一种联合深度学习模式下同态加密的数据安全分享方法技术

本发明专利技术公开了一种联合深度学习模式下同态加密的数据安全分享方法，属于物联网数据领域，信任机构TA产生密钥，公开公钥，分发私钥给每个用户；每个用户Ui在自己私有的本地数据集上训练模型；GMMA调用Callback请求这些登记用户上传自己的本地参数梯度值；GMMA通知这些用户下载最新的全局参数；请求Ui上传它们各自的本地参数梯度值

【技术实现步骤摘要】
一种联合深度学习模式下同态加密的数据安全分享方法


[0001]本专利技术涉及一种物联网数据领域，具体是一种联合深度学习模式下同态加密的数据安全分享方法。

技术介绍

[0002]物联网是指通过各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等各种装置与技术，实时采集任何需要监控、连接、互动的物体或过程，采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息，通过各类可能的网络接入，实现物与物、物与人的泛在连接，实现对物品和过程的智能化感知、识别和管理。物联网是一个基于互联网、传统电信网等的信息承载体，它让所有能够被独立寻址的普通物理对象形成互联互通的网络。随着物联网和大数据技术的发展，数据经过共享交互和分析处理，无时无刻不产生着巨大的信息增益，并为我们的生活提供丰富多样的应用选择。物联网能够通过网络连接终端或传感器连接到各种各样的东西，它将是未来一段时间内大数据市场的基本载体。随着5G和物联网技术的发展，IDC估计，到2020年将会有大约五百亿个网络连接设备，比PC、手机和平板电脑等加起来的数量还要多。影响物联网两个主要因素包括通信技术和数据，其中数据具有突出地位。从信息论的角度来看，孤立的数据通常包含着极小的信息量，只有将数据进行共享交互和分析处理才能获得较大的信息增益。因此在物联网时代，数据分享是数据发挥其重要价值的前提，数据分享的聚集效应通过统计学工具和人工智能算法得到一定程度的放大，从而创造出巨大的经济效益和社会效益。
[0003]总结现有工作的不足之处：现有工作所实现的安全大多是面向实现诚实用户之间的安全通信，对于系统内部不诚实用户之间的非法通信无法有效阻止。方案大多在云环境下构造，而物联网将普遍采用云+边缘+终端(云边端协同)的架构，在这种新架构下进行数据安全分享的研究尚且不多。未来物联网结合人工智能，提供智能化的服务将是一个显著的发展趋势，而分布式人工智能系统更加适合物联网环境，如何在这种分布式智能环境下实现用户数据的安全分享将是一个研究热点。本文将针对以上三点不足，结合具体的应用场景，构造符合特定安全需求的数据安全分享方案。

