[發明專利]非交互式的保護隱私神經網絡預測方法

有效

• 申請號: 201810975293.3
• 申請日: 2018-08-24
• 公開（公告）號: CN109194507B
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 馬旭;李思;王來花
• 申請（專利權）人: 曲阜師范大學
• 主分類號: H04L41/14
• 分類號: H04L41/14;H04L41/147;H04L9/40;H04L67/10;H04L9/00;H04L9/30
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉國威

1.一種非交互式的保護隱私神經網絡預測方法，其特征是，步驟如下：

首先，神經網絡模型的擁有者S_NN將神經網絡模型NN分解為兩個子模型NN₀，NN₁，滿足NN＝NN₀+NN₁，網絡模型中的權重矩陣以及偏置矩陣滿足以下關系：W＝W₀+W₁，B＝B₀+B₁，然后，S_NN分別將NN₀，NN₁發送給云服務器S₀、云服務器S₁，B₀，B₁是利用加法分享拆分得出的兩個偏置矩陣，W₀，W₁是利用加法分享拆分得出的兩個權重矩陣，W＝{w₁，…}是神經網絡每一層的權重參數矩陣，B＝{b₁，…}是神經網絡每一層的偏置矩陣；

·在詢問階段，由用戶將加密后的輸入數據Enc(x)發送給兩個云服務器S₀、S₁，同時，用戶將其私鑰sk分解為sk₀，sk₁兩個部分，滿足sk＝sk₀+sk₁，用戶將sk₀，sk₁分別發送給云服務器S₀，S₁；

·由于加密算法為加法同態加密，利用云服務器S₀，S₁根據獲取到神經網絡模型，采用sigmoid函數實現密文上的運算；

輸入數據Enc(x)到兩個云服務器S₀、S₁中，得出神經網絡基于輸入數據x的預測值NN(x)；

采用激活函數算法進行計算，對于sigmoid函數，轉化方法如下：

如上式如示，將非線性激活函數轉化為分段的線性函數；

·Setup(1^κ，NN)，S_NN運行該算法，輸出神經網絡子模型NM₀＝(W₀，B₀)，以及NN₁＝(W₁，B₁)，其中，權重矩陣和偏置矩陣滿足以下關系：q為安全素數，其中mod表示取模運算，NN₀，NN₁分別發送給云服務器S₀，S₁，同時，S_NN產生compare()算法中用到的乘法元組[(u，v，w)，…]以及秘密分享值([u]₀，[v]₀，[w]₀)，…]，[([u]₁，[v]₁，[w]₁)，…]，滿足：

w＝uv mod q，[u]₀+[u]₁＝u mod q，[v]₀+[v]₁＝v mod q，[w]₀+[w]₁＝w mod q，[([u]₀，[v]₀，[w]₀)，…]和[([u]₁，[v]₁，[w]₁)，…]分別發放給云服務器S₀，S₁；

·Query(X，pk，sk)：用戶已經擁有公鑰密碼體制ElGamal加密算法的公私鑰對(pk，sk)，加密算法采用加法同態加密ElGamal算法，同時對消息進行加密前作升指數處理g^X；

·Predict(Enc(X)，pk，(S₀，NN₀，Enc(W₁))，(S₁，NN₁，Enc(W₀)))：云服務器S₀，S₁運行該算法，通過一系列的交互計算，以協同的方式完成神經網絡預測，并分別輸出預測值Enc(NN₀(X))以及Enc(NN₁(X))；

·Recover(sk，Enc(NN₀(x))，Enc(NN₁(x)))，用戶收到云服務器S₀，S₁返回的加密預測值，利用自己的私鑰解密后，計算得出最終的神經網絡預測值：

1)

2)Dec_sk(Enc(NN(X)))＝(Y_o，1，Y_o，2，…，Y_o，d)。

2.如權利要求1所述的非交互式的保護隱私神經網絡預測方法，其特征是，Query(X，pk，sk)具體的參數產生方法如下：

1)pk＝(G，p，y)，sk＝x∈_RZ_p-1，其中，G是階為p的乘法循環群，g是其生成元，用戶運行該算法，產生對應于輸入數據X的密文Enc(X)，同時，用戶將密鑰sk拆分成sk₀，sk₁，滿足sk＝sk₀+sk₁ mod q；

2)ElGamal加密算法的加密過程如下，對于消息m，對應的密文為C＝(c₁，c₂)，c₁＝g^k，c₂＝y^km，y＝g^sk，解密過程為