一种用于隐私保护机器学习的定点数编码及运算系统技术方案

本发明专利技术属于网络空间安全技术领域，具体为一种用于隐私保护机器学习的定点数编码及运算系统。该系统包括定点数表示模块，定点数加法模块以及定点数乘法模块，本发明专利技术将有限域中定点数编码方式用于隐私保护机器学习中，以提供隐私保护机器学习中定点数编码与运算的整体解决方案为目标，实现了隐私保护机器学习中定点数编码方案及运算机制。使用本发明专利技术系统表示定点数的机器学习框架训练的模型(如线性回归，逻辑回归，BP神经网络和LSTM神经网络)，与现有的机器学习框架相比，可以几乎相同的精度执行预测和分类任务。

A fixed point number coding and computing system for privacy preserving machine learning

【技术实现步骤摘要】
一种用于隐私保护机器学习的定点数编码及运算系统
本专利技术属于网络空间安全
，具体为一种用于隐私保护机器学习的定点数编码及运算系统。
技术介绍
机器学习已广泛应用于各自实际场景。比如，互联网公司收集海量用户行为数据训练更精确的推荐模型。医院收集健康数据生成诊断模型。金融企业使用历史交易记录训练更准确的欺诈模型。在机器学习中，数据规模对于模型准确率起着重要作用。然而，分布在多个数据源或个人中的数据不能简单合并。如GDPR之类与隐私问题相关的法规，企业保持竞争优势方面的考虑和数据主权相关的问题使得数据无法被公开共享。基于安全多方计算的隐私保护机器学习，允许不同主体在其联合数据上训练各自模型，而不会泄露除最终模型之外的任何信息。隐私保护的机器学习在本专利技术中特指基于安全多方计算协议的隐私保护机器学习。它允许不同的主体在其联合数据上训练各种模型，而不会泄露最终模型(或加密版本)之外的任何信息。其中安全多方计算协议特指BGW协议。在机器学习中，通常使用浮点数进行计算，训练数据经过归一化之后通常分布在[0,1]之间。训练模型本文档来自技高网...

【技术保护点】
1.一种用于隐私保护机器学习的定点数编码及运算系统，其特征在于，包括如下三个部分，分别是定点数表示模块、定点数加法模块以及定点数乘法模块；其中：/n所述定点数表示模块，用于在隐私保护机器学习中编码机器学习所需定点数；/n所述定点数加法模块，用于在隐私保护机器学习中进行定点数加法运算；/n所述定点数乘法模块，用于在隐私保护机器学习中进行定点数乘法运算。/n

【技术特征摘要】
1.一种用于隐私保护机器学习的定点数编码及运算系统，其特征在于，包括如下三个部分，分别是定点数表示模块、定点数加法模块以及定点数乘法模块；其中：
所述定点数表示模块，用于在隐私保护机器学习中编码机器学习所需定点数；
所述定点数加法模块，用于在隐私保护机器学习中进行定点数加法运算；
所述定点数乘法模块，用于在隐私保护机器学习中进行定点数乘法运算。


2.根据权利要求1所述的用于隐私保护机器学习的定点数编码及运算系统，其特征在于，在定点数表示模块中，使用表示定点小数，表示在范围[-2k-f-1，2k-f-1-2f]之间每隔2-f采样的有理数，定点数通过两个步骤在整数域中进行编码；
首先，定点小数通过函数int：被映射到带符号整数
其次，带符号整数通过函数fld：被编码在整数域其中q＞2k，通过类似于二进制补码的形式将带符号整数编码在整数域。


3.根据权利要求1所述的用于隐私保护机器学习的定点数编码及运算系统，其特征在于，在定点数加法模块中，令与它们对应的整数表示
如果f1＝f2，则这两个定点数在加法时使用与整数相同的协议进行运算，
否则，需要缩放其中一个操作数，使得它们的小数位数相同；例如，当f2＞f1时，先将的小数点与对齐得到然后通过计算得到的值，无论秘密共享的定点数与常数或另一个秘密共享的...

【专利技术属性】
技术研发人员：汤定一，韩伟力，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海;31