一种基于全同态加密算法的多方深度学习隐私保护方法技术

本发明专利技术提供一种基于全同态加密算法的多方深度学习隐私保护方法。所述基于全同态加密算法的多方深度学习隐私保护方法，包括以下步骤：S1、分别构建参数服务器、解密服务器和N个用户P

【技术实现步骤摘要】
一种基于全同态加密算法的多方深度学习隐私保护方法


[0001]本专利技术涉及深度学习和密码学领域，尤其涉及一种基于全同态加密算法的多方深度学习隐私保护方法。

技术介绍

[0002]同态加密是一种能保护数据隐私的加密算法，如果一个算法能满足：加法同态和乘法同态，那么，就称之为全同态算法，而深度学习则是机器学习领域中一个新的研究方向，它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据，是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
[0003]而随着科学技术不断的进步，全同态加密算法和深度学习已在各个行业得到广泛应用。例如，医疗机构需要经常收集数据，对患者的生理特征进行建模和分析，从而得出最佳的治疗方案，这类深度学习模型的训练依赖大量训练数据，在传统的集中式深度学习场景中，训练深度学习模型的服务提供商通常需要从用户端收集大规模的高质量数据，再对模型开始训练。然而，如果服务提供商在数据搜集时没有对数据做有效的脱敏处理，则这些数据将可能会泄露用户的隐私，因此需要对用户的隐私进行保护本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全同态加密算法的多方深度学习隐私保护方法，其特征在于，包括以下步骤：S1、分别构建参数服务器、解密服务器和N个用户P
i
＝{P
i
|1≤i≤N}的多方深度学习场景，其中，参数服务器构造为待训练模型，并将模型分割为特征提取器E、中间层M、业务分类器C；S2、参数服务器初始化待训练模型，并将模型参数分配给每个参与方P
i
；S3、解密服务器初始化全同态加密算法，生成私钥sk和公钥pk，并将公钥pk公开；S4、每个用户P
i
根据隐私目标要求使用本地数据训练模型，记录特征提取器E输出的数据特征中间层的权重参数和训练数据标签label；S5、每个用户P
i
使用全同态加密的公钥pk加密数据特征中间层的权重参数和训练数据标签label，得到和Enc(label)，并上传至参数服务器；S6、参数服务器聚合所有用户P
i
发送的中间层参数并将所有数据特征密文输入中间层，将中间层输出发送至解密服务器；S7、解密服务器使用全同态加密的私钥sk解密中间层输出output
M
，并将其返回参数服务器；S8、参数服务器将中间层输出output
M
输入业务分类器C，得到输出output
C
；S9、参数服务器加密output
C
，并使用Enc(label)计算业务分类器C的损失函数值，并发送至解密服务器；S10、解密服务器使用全同态加密的私钥sk解密损失函数值，并将其返回参数服务器；S11、参数服务器根据损失函数值计算梯度，更新业务分类器C，并将更新的模型发送给每个参与方P
i
。2.根据权利要求1所述的基于全同态加密算法的多方深度学习隐私保护方法，其特征在于，所...

【专利技术属性】
技术研发人员：郑超，窦凤虎，万俊平，殷丽华，孙哲，
申请(专利权)人：积至广州信息技术有限公司，
类型：发明
国别省市：