一种具有隐私性保护的朴素贝叶斯分类方法技术

本发明专利技术公开了一种具有隐私性保护的朴素贝叶斯分类方法，包括：基于加密朴素贝叶斯分类模型为用户在云服务器部署分类服务；通过哈希函数将用户需要分类的生物特征向量进行加密，获得加密生物特征向量，并将加密生物特征向量发送至云服务器；云服务器进行数据交互执行朴素贝叶斯分类方案，获得加密分类结果，并将加密分类结果返回给用户，用户解密后获得目标分类结果。本发明专利技术实现了模型的共享，使得没有模型的用户也可以通过共享的模型获得分类结果，既保证用户待分类的输入数据和分类结果的隐私信息不泄露，也保证了模型的隐私性；用户和模型提供者只需要和云服务器交互一次，解放了用户和模型提供者的在线参与。放了用户和模型提供者的在线参与。放了用户和模型提供者的在线参与。

【技术实现步骤摘要】
一种具有隐私性保护的朴素贝叶斯分类方法


[0001]本专利技术属于信息安全
，特别是涉及一种具有隐私性保护 的朴素贝叶斯分类方法。

技术介绍

[0002]随着医疗信息化和数字化诊断的发展，医疗监测指标不断增长， 数据量越来越庞大，亟需强大的数据处理能力为医疗领域提供有力的 支持。机器学习，作为人工智能领域炙手可热的一个分支，在语音识 别和计算机视觉等方面得到飞速发展，在医疗领域的应用越来越广 泛，形成了我国健康医疗产业发展的一个新方向
‑
互联网医疗，健康 监测服务就是其中之一。在机器学习中，分类器被广泛用于探索数据 的相互关系和特征，以解决分类问题。它已被广泛应用于疾病分类检 测等领域。有了训练好的模型，机器学习推理可以自动预测新的输入。 借助云计算服务平台实现模型共享，没有模型的用户也可以使用云上 的共享模型来获得推理结果。由于云计算的许多优势，将此类推理服 务外包到云已经变得越来越流行。
[0003]然而，在现实中几乎不可能找到完全可信的云服务器。因此尽管 云有众所周知的好处，将健康监测服务外包给半信任云也会本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有隐私性保护的朴素贝叶斯分类方法，其特征在于，包括：基于加密朴素贝叶斯分类模型为用户在云服务器部署分类服务；通过哈希函数将用户需要分类的生物特征向量进行加密，获得加密生物特征向量，并将所述加密生物特征向量发送至所述云服务器；所述云服务器进行数据交互执行朴素贝叶斯分类方案，获得加密分类结果，并将所述加密分类结果返回给用户，用户解密后获得目标分类结果。2.根据权利要求1所述的一种具有隐私性保护的朴素贝叶斯分类系统，其特征在于，所述加密朴素贝叶斯分类模型的获取过程包括，获取生物医学数据，构建朴素贝叶斯分类器；将所述生物医学数据输入所述朴素贝叶斯分类器进行训练，获得朴素贝叶斯分类模型；基于Setup算法对所述朴素贝叶斯分类模型进行加密，获得所述加密朴素贝叶斯分类模型。3.根据权利要求1所述的一种具有隐私性保护的朴素贝叶斯分类系统，其特征在于，基于加密朴素贝叶斯分类模型为用户在云服务器部署分类服务的过程包括，获得所述生物医学数据的特征向量，基于所述特征向量计算属于各个类别的概率值；将所述概率值以秘密共享的形式保存在类条件概率表格、先验概率表格中。4.根据权利要求3所述的一种具有隐私性保护的朴素贝叶斯分类系统，其特征在于，基于所述特征向量计算属于各个类别的概率值的过程包括，计算特征向量属于各个类别的后验概率并对各个类别的后验概率进行比较，获得最大后验概率；取最大后验概率的类别作为所述特征向量的所属类别。5.根据权利要求4所述的一种具有隐私性保护的朴素贝叶斯分类系统，其特征在于，所述后验概率P(Y|X)基于先验概率P(Y)、证据P(X)和类条件概率P(X|Y)计算获得，表达式为：6.根据权利要求3所述的一种具有隐私性保护的朴素贝叶斯分类系统，其特征在于，将所述概率值以秘密共享的形式进行保存的过程包括，加法秘密共享通过在环Z2
l
上将向量x按照加法分割成<x>0和<x>1来保护1位的秘密值x，满足<x>0+<x>1≡x(...

【专利技术属性】
技术研发人员：于佳，郭丽，郝蓉，
申请(专利权)人：青岛大学，
类型：发明
国别省市：