如，歐盟數據保護指令和美國隱私法(HIPAA，COPPA，GLB，FRC等等)。在云服務器的幫助下進行大數據分析和建立決策支持模型是最具有前景的基于云計算技術的研究課題之一。隨著高速網絡、社交網絡以及電子商業的發展，產生了前所未有的數據，其中包含了大量有價值的信息，例如，用戶的行為信息以及設備的狀態信息等等。人們通常使用數據挖掘和機器學習技術從大數據倉庫中提取有用的信息。具有強大的學習大數據特征能力的神經網絡經常在很多場景中用來高效的預測輸出。同時，神經網絡深度學習的發展已經在圖像、語音以及文本識別方面做出了突破性的進展。此外，單層感知機模型是廣泛使用的神經網絡模型之一，由于簡潔性，在很多場景中它比其他復雜模型更加高效和適用，并且被廣泛的應用在金融領域分析風險、應用在電子醫療領域預測各種疾病等等。因此，神經網絡近年來受到了越來越多的關注。然而，考慮到數據量之大、數據種類之多、數據流的高速性以及本地存儲和計算資源的有限性，客戶端往往外包數據存儲和模型訓練任務給云服務器。在這種場景中，我們關注存儲在云服務器中訓練數據的隱私。近年來，這一問題得到了許多研究者的研究。最近，Wang[Wang G,Lu R,Huang C.PSLP:Privacy-preserving single-layer perceptron learning for e-Healthcare[C].Proceedings of 10th International Conference on Information,Communications and Signal Processing,2015:1-5]基于paillier密碼系統提出了一個隱私保護單層感知機學習方案(Privacy-Preserving Single-Layer PerceptronLearning Scheme，PSLP)。在PSLP方案中，一方面，在訓練過程中PSLP方案會泄露敏感的醫療數據和最終最優的權重向量，主要原因是使用paillier密碼系統計算云服務器必須要得到權重向量的明文因此，云服務器根據一個方程一個未知數可以求解出醫療數據另一方面，由于paillier加密方案的效率不高導致PSLP方案中單層感知機模型的訓練效率較低；此外，由于云服務器在訓練數據的密文上計算需要權重向量的明文，所以，每當權重向量被更新，云服務器需要傳送更新后的權重向量的密文給客戶端，然后客戶端需要將解密的權重向量返回給云服務器，因此，在PSLP方案中有較多的通信開銷。進一步，Zhang[Zhang C,Zhu L,Xu C,et al.PPDP:An efficient and privacy-preservingdisease prediction scheme in cloud-based e-Healthcare system[J].FutureGeneration Computer Systems,2018,79:16-25]基于單層感知機模型，提出一個隱私保護疾病預測方案(Privacy-Preserving Disease Prediction Scheme，PPDP)。一方面，PPDP方案的計算開銷較大，在PPDP方案中，每個向量經過加密后變成一個對應的密文矩陣，之后訓練階段的計算都是建立在這些矩陣上，所以，訓練階段有大量的矩陣相乘操作；此外，訓練過程中權重向量需要在客戶端進行更新，更新過程需要較多的矩陣相乘操作，矩陣相乘操作的時間復雜度是O(n³)，且由于客戶端資源的有限性，所以，更新過程會嚴重影響整個方案的效率，因此，PPDP方案的計算開銷較大。另一方面，PPDP方案的通信開銷較大，在PPDP方案中，權重向量需要被更新時，云服務器需要將一個密文矩陣發送給客戶端，客戶端更新后需要將更新后的權重向量的密文矩陣再發送給云服務器，加之訓練過程是迭代的，所以，PPDP方案訓練過程中的通信開銷較大。同時，在PPDP方案中，一個明文向量對應一個密文矩陣，所以，在云服務器端PPDP方案需要更多的存儲空間。此外，在PPDP方案中，密鑰矩陣和向量的維度是根據訓練數據的特征維度確定的，當特征維度增加或者減小時，PPDP方案需要生成新的密鑰，并對所有的訓練數據重新加密，因此，PPDP方案缺乏可擴展性。