[發明專利]基于神經網絡編碼和保內積加密的數據檢索方法及系統

有效

• 申請號: 202110339370.8
• 申請日: 2021-03-30
• 公開（公告）號: CN112883426B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 李旭陽;牛鑫
• 申請（專利權）人: 國網河南省電力公司經濟技術研究院
• 主分類號: G06F21/62
• 分類號: 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所(普通合伙) 42247
• 代理人: 李季

本發明公開一種基于神經網絡編碼和保內積加密的數據檢索方法及系統，所述方法包括：根據數據查詢標簽進行分類標簽向量表示；以原始查詢數據為輸入、以分類標簽向量為輸出訓練反饋神經網絡模型，待模型收斂后，分別提取隱含層向量作為查詢數據的特征向量和查詢條件的特征向量；采用保內積加密方法分別對查詢數據特征向量和查詢條件的特征向量進行加密，得到安全查詢索引和安全查詢陷門；將安全查詢索引和安全查詢陷門進行相似度計算，將計算結果按降序進行Top K排序，反饋檢索結果。本發明保障數據特征機密性的同時，實現數據安全共享和檢索，可提供多類型、非結構化數據的相似性檢索。

技術領域

本發明屬于數據安全技術領域，具體涉及一種基于神經網絡編碼和保內積加密的數據安全共享檢索方法及系統、設備、存儲介質。

背景技術

近幾年隨著大數據、云計算技術的廣泛應用，在云端提供大數據檢索服務已成為常態，數據提供商將查詢數據外包存儲在云服務器上，通過租賃云服務來降低設備成本和運維成本，用戶通過云服務接口輸入查詢條件檢索查詢數據。不同于傳統意義上的僅針對文本、數值等數據通過精確匹配進行檢索，大數據檢索旨在通過機器學習等技術，對圖像、文本等多類型、非結構化數據進行相似性檢索。

然而，云計算服務往往由第三方提供，云平臺自身開放、第三方等特性決定了云平臺是半可信的，即云平臺忠實地提供服務的同時也有可能造成數據資產被竊取或用戶查詢隱私泄露等數據安全問題，一旦發生信息安全事故，將會對數據提供商、云服務提供商、用戶造成不必要的損失。

盡管已有一些學者針對云環境半可信問題提出了可搜索加密方案，通過對查詢數據每個關鍵詞進行加密，并對進行密文關鍵詞檢索，但傳統可搜索加密技術僅能提供文本關鍵詞或數值數據的精確匹配，難以提供相似性檢索，不適用于多類型、非結構化數據的相似性檢索。

發明內容

有鑒于此，本發明提出了一種基于神經網絡編碼和保內積加密的數據安全共享檢索方法及系統、設備、存儲介質，用于解決云計算服務難以提供相似性加密檢索的問題。

本發明第一方面，公開一種基于神經網絡編碼和保內積加密的數據安全共享檢索方法，所述方法包括：

根據數據查詢標簽進行分類標簽向量表示；

以原始查詢數據為輸入、以分類標簽向量為輸出訓練反饋神經網絡模型，待模型收斂后，分別提取隱含層向量作為查詢數據的特征向量和查詢條件的特征向量；

采用保內積加密方法分別對查詢數據特征向量和查詢條件的特征向量進行加密，得到安全查詢索引和安全查詢陷門；

將安全查詢索引和安全查詢陷門進行相似度計算，將計算結果按降序進行Top K排序，反饋檢索結果。

優選的，所述根據數據查詢標簽進行分類標簽向量表示具體包括：

根據數據查詢標簽，設置分類標簽集合，并采用一維向量表示，標簽向量中每個維度表示一種查詢標簽，如果某條數據符合該查詢標簽，則將標簽向量中該查詢標簽對應的維度設置為1，否則設置為0。

優選的，所述反饋神經網絡模型包括輸入層、隱含層、輸入層，輸入層接收查詢數據，輸出層對應分類標簽向量，隱含層神經元數量為查詢數據維度的每個神經元與輸入層和輸出層進行全連接；

所述反饋神經網絡模型訓練過程中，隱含層神經元采用公式進行前向計算，并采用公式ΔW＝α·X·y_i·(1-y_i)·(l_i-y_i)進行反向權重修正，權重W初始化采取隨機初始化方式，值域范圍為W～[0,1]。

優選的，待模型收斂后，分別提取隱含層向量作為查詢數據的特征向量和查詢條件的特征向量具體包括：

待反饋神經網絡模型收斂后，輸入查詢數據X，提取隱含層向量作為查詢數據的特征向量；