一种基于同态加密机器学习方法的车内网人脸信息隐私保护方法技术

本发明专利技术公开了一种基于同态加密机器学习方法的车内网人脸信息隐私保护方法，包括以下步骤：步骤1：人脸数据采集装置采集使用者的人脸图片上传到人脸识别模块；步骤2：图片处理装置对捕获到的人脸照片压缩并灰度化处理；步骤3：使用全同态加密技术来实现对人脸特征信息进行加密；步骤4：提取攻击者人脸特征，上传到同态加密模块；步骤5：使用全同态加密对攻击者人脸特征信息加密；步骤6：基于全同态加密将两个密文信息计算人脸特征相似度；步骤7：将结果进行解密，可确认该对象是否能得到通行许可。能直接对加密后的数据进行计算比对，保证人脸数据信息在存储、传输与计算过程中的隐私性和正确性。正确性。正确性。

【技术实现步骤摘要】
一种基于同态加密机器学习方法的车内网人脸信息隐私保护方法


[0001]本专利技术涉及一种车内网信息隐私保护方法，尤其能直接对密文进行运算，且能提高机器学习的正确性与准确性。

技术介绍

[0002]目前，车联网系统一般由车载终端、计算处理平台以及数据分析平台三部分组成。车载终端承担和车内驾乘人员的信息交互作用，用来采集和发送各种信息，然后送达到计算处理平台；计算处理平台承担对采集到的信息进行计算处理，其运算速度越快，则意味着车联网可以对驾乘人员的各类反馈速度越快。数据分析平台伴随着不断的机器学习的深化，将决定车联网不仅能否识别各类信息，其更要需要主动了解到驾乘人员的心里所想，帮助车辆从一个移动出行工具向出行管家进行转变。然而机器学习模型的训练和预测均是基于大量的数据，如何保证数据的安全与隐私引发科学界和工业界的广泛关注。为了应对隐私攻击,目前已有的对机器学习中的隐私保护技术主要有：差分隐私和次优选择等，差分隐私扰动机制使模型精度变差，输出结果可用性降低；次优选择加密方法会损失一定的准确性。为了解决加密后信息准确性的问题，我们引入基于同态加密的机器学习方法，能够保证数据在存储、传输与计算过程中的隐私性和正确性。

