一种基于同态加密的隐私保护设备识别模型设计及使用方法技术

一种基于同态加密的隐私保护设备识别模型设计及使用方法，收集训练基于同态加密的隐私保护设备识别模型所需要的设备指纹特征，将卷积神经网络(CNN)用于使用同态加密的设备识别模型的训练过程中，保证发起查询方与云端设备是被模型的可信交互，确保云端对数据从加密到解密之间的交互过程中对原始数据的不可见性。

【技术实现步骤摘要】
一种基于同态加密的隐私保护设备识别模型设计及使用方法
本专利技术涉及数据安全技术和工业控制
，具体而言，涉及一种基于同态加密的隐私保护设备识别模型设计及使用方法。
技术介绍
由于解密的高度复杂性，同态加密可以有效的保护敏感数据不被解密和窃取，在深度学习中，同态加密为模型提供了对加密数据进行预测的能力，故主要用于保护预测输入和结果。Phong等人提出了一个隐私保护深度学习系统，使用异步随机梯度下降应用于神经网络连接深度学习和密码学，并结合了同态加密技术(LeTrieuPhong,YoshinoriAono,TakuyaHayashi,LihuaWang,ShihoMoriai.Privacy-PreservingDeepLearningviaAdditivelyHomomorphicEncryption.IEEETransactionsonInformationForensics&Security,2018)。Orlandi等人提出在将激活函数的评估委托给客户端之前,对标量积结果进行隐藏,并在神经网络的结构中添加了一些假神经本文档来自技高网...

【技术保护点】
1.一种基于同态加密的隐私保护设备识别模型设计方法，其特征在于，/n收集训练基于同态加密的隐私保护设备识别模型所需要的设备指纹特征，将卷积神经网络(CNN)用于使用同态加密的设备识别模型的训练；/n在训练中，所述卷积神经网络(CNN)包括：输入层、卷积层、激励层、池化层、全连接层和输出层；/n所述输入层，用于输入收集训练模型所需要的设备指纹特征，包括粗粒度特征和细粒度特征；/n所述卷积层，用于从数据中学习特征，取输入层输出的一个子集进行计算，此步骤仅包括加法和乘法，通过同态加密机制对加密数据进行计算；/n所述激励层，使用模拟激励函数的导数的方法得到激励函数的多项式逼近，从而将同态加密方案使用到...

【技术特征摘要】
1.一种基于同态加密的隐私保护设备识别模型设计方法，其特征在于，
收集训练基于同态加密的隐私保护设备识别模型所需要的设备指纹特征，将卷积神经网络(CNN)用于使用同态加密的设备识别模型的训练；
在训练中，所述卷积神经网络(CNN)包括：输入层、卷积层、激励层、池化层、全连接层和输出层；
所述输入层，用于输入收集训练模型所需要的设备指纹特征，包括粗粒度特征和细粒度特征；
所述卷积层，用于从数据中学习特征，取输入层输出的一个子集进行计算，此步骤仅包括加法和乘法，通过同态加密机制对加密数据进行计算；
所述激励层，使用模拟激励函数的导数的方法得到激励函数的多项式逼近，从而将同态加密方案使用到所述激励层的计算过程中；
所述池化层，用于从数据中进行子采样并减小处理数据的长度，具体的，采用平均池化的放大版本，计算所有值的总和，但不用进一步其除以值的数量，这一步骤可以通过加法来实现平均池化，不会影响算法的深度；
所述全连接层，用于将全连接层中的每个神经元都连接到所述池化层中的所有神经元，每个连接都由一个称为权重的值表示，在整个池化层上每个节点输出一个加权和，满足同态加密方案的加法操作要求。


2.根据权利要求1所述的基于同态加密的隐私保护设备识别模型设计方法，其特征在于，
在所述输入层中，所述粗粒度特征指设备类型，设备品牌，设备型号和固件版本号，设备所使用的端口号，细粒度特征指设备通信所使用的TCP协议的报头字段中的协议报头长度字段Len，首次等待超时时间字段RTT，报头可选项TCPSegment以及报文最长等待时间RTO。


3.根据权利要求1所述的基于同态加密的隐私保护设备识别模型设计方法，其特征在于，
所述卷积层的所用同态加密机制为DGHV全同态加密算法。


4.根据权利要求1所述的基于同态加密的隐私保护设备识别模型设计方法，其特征在于，
在所述激励层中，模拟激励函数为ReLU(RectifiedLinearUnit)函数，使用ReLU可以一定程度减小运算量，避免层数增加的问题，其公式如下：



ReLU函数的导数类似于Step函数，并且在0点处是不可微的，其求导后公式如...

【专利技术属性】
技术研发人员：闻宏，李春茂，王鑫，刘功生，王翔，王潇健，
申请(专利权)人：深圳市捷讯云联科技有限公司，
类型：发明
国别省市：广东;44