基于分层网络且保护用户隐私的智能家居数据分析方法技术

本发明专利技术公开了基于网络分层且采用同态加密进行交互的智能家居数据分析方法，该方法的步骤如下：在云端服务器训练针对特定任务的DNN模型；将模型以选定的中间层划分，前半段部署到用户本地，后半段保留在云端；将智能家居系统中传感器等设备获取的输入传入前半段网络，并得到中间层的输出；在本地通过Paillier同态加密的方式与云端的网络后半段进行交互，并最终得到网络的输出结果；云端服务器根据网络的输出对智能家居系统进行及时的响应。本方法在使用传统神经网络进行数据分析的基础上，采用本地与云端加密的交互式分析方法，利用同态加密的安全性以及网络分层对本地较小的计算开销，解决了智能家居系统数据分析中的安全问题。使用网络分层且加密的交互式数据分析方法具有很高的隐私安全性和模型部署场景的适用性。用性。用性。

【技术实现步骤摘要】
基于分层网络且保护用户隐私的智能家居数据分析方法


[0001]本专利技术涉及深度学习及Paillier同态加密的隐私保护
尤其涉及一种基于分层深度神经网络的智能家居数据分析方法。

技术介绍

[0002]物联网被人们视作在计算机和互联网后新的信息技术产业革命，它将事物泛化在物联网构建的场景中，人和物被紧密的联系在一起。智能家居及其相关产业链在物联网发展的背景下得到充分发展。智能家居通过物联网技术将家庭内的诸多设备(影音视频设备、照明系统、电话远端控制、防盗报警系统)连接到一起，提供家电控制、电话远程控制、多媒体智能推荐、环境实时监控、防火防盗报警、暖通控制以及定时编程控制等多种手段和功能。常见的智能家居系统，其硬件架构图如图1所示。
[0003]然而智能家居在高速发展及大规模应用的过程中，同时爆发了一系列的安全性问题，在利用储在云端的深度学习模型进行推理服务时，上传到云端模型的输入常常包含了用户的隐私信息。例如在家庭摔倒检测中，安装在家中的摄像头会将家中老人的照片拍摄并上传到云端，而这些隐私数据的泄露是用户所不希望的。尽管借助移动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于分层网络且保护用户隐私的智能家居数据分析方法，其特征在于：包括以下步骤：步骤(1)针对用户的功能需求在云终端训练一个智能家居场景下针对指定任务的DNN模型F，其结构是一个具有k层的卷积神经网络；步骤(2)为实现本地和云终端的交互式计算，根据神经网络的层分离机制选择中间层，将模型F中间层之前的模型部分，包含中间层，作为特征提取层发送给本地用户，同时将后半部分保留在云终端；步骤(3)家庭内的智能设备将采集到的信息输入到本地的特征提取层，用户得到输出并对其进行数据预处理；步骤(4)用户生成进行Paillier同态加密所需的公私钥对以及随机参数，云终端生成对应的随机参数；步骤(5)用户将特征提取层的输出用公钥进行同态加密，并传输到云终端的服务器，云终端将卷积核转换为权重矩阵，并进行基于密文的交互式同态加密计算，再将计算结果由云终端传递给本地用户；步骤(6)用户获得特征提取层的输出与云终端上模型F第i+1层的交互式计算结果，将该结果作为与模型F第i+2层进行交互式计算的输入，直至计算到模型F的最后一层，云终端得到最后的结果并对智能家居设备发出指令。2.根据权利要求1所述的基于分层网络且保护用户隐私的智能家居数据分析方法，其特征在于：所述步骤(1)中还包括：由智能家居服务供应商提供的云终端，与所述本地物联网设备通信连接，用于对所述智能家居设备进行远程控制。所属智能家居设备包括以下设备的任意一种或其组合：摄像头、传感器和开关量采集终端。3.根据权利要求1所述的基于分层网络且保护用户隐私的智能家居数据分析方法，其特征在于：所述步骤(2)中还包括：模型F的中间层应选择第层至层，k为模型F网络层数。其中，云终端选择将中间层记为模型F的第i层，出于用户对本地智能设备所收集数据的安全需求，云终端将模型F的第一层到第i层作为网络的特征提取层发送给本地，剩余部分保留在云终端，将特征提取层和云终端网络通过同态加密方式计算的过程称为交互式计算，特征提取层的输出经过预处理得到并与模型F的第i+1层即云终端的第1层的权重参数W
i+1
进行同态加密计算，并在本地经过激活和池化操作，得到第i+2层的输入称为完成一轮交互式计算。4.根据权利要求1所述的基于分层网络且保护用户隐私的智能家居数据分析方法，其特征在于：由于云终端对模型F进行了拆分，模型F无法进行一般的卷积层计算，用户为实现F中卷积层的计算需求，需要把特征提取层的输出X
i
进行预处理，利用处理后的结果将卷积计算转变为矩阵的乘法，所述步骤(3)中所述的预处理具体为：用户特征层的输出为X
i
，它是一个大小为M
i
×
N
i
×
D
i
的三维张量，其中M
i
、N
i
分别表示张量X
i
的行、列大小，D
i
表示模型F的第i层输出的通道数，模型F的第i+1层，即云终端第1层的卷积核大小为其中分别表示卷积核的行、列大小，具体的，第一次预处理过程为，用户将X
i
按通道的顺序将三维张量变为一个二维矩阵，在X
i
的每一个通道的矩阵上取卷积核大小的矩阵并向量化纵向拼接，然后将每个通道的结果横向拼接，最
后得到即为经过预处理后的输出，是一个大小为是一个大小为的矩阵，其中表示矩阵行的大小，表示矩阵列的大小，对计算公式如下：式中：表示经过预处理后的特征层输出，Vector把矩阵变为向量，Concat
c
表示将矩阵纵向拼接，Concat
r
表示将矩阵横向拼接，表示在X
i
的第j个通道上水平的逐个取大小为的矩阵，变为一个水平向量后纵向拼接，整个式子即表示对第1个至第D
i
个通道上经过变化的矩阵作横向的拼接，最终用户得到经过预处理的矩阵即模型F第i+1层的输入，令的大小为其中其中在之后的每一轮交互式计算中都要首先进行预处理，且与第一次预处理的不同之处在于，第j轮交互式计算中的预处理的输入为第j
‑
1轮计算的输出所需要的卷积核大小为模型F第i+j层，即云端第j层的5.根据权利要求1所述的基于分层网络且保护用户隐私的智能家居数据分析方法，其特征在于：所述步骤(4)具体包括如下子步骤：步骤(4
‑
1)：用户随机生成两个独立的大质数p、q，满足gcd(pq，(p
‑
1)(q
‑
1))＝1，这个属性是为了保证两个质数的长度相等，其中gcd(a，b)表示求a、b的最大公因数，用户计算n＝p*q，随机选择整数其中Z
*
表示非零整数集合。生成公钥步骤(4
‑
2)：由λ＝lcm(p
‑
1，q
‑
1)得到λ，又由μ＝(L(g
λ
modn2))
‑1，生成私钥其中L被定义为L(x)＝(x
‑
1)/n，其中x是自变量，n为步骤(4
‑
1)中对应的n值，lcm(a，b)表示求a、b的最大公倍数，mod表示取模运算；步骤(4
‑
3)：用户在本地为所述步骤(2)中的每一轮交互计算生成的随机矩阵r＝[r
i+1
，...，r
k
‑1，r
k
...

【专利技术属性】
技术研发人员：徐小平，杨震，陈渝文，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：