基于安全多方计算的决策树评估方法、装置、设备及介质制造方法及图纸

本申请公开了一种基于安全多方计算的决策树评估方法、装置、设备及介质，涉及机器学习技术领域。包括：获取客户方与模型提供方各自分享的秘密值并通过复制秘密共享技术将秘密值划分为预设数量个份额以确定出每个参与方各自对应的秘密份额；根据映射矩阵和特征向量确定出参与方在每个决策节点上各自对应的特征属性，以通过所述特征属性得到决策节点的比较结果；对比较结果进行线性变换并将进行线性变换后的比较结果与遍历矩阵进行点积运算，以便基于点积运算的结果和叶子节点携带的标签向量确定出评估结果。通过本申请的技术方案，可以降低通信成本的同时提高隐私数据的安全性。性。性。

【技术实现步骤摘要】
基于安全多方计算的决策树评估方法、装置、设备及介质


[0001]本专利技术涉及机器学习
，特别涉及一种基于安全多方计算的决策树评估方法、装置、设备及介质。

技术介绍

[0002]机器学习算法被广泛应用于解决各种分类和预测问题，在算法的执行过程中，参与方需要交互隐私数据。然而，这些隐私数据的一旦泄露不仅会损害数据持有者的利益，而且会违反相关法律，如《个人信息保护法》。因此，如何在保证隐私数据机密性的前提下，安全地执行机器学习算法就显得至关重要。
[0003]近年来，安全多方计算已经得到了广泛的研究。这项技术允许多个参与方在共同完成计算的同时不泄露参与方的输入。在完成计算后，计算结果可以被公开给所有参与方或者是只透露给指定参与方。安全多方计算被公认为是实现机器学习隐私保护的最重要的技术路线之一。现有的研究分为两类，一类是研究可以实现多种机器学习算法隐私保护的通用协议；另一类是研究针对某个特定的机器学习算法的专用协议。目前，针对决策树评估算法的专用协议中，现有的方案大多通过添加假节点将决策树转换成满二叉树以隐藏决策树的结构信息，但是由于假节点与真实节点需要相同的计算和通信成本，无法被参与方区分，所以这种方法的时间复杂度和通信复杂度与真实节点数量无关，而是随决策树深度指数增长，对于深且稀疏的决策树模型，这种方法是非常不实用的。
[0004]综上，如何针对决策树评估算法的专用协议，降低通信成本的同时提高协议的实用性与安全性是目前有待解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于安全多方计算的决策树评估方法、装置、设备及介质，能够针对决策树评估算法的专用协议，降低通信成本的同时提高协议的实用性与安全性。其具体方案如下：
[0006]第一方面，本申请公开了一种基于安全多方计算的决策树评估方法，包括：
[0007]获取客户方与模型提供方各自分享的秘密值，并通过复制秘密共享技术将所述秘密值划分为预设数量个份额，以确定出每个参与方各自对应的秘密份额；其中，所述参与方包括所述客户方、所述模型提供方和计算服务方；所述客户方提供特征向量，所述模型提供方提供预先训练好的决策树模型；所述决策树模型中包括决策节点、叶子节点、映射矩阵和遍历矩阵；
[0008]基于所述秘密份额利用每个参与方对应的映射矩阵和每个参与方对应的特征向量确定出所述参与方在每个决策节点上各自对应的特征属性，以通过所述特征属性得到所述决策节点的比较结果；
[0009]对所述比较结果进行线性变换，并将进行所述线性变换后的比较结果与所述秘密份额中每个参与方对应的遍历矩阵进行点积运算，以便基于所述点积运算的结果和所述叶
子节点携带的标签向量确定出评估结果。
[0010]可选的，所述通过所述特征属性得到所述决策节点的比较结果，包括：
[0011]对所述决策树模型进行遍历并判断所述特征属性与所述模型提供方提供的阈值向量间的大小关系；
[0012]若当前决策节点的所述特征属性小于所述阈值向量，则所述决策节点的比较结果取值为1，并选择所述当前决策节点的右孩子节点继续遍历，直到当前的节点为所述叶子节点时停止遍历以得到所述叶子节点的标签；
[0013]若所述当前决策节点的所述特征属性不小于所述阈值向量，则所述决策节点的比较结果取值为0，并选择所述当前决策节点的左孩子节点继续遍历，直到当前的节点为所述叶子节点时停止遍历以得到所述叶子节点的标签。
[0014]可选的，所述对所述比较结果进行线性变换，包括：
[0015]将所述比较结果乘以2再减1，以便将指向所述左孩子节点的比较结果变更为
‑
1，将指向所述右孩子节点的比较结果保持不变。
[0016]可选的，所述获取客户方与模型提供方各自分享的秘密值，并通过复制秘密共享技术将所述秘密值划分为预设数量个份额，以确定出每个参与方各自对应的秘密份额，包括：