技术实现思路

[0003]基于上述现有技术的不足，本专利技术提出了一种基于同态加密机器学习方法的车内网人脸信息隐私保护方法。其技术方案采用以下步骤，
[0004]步骤1：人脸数据采集装置采集使用者的人脸图片上传到人脸识别模块。
[0005]步骤2：图片处理装置对捕获到的人脸照片压缩并灰度化处理。
[0006]步骤3：使用全同态加密技术来实现对人脸特征信息进行加密。
[0007]步骤4：提取攻击者人脸特征，上传到同态加密模块。
[0008]步骤5：使用全同态加密对攻击者人脸特征信息加密。
[0009]步骤6：基于全同态加密将两个密文信息计算人脸特征相似度。
[0010]步骤7：将结果进行解密，可确认该对象是否能得到通行许可。
[0011]进一步的，步骤1中，利用opencv的VideoCapture()方法来调用摄像头，read()方法读取每一帧，通过detectMultiScale()方法完成人脸探测工作，实时监测人脸，通过opencv自带的人脸分类器haar来识别并标注出人脸区域，用haarcascade_frontalface_alt2.xml分类器，将检测到人脸的帧保存为图片存到指定的文件夹下面。
[0012]进一步的，步骤2中，在opencv中通过设置detectMultiScale()方法的scaleFactor参数来设置图像缩放比例，cvtColor()方法进行色彩空间的转换，从BGR空间转换为灰度空间。
[0013]进一步的，步骤3采用以下步骤：
[0014]步骤3.1：GenKey(λ)：生成一对公私钥。根据输入的安全参数生成公钥θp和私钥θs。
[0015]步骤3.2：Encrypt(m，θp)：使用公钥θp加密消息m，计算生成密文c。
[0016]步骤3.3：Add(c0，c1)：输入两个密文c0和c1，计算求得这两个密文的和c0+c1。
[0017]步骤3.4：Multiply(c0，c1):输入两个密文c0和c1，计算求得这两个密文的乘积c0
×
c1。
[0018]步骤3.5：Decrypt(c
′
，θs):根据密文c
′
，利用私钥θs计算出明文m
′
。
[0019]进一步的，步骤4中，主要采用以下步骤：
[0020](1)在开始训练前，所有的权都应该用一些不同的随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态，从而导致训练失败；“不同”用来保证网络可以正常地学习。实际上，如果用相同的数去初始化权矩阵，则网络无学习能力。
[0021](2)选定训练组，从样本集中分别随机地寻求N个样本作为训练组；
[0022](3)将各权值、阈值，置成小的接近于0的随机值，并初始化精度控制参数和学习率；初始化中，第l层的每个权值W应使用式(1
‑
1)中所定义的均匀分布随机初始化，式中,n为网络第l层的神经元数量,每层的偏置初始化为0。
[0023][0024]其中，W为权值，U表示均匀分布，n为网络第l层的神经元数量。
[0025](4)从训练组中取一个输入模式加到网络，并给出它的目标输出向量；
[0026](5)计算出中间层输出向量和网络的实际输出向量；
[0027](6)将输出向量中的元素与目标向量中的元素进行比较，使用公式(1
‑
2)计算出输出误差；对于中间层的隐单元也需要计算出误差；
[0028][0029]输出向量：(x1,x2,
…
x
n
)；目标向量：(y1,y2,
…
,y
n
)
[0030](7)依次计算出各权值的调整量和阈值的调整量，调整权值和调整阈值；
[0031]采用梯度下降法更新权值，主要是利用误差代价函数对参数的梯度。首先定义平方误差代价函数:其中N是样本个数，c是label的维度，表示第n个样本的label t
n
的第k维，是第n个样本网络的输出的第k维。第n个样本的误差函数是:
[0032]然后计算权重更新相关数据，如下：
[0033]计算误差代价函数对偏置b的偏导，也就是对层l中的灵敏度中所有节点求和：这里(u,v)代表灵敏度矩阵中的元素位置，为灵敏度。
[0034]计算误差代价函数对卷积核k的偏导：这里是在做卷积时，与k
ij
做卷积的每一个patch，(u，v)是patch中心，输出特征图中(u,v)位置
的值，是由输入特征图中(u，v)位置的patch和卷积核k
ij
卷积所得的值。
[0035]至此，得到了每一层利用梯度下降进行权值更新时需要的梯度。
[0036](8)当经历M后，判断指标是否满足精度要求，如果不满足，则返回(4)，继续迭代；如果满足就进入下一步；
[0037](9)训练结束，将权值和阈值保存在文件中。这时可以认为各个权值已经达到稳定，分类器已经形成。再一次进行训练，直接从文件导出权值和阈值进行训练，不需要进行初始化。
[0038](10)从用户的角度，输入要进行处理的人脸数据；
[0039](11)构建参数容器parms，并输入重要参数，CKKS有三个重要参数：poly_module_degree(多项式模数)，coeff_modulus(参数模数)，scale(规模)；
[0040](12)用所选参数生成CKKS框架context；
[0041](13)利用seal库函数构建各模块：首先构建密钥生成模块，生成公钥、私钥和重线性化密钥；然本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于同态加密机器学习方法的车内网人脸信息隐私保护方法，其特征在于，包括以下步骤：步骤1：人脸数据采集装置采集使用者的人脸图片上传到人脸识别模块；步骤2：图片处理装置对捕获到的人脸照片压缩并灰度化处理；步骤3：使用全同态加密技术来实现对人脸特征信息进行加密；步骤4：提取攻击者人脸特征，上传到同态加密模块；步骤5：使用全同态加密对攻击者人脸特征信息加密；步骤6：基于全同态加密将两个密文信息计算人脸特征相似度；步骤7：将结果进行解密，可确认该对象是否能得到通行许可。2.根据权利要求1所述一种基于同态加密机器学习方法的车内网人脸信息隐私保护方法，其特征在于，步骤1的具体过程为，利用opencv的VideoCapture()方法来调用摄像头，read()方法读取每一帧，通过detectMultiScale()方法完成人脸探测工作，实时监测人脸，通过opencv自带的人脸分类器haar来识别并标注出人脸区域，用haarcascade_frontalface_alt2.xml分类器，将检测到人脸的帧保存为图片存到指定的文件夹下面。3.根据权利要求1所述一种基于同态加密机器学习方法的车内网人脸信息隐私保护方法，其特征在于，步骤2的具体过程为，在opencv中通过设置detectMultiScale()方法的scaleFactor参数来设置图像缩放比例，cvtColor()方法进行色彩空间的转换，从BGR空间转换为灰度空间。4.根据权利要求1所述一种基于同态加密机器学习方法的车内网人脸信息隐私保护方法，其特征在于，步骤3的具体过程为：步骤3.1：GenKey(λ)：生成一对公私钥，根据输入的安全参数生成公钥θp和私钥θs；步骤3.2：Encrypt(m，θp)：使用公钥θp加密消息m，计算生成密文c；步骤3.3：Add(c0，c1)：输入两个密文c0和c1，计算求得这两个密文的和c0+c1；步骤3.4：Multiply(c0，c1):输入两个密文c0和c1，计算求得这两个密文的乘积c0
×
c1；步骤3.5：Decrypt(c
′
，θs):根据密文c
′
，利用私钥θs计算出明文m
′
。5.根据权利要求1所述一种基于同态加密机器学习方法的车内网人脸信息隐私保护方法，其特征在于，步骤4的具体过程为：4.1，在开始训练前，所有的权值都应该用一些不同的随机数进行初始化，“小随机数”用来保证网络不会因权值过大而进入饱和状态，从而导致训练失败；“不同”用来保证网络可以正常地学习，实际上，如果用相同的数去初始化权矩阵，则网络无学习能力；4.2，选定训练组，从样本集中分别随机地寻求N个样本作为训练组；4....

【专利技术属性】
技术研发人员：韩牟，徐艳丽，康艳辉，吕一涵，陈敏茜，
申请(专利权)人：江苏大学，
类型：发明
国别省市：