[發明專利]一種基于改進生成對抗網絡的隱私保護方法

在審

• 申請號: 202110385835.3
• 申請日: 2021-04-11
• 公開（公告）號: CN113051617A
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 金煜;邱釗
• 申請（專利權）人: 海南大學
• 主分類號: G06F21/62
• 分類號: G06F21/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于生成對抗網絡的隱私保護方法，其模型結構采用一個類變分自編碼器結構的生成器與三組判別器：真實性判別器、隱私判別器與效用判別器組成的生成對抗網絡模型。通過多組網絡之間對抗訓練得到的生成器，在輸入原始圖片后可以得到隱私保護處理后的圖片。本發明公開一種基于生成對抗網絡的隱私保護方法，可以應用于數據發布前的隱私處理場景，可以克服數據隱私保護力度與數據可用性之間的平衡問題，也可以改善時間空間消耗過大的問題，具有較好的實用性，對隱私保護問題有重要的意義。

技術領域

本發明是涉及一種基于改進生成對抗網絡的隱私保護方法，屬于信息安全技術領域。

背景技術

由于數據對人類生活的重要性，大數據技術給人們生活的方方面面帶來了巨大的便利。但與此同時，由于隱私信息泄露的可能性日益增大，攻擊者手段日益增強，我們的隱私安全時時刻刻遭受著極其嚴重的威脅，社會對隱私保護的需求也愈發強烈。與傳統的隱私保護方法相比，基于機器學習的隱私保護手段也將成為其中重要的一部分。使用機器學習的手段來做到隱私保護不僅有著巨大的市場前景以及社會價值，對機器學習的發展也有著促進作用。

現有技術中關于隱私保護的方法主要有：

1)基于等價類的隱私保護模型：通過對數據集的匿名化，使得多條數據處于一個等價類中，攻擊者僅能確定目標個體在某一等價類中，而無法確認究竟是等價類中的哪條特定數據。由于這種方法對攻擊者的能力做出了嚴格的規定，因此在實際應用場景中受到了極大的限制。

2)基于差分隱私的隱私保護模型：通過噪聲機制向查詢結果中添加噪聲擾動，對真實輸出產生概率擾動，使得攻擊者無法確定目標記錄是否存在于被攻擊的數據集中，但這種方法在查詢次數較多的時候，將會暴露噪聲機制的分布，從而發生真實值的泄露。

3)基于同態加密的隱私保護模型：通過一個復雜的加密函數對原始數據進行加密，此時對明文進行環上的加法和乘法運算再加密，與加密后對密文進行相應的運算，結果是等價的，但這種方法將會造成巨大的時間空間消耗，對需要實時分析數據進行預測的場景不適用。

總之，由于隱私泄露可能性的日益增高，如何在數據發布的時候，保證數據可用性的同時又保證數據中隱私不發生泄露，仍然是隱私保護問題中一個巨大的難點，因此，研發一種實用性強，魯棒性好，又能在滿足特定隱私需求的同時保證特定效用屬性可用性的方法，對現實隱私保護問題具有著重要意義。

發明內容

本發明為了解決現有技術在隱私保護時難以平衡數據可用性與隱私性的問題以及密碼學方法時間空間消耗過高的問題，提出基于改進生成對抗網絡的隱私保護方法。主要包括以下步驟：

步驟S1：對原始圖片進行預處理，并生成標簽文件；

步驟S2：構建基于改進生成對抗網絡的隱私保護網絡；

步驟S3：初始化網絡權重；

步驟S4：將步驟S1預處理后的圖片與標簽文件輸入網絡，完成前向傳播；

步驟S5：將步驟S4前向傳播的結果與輸入的標簽文件計算損失，并更新模型參數；

步驟S6：迭代步驟S4，S5達到指定次數，本發明迭代次數為50次。

步驟S7：使用訓練得到的生成器對原始圖片進行處理得到隱私保護處理后圖片。

與當前現有方法相比較，本發明提出了基于改進生成對抗網絡的隱私保護方法，網絡中包含一個類變分自編碼器結構的網絡作為生成器，判別器由三組真實性判別器、隱私判別器以及效用判別器組成，可以使得生成器處理后的圖片即保證隱私需求又保證一定的數據可用性，并且圖片的真實性同樣存留，有較強的實用性。本方法利用基于改進生成對抗網絡的方法在數據發布前對原始圖片進行脫敏處理。相比已有的方法，本發明提出的方法在可用性與隱私性中達到了平衡，并改善了時間與空間的消耗問題。

附圖說明