技术实现思路

[0004]对于现有的产生的问题，本专利技术的目的在于提供一种联合深度学习模式下同态加密的数据安全分享方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种联合深度学习模式下同态加密的数据安全分享方法，其方法步骤如下：
[0007]S1.Setup信任机构TA产生密钥，公开公钥，分发私钥给每个用户；
[0008]S2.Training每个用户Ui(i＝1,2,...,n)在自己私有的本地数据集上训练模型，为每个模型参数产生本地梯度
[0009]S3.Register Ui选择一个参数集Ri作为自己向全局模型贡献的更新参数集合，并
且向全局模型维护机构登记贡献请求；
[0010]S4.Callback如果至少k个用户登记请求贡献参数w的梯度，GMMA调用Callback请求这些登记用户上传自己的本地参数梯度值；同时，一旦全局模型更新一次，GMMA通知这些用户下载最新的全局参数；
[0011]S5.Upload全局模型维护机构GMMA触发，请求Ui上传它们各自的本地参数梯度值的密文给GMMA；
[0012]S6.Download全局模型维护机构GMMA触发，请求Ui下载全局版本的模型参数w
global
，并将其应用在自己的模型上。
[0013]作为本专利技术进一步的方案：所述的信任机构TATA产生密钥；具体地，首先随机选择两个不相等的大素数p,q，计算n＝pq，p＝2p'+1,q＝2q'+1，m＝p'q'，在Zn
*
上随机选择元素α，得到私钥sk＝αm；在Znm上，利用Shamir的(k,l)门限秘密分享方案对私钥sk进行分享，随机选择一个k
‑
1多项式G(x)∈Znm[x]，并使得G(0)＝αm；即在Znm上任意选取k
‑
1个随机数a0,a1,...,a
k
‑1，则G(x)＝a0+a1x+a2x2+...+a
k
‑1x
k
‑1，其中a0＝αm；在Zn
*
上随机选择两个元素a,b，令g＝(1+n)
b
a
n mod n2，如果元素a在Zn
*
上的阶是β，则g在Zn
*
上的阶是nβ；计算θ＝βαm mod n，公开公钥pk(g,n,θ)，通过安全信道将秘密λi(1≤i≤l)分发给各本地用户Ui；最后将a,b,sk销毁。
[0014]作为本专利技术进一步的方案：所述的全局模型维护机构GMMA首先初始化全局模型的参数；之后该算法一直执行，直到达到近似最优模型；对于参数w，GMMA维护了一个参数贡献用户集合Uw，该集合记录了所有参与更新w的用户；当用户Ui请求贡献参数w，GMMA将其加入到Uw中；当GMMA接收到用户Ui对参数w更新的梯度时，执行聚合密文操作C
w
←
C
w*
C
iw
；当集合Uw大小达到门限值k时，密文聚合操作执行完成；GMMA将聚合后的密文分发给Uw中的用户；待接收到用户计算出的部分解密中间值h
iw
之后，计算得到全局梯度的聚合值的明文；接着执行全局参数更新操作：最后将本轮更新之后的全局参数w
global
发送给用户Ui(Ui∈Uw)。
[0015]作为本专利技术进一步的方案：所述的用户Ui与GMMA一样，首先初始化全局参数，在全局模型达到近似最优模型之前，该算法一直执行；用户在本地进行一个epoch的训练，然后选择自己想要更新的参数Ri，并将这个参数集对GMMA进行注册，然后请求上传加密参数梯度；对参数梯度的加密采用Paillier进行同态加密；将加密之后的结果上传给GMMA，当GMMA完成对参数梯度的密文聚合任务后，用户接收这个聚合的密文C
w
；然后执行h
iw
＝(C
w
)
2l！λi mod n2进行半解密操作；将半解密的结果h
iw
上传到GMMA，待GMMA利用聚合的参数梯度值计算得到了新一轮的全局参数时，用户下载这个全局参数，并用它对本地参数进行更新。
[0016]与现有技术相比；本专利技术的有益效果是：本专利技术提出了联合深度学习(Federated deep learning)的模式，该模式在构建分布式人工智能系统中发挥着重要的作用，而如何在这样的联合深度学习环境下保护用户隐私，进而实现用户数据的安全分享，联合深度学习是深度学习系统进行分布式扩展的有效手段，它使得多个用户协同起来共同训练一个全局模型成为可能，这样，每个用户都不需要泄漏自己的数据，却能使自己的模型受益于其它用户的数据，从而实现数据安全分享。结合Paillier同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联合深度学习模式下同态加密的数据安全分享方法，其特征在于，其方法步骤如下：S1.Setup信任机构TA产生密钥，公开公钥，分发私钥给每个用户；S2.Training每个用户Ui(i＝1,2,...,n)在自己私有的本地数据集上训练模型，为每个模型参数产生本地梯度S3.Register Ui选择一个参数集Ri作为自己向全局模型贡献的更新参数集合，并且向全局模型维护机构登记贡献请求；S4.Callback如果至少k个用户登记请求贡献参数w的梯度，GMMA调用Callback请求这些登记用户上传自己的本地参数梯度值；同时，一旦全局模型更新一次，GMMA通知这些用户下载最新的全局参数；S5.Upload全局模型维护机构GMMA触发，请求Ui上传它们各自的本地参数梯度值
▽
iw
的密文给GMMA；S6.Download全局模型维护机构GMMA触发，请求Ui下载全局版本的模型参数w
global
，并将其应用在自己的模型上。2.根据权利要求1所述的联合深度学习模式下同态加密的数据安全分享方法，其特征在于，所述的信任机构TATA产生密钥；具体地，首先随机选择两个不相等的大素数p,q，计算n＝pq，p＝2p'+1,q＝2q'+1，m＝p'q'，在Zn
*
上随机选择元素α，得到私钥sk＝αm；在Znm上，利用Shamir的(k,l)门限秘密分享方案对私钥sk进行分享，随机选择一个k
‑
1多项式G(x)∈Znm[x]，并使得G(0)＝αm；即在Znm上任意选取k
‑
1个随机数a0,a1,...,a
k
‑1，则G(x)＝a0+a1x+a2x2+...+a
k
‑1x
k
‑1，其中a0＝αm；在Zn
*
上随机选择两个元素a,b，令g＝(1+n)
b
a
n mod n2，如果元素a在Zn
*
上的阶是β，则g...

【专利技术属性】
技术研发人员：汪国航，鲍翊平，叶辉，朱敏敏，王磊，潮家东，
申请(专利权)人：合肥中科创安科技有限公司，
类型：发明
国别省市：