[發明專利]抵御惡意樣本攻擊的圖像檢索方法、裝置、設備及存儲介質

有效

• 申請號: 202110192152.6
• 申請日: 2021-02-19
• 公開（公告）號: CN112860932B
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 王勇;王范川;林劼;王曉虎
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F16/55
• 分類號: G06F16/55;G06F16/535;G06F16/51;G06F16/583;G06F21/60;G06F21/62;G06N3/08
• 代理公司: 成都金英專利代理事務所(普通合伙) 51218
• 代理人: 袁英

1.抵御惡意樣本攻擊的圖像檢索方法，其特征在于，包括以下步驟：

利用對抗生成網絡判別樣本圖像集中的惡意樣本圖像；

根據所述惡意樣本圖像重構樣本圖像集，以使所述樣本圖像集過濾所述惡意樣本圖像；

利用前向推理網絡獲取所述樣本圖像集中目標樣本圖像的特征向量；

根據所述目標樣本圖像的特征向量和庫圖像的特征向量，獲取所述目標樣本圖像的檢索結果；

所述利用對抗生成網絡判別樣本圖像集中的惡意樣本圖像步驟，具體包括以下子步驟：

利用秘密共享將樣本圖像集中樣本圖像I分成Ia和Ib，分別將其上傳至給服務器S1和服務器S2；

通過前向推理算法和隨機梯度下降算法計算服務器S1和服務器S2的損失函數，并根據損失函數訓練得到Z^*向量；

利用秘密共享將Z^*向量分成Z^*a和Z^*b并使其分別被服務器S1和服務器S2持有；

通過前向推理算法獲得過濾圖像，判別樣本圖像集中的惡意樣本圖像。

2.如權利要求1所述的抵御惡意樣本攻擊的圖像檢索方法，其特征在于，所述通過前向推理算法和隨機梯度下降算法計算服務器S1和服務器S2的損失函數，并根據損失函數訓練得到Z^*向量步驟，具體包括：

利用公鑰pk將模型參數加密，并將公鑰pk和加密模型交給服務器S1，私鑰交給服務器S2；

服務器S1和服務器S2利用PAHE法和兩方安全計算執行前向推理算法；

利用秘密共享將前向推理算法結果G(z)分成G(z)a和G(z)b，分別交給服務器S1和服務器S2。

3.如權利要求1所述的抵御惡意樣本攻擊的圖像檢索方法，其特征在于，所述通過前向推理算法和隨機梯度下降算法計算服務器S1和服務器S2的損失函數，并根據損失函數訓練得到Z^*向量步驟，還包括：

代入損失函數每層的梯度值，以WGAN網絡對獲得的損失函數進行鏈式計算，獲取損失函數結果值。

4.如權利要求1所述的抵御惡意樣本攻擊的圖像檢索方法，其特征在于，所述利用前向推理網絡獲取所述樣本圖像集中目標樣本圖像的特征向量步驟，具體包括：

對于過濾后的圖像，利用秘密共享分成兩個部分Ia和Ib分別被服務器S1和服務器S2所擁有；

服務器S1和服務器S2合作執行代理重加密，將秘密分享形式的圖像轉換為代理重加密密文[I]；

服務器S1和服務器S2利用PAHE技術結合兩方安全技術執行CNN前向推理網絡，獲得特征向量V；

利用秘密共享將特征向量V分成兩個部分：Va和Vb，其中：V＝Va-Vb，分別被服務器S1和服務器S2持有。

5.如權利要求4所述的抵御惡意樣本攻擊的圖像檢索方法，其特征在于，所述根據所述目標樣本圖像的特征向量和庫圖像的特征向量，獲取所述目標樣本圖像的檢索結果步驟，具體包括：

對于特征向量v，都有唯一的表示id，通過hash算法建立索引，即將具有相同分類標簽的特征向量放入同一個桶內；

對于查詢圖像Iq，利用秘鑰共享將其劃分為兩個部分，即Iqa和Iqb，其中：Iq＝Iqa-Iqb，分別將其上傳至服務器S1和服務器S2；

通過歐式距離計算協議，不泄露特征向量的計算向量之間的歐式距離；

通過獲取top-k距離的圖像id，分別將其秘密分享形式的結果圖像發送給查詢用戶。

6.如權利要求5所述的抵御惡意樣本攻擊的圖像檢索方法，其特征在于，所述通過獲取top-k距離的圖像id，分別將其秘密分享形式的結果圖像發送給查詢用戶步驟之后，還包括：

查詢用戶通過對獲取的結果圖像求差，獲得真實的圖像的結果集。