[發(fā)明專利]基于神經(jīng)網(wǎng)絡(luò)編碼和保內(nèi)積加密的數(shù)據(jù)檢索方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110339370.8
• 申請(qǐng)日: 2021-03-30
• 公開（公告）號(hào): CN112883426B
• 公開（公告）日: 2022-08-09
• 發(fā)明（設(shè)計(jì)）人: 李旭陽;牛鑫
• 申請(qǐng)（專利權(quán)）人: 國網(wǎng)河南省電力公司經(jīng)濟(jì)技術(shù)研究院
• 主分類號(hào): G06F21/62
• 分類號(hào): G06F21/62;G06F21/60;G06F16/2455;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢紅觀專利代理事務(wù)所(普通合伙) 42247
• 代理人: 李季

1.一種基于神經(jīng)網(wǎng)絡(luò)編碼和保內(nèi)積加密的數(shù)據(jù)檢索方法，其特征在于，所述方法包括：

根據(jù)數(shù)據(jù)查詢標(biāo)簽進(jìn)行分類標(biāo)簽向量表示；

以原始查詢數(shù)據(jù)為輸入、以分類標(biāo)簽向量為輸出訓(xùn)練反饋神經(jīng)網(wǎng)絡(luò)模型，待模型收斂后，分別提取隱含層向量作為查詢數(shù)據(jù)的特征向量和查詢條件的特征向量；

采用保內(nèi)積加密方法分別對(duì)查詢數(shù)據(jù)特征向量和查詢條件的特征向量進(jìn)行加密，得到安全查詢索引和安全查詢陷門；

所述采用保內(nèi)積加密方法對(duì)查詢數(shù)據(jù)的特征向量進(jìn)行加密具體包括：

定義一對(duì)D+1維的秘鑰M和M^-1，D為特征向量維度；

對(duì)查詢數(shù)據(jù)特征向量進(jìn)行擴(kuò)展，并采用秘鑰M對(duì)擴(kuò)展后的查詢數(shù)據(jù)特征向量進(jìn)行加密；

對(duì)查詢條件特征向量進(jìn)行擴(kuò)展，并采用秘鑰M^-1對(duì)擴(kuò)展后的查詢條件特征向量進(jìn)行加密；

將加密后的查詢數(shù)據(jù)密文特征向量作為安全查詢索引，用于在云端進(jìn)行共享匯聚；

將加密后的查詢條件密文特征向量作為安全查詢陷門，用于檢索相關(guān)查詢數(shù)據(jù)；

所述對(duì)查詢數(shù)據(jù)特征向量進(jìn)行擴(kuò)展的公式為：在擴(kuò)展前的初始值為

所述對(duì)查詢條件特征向量進(jìn)行擴(kuò)展的公式為：其中r為任意隨機(jī)數(shù)；

將安全查詢索引和安全查詢陷門進(jìn)行相似度計(jì)算，將計(jì)算結(jié)果按降序進(jìn)行Top K排序，反饋檢索結(jié)果；

所述將安全查詢索引和安全查詢陷門進(jìn)行相似度計(jì)算具體包括：

將安全查詢陷門與所有待查詢數(shù)據(jù)的安全查詢索引逐一內(nèi)積計(jì)算，計(jì)算公式為：

其中和分別表示不同查詢數(shù)據(jù)的安全查詢索引，和表示不同查詢數(shù)據(jù)的加密前的擴(kuò)展特征向量，i、j為不同查詢數(shù)據(jù)對(duì)應(yīng)的下標(biāo)，i≠j，為安全查詢陷門，計(jì)算結(jié)果的數(shù)值大小表示查詢數(shù)據(jù)索引與查詢條件的差異性，數(shù)值越小，表示相似度越大，數(shù)值越大，表示相似度越小。

2.根據(jù)權(quán)利要求1所述基于神經(jīng)網(wǎng)絡(luò)編碼和保內(nèi)積加密的數(shù)據(jù)檢索方法，其特征在于，所述根據(jù)數(shù)據(jù)查詢標(biāo)簽進(jìn)行分類標(biāo)簽向量表示具體包括：

根據(jù)數(shù)據(jù)查詢標(biāo)簽，設(shè)置分類標(biāo)簽集合，并采用一維向量表示，標(biāo)簽向量中每個(gè)維度表示一種查詢標(biāo)簽，如果某條數(shù)據(jù)符合該查詢標(biāo)簽，則將標(biāo)簽向量中該查詢標(biāo)簽對(duì)應(yīng)的維度設(shè)置為1，否則設(shè)置為0。

3.根據(jù)權(quán)利要求2所述基于神經(jīng)網(wǎng)絡(luò)編碼和保內(nèi)積加密的數(shù)據(jù)檢索方法，其特征在于，所述反饋神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱含層、輸入層，輸入層接收原始查詢數(shù)據(jù)X，輸出層對(duì)應(yīng)分類標(biāo)簽向量，隱含層神經(jīng)元數(shù)量為查詢數(shù)據(jù)維度的每個(gè)神經(jīng)元與輸入層和輸出層進(jìn)行全連接；

所述反饋神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過程中，隱含層神經(jīng)元采用公式進(jìn)行前向計(jì)算，并采用公式ΔW＝α·X·y_i·(1-y_i)·(l_i-y_i)進(jìn)行反向權(quán)重修正，X為輸入層接收的原始查詢數(shù)據(jù)，W為權(quán)重，ΔW表示權(quán)重修正量，y_i為輸出層，l_i為分類標(biāo)簽向量中的分類標(biāo)簽，α為學(xué)習(xí)率，權(quán)重W初始化采取隨機(jī)初始化方式，值域范圍為W～[0,1]。

4.根據(jù)權(quán)利要求3所述基于神經(jīng)網(wǎng)絡(luò)編碼和保內(nèi)積加密的數(shù)據(jù)檢索方法，其特征在于，待模型收斂后，分別提取隱含層向量作為查詢數(shù)據(jù)的特征向量和查詢條件的特征向量具體包括：

待反饋神經(jīng)網(wǎng)絡(luò)模型收斂后，輸入原始查詢數(shù)據(jù)X，提取隱含層向量作為查詢數(shù)據(jù)的特征向量；

輸入查詢條件X'＝[x'₁,x'₂,....,x'_n]，提取隱含層向量作為查詢條件的特征向量，所述查詢條件用于檢索查詢數(shù)據(jù)。