[0017]获取客户方与模型提供方各自分享的秘密值，并将所述秘密值划分为与所述参与方的数量相同的份额，以得到第一份额、第二份额和第三份额；
[0018]将所述第一份额设置为0，并利用伪随机数生成器生成第二份额值；
[0019]基于所述秘密值与所述第二份额值确定出所述第三份额值，然后将所述第一份额值、所述第二份额值和所述第三份额值进行分配，以确定出每个参与方各自对应的秘密份额。
[0020]可选的，所述基于所述秘密份额利用每个参与方对应的映射矩阵和每个参与方对应的特征向量确定出所述参与方在每个决策节点上各自对应的特征属性，以通过所述特征属性得到所述决策节点的比较结果，包括：
[0021]基于所述秘密份额利用每个参与方对应的映射矩阵和每个参与方对应的特征向量确定出所述参与方在每个决策节点上各自对应的特征属性，并利用加法器电路对所述特征属性与阈值向量之间的差值进行位分解，若分解后的差值的最高位为1，则判定所述特征属性小于所述阈值向量；若分解后的差值的最高位为0，则判定所述特征属性大于所述阈值向量。
[0022]可选的，所述将进行所述线性变换后的比较结果与每个参与方对应的遍历矩阵进行点积运算，以便基于所述点积运算的结果和所述叶子节点携带的标签向量确定出评估结果，包括：
[0023]将进行所述线性变换后的比较结果与每个参与方对应的遍历矩阵进行点积运算，确定所述点积运算的结果与决策节点集合的目标子集的阶数之间的差值，以便利用所述差值判断所述点积运算的结果与决策节点集合的目标子集的阶数是否相等；其中，所述目标子集为当前叶子节点到所述决策树模型中的根节点的路径下包括的决策节点的集合；
[0024]利用加法器电路对所述差值进行位分解，并将位分解后得到的所有比特位进行逻辑或运算以得到结果向量；
[0025]利用所述结果向量和所述叶子节点携带的标签向量确定出所述评估结果。
[0026]可选的，所述的基于安全多方计算的决策树评估方法，还包括；
[0027]当所述决策节点的数量大于预设阈值时，利用分治法将所述遍历矩阵进行压缩，以得到目标数量个子遍历矩阵；
[0028]按照预设节点划分规则将所述决策节点划分至所述子遍历矩阵。
[0029]第二方面，本申请公开了一种基于安全多方计算的决策树评估装置，包括：
[0030]复制秘密共享模块，用于获取客户方与模型提供方各自分享的秘密值，并通过复制秘密共享技术将所述秘密值划分为预设数量个份额，以确定出每个参与方各自对应的秘密份额；其中，所述参与方包括所述客户方、所述模型提供方和计算服务方；所述客户方提供特征向量，所述模型提供方提供预先训练好的决策树模型；所述决策树模型中包括决策节点、叶子节点、映射矩阵和遍历矩阵；
[0031]决策模块，用于基于所述秘密份额利用每个参与方对应的映射矩阵和每个参与方对应的特征向量确定出所述参与方在每个决策节点上各自对应的特征属性，以通过所述特征属性得到所述决策节点的比较结果；
[0032]评估模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于安全多方计算的决策树评估方法，其特征在于，包括：获取客户方与模型提供方各自分享的秘密值，并通过复制秘密共享技术将所述秘密值划分为预设数量个份额，以确定出每个参与方各自对应的秘密份额；其中，所述参与方包括所述客户方、所述模型提供方和计算服务方；所述客户方提供特征向量，所述模型提供方提供预先训练好的决策树模型；所述决策树模型中包括决策节点、叶子节点、映射矩阵和遍历矩阵；基于所述秘密份额利用每个参与方对应的映射矩阵和每个参与方对应的特征向量确定出所述参与方在每个决策节点上各自对应的特征属性，以通过所述特征属性得到所述决策节点的比较结果；对所述比较结果进行线性变换，并将进行所述线性变换后的比较结果与每个参与方对应的遍历矩阵进行点积运算，以便基于所述点积运算的结果和所述叶子节点携带的标签向量确定出评估结果。2.根据权利要求1所述的基于安全多方计算的决策树评估方法，其特征在于，所述通过所述特征属性得到所述决策节点的比较结果，包括：对所述决策树模型进行遍历并判断所述特征属性与所述模型提供方提供的阈值向量间的大小关系；若当前决策节点的所述特征属性小于所述阈值向量，则所述决策节点的比较结果取值为1，并选择所述当前决策节点的右孩子节点继续遍历，直到当前的节点为所述叶子节点时停止遍历以得到所述叶子节点的标签；若所述当前决策节点的所述特征属性不小于所述阈值向量，则所述决策节点的比较结果取值为0，并选择所述当前决策节点的左孩子节点继续遍历，直到当前的节点为所述叶子节点时停止遍历以得到所述叶子节点的标签。3.根据权利要求2所述的基于安全多方计算的决策树评估方法，其特征在于，所述对所述比较结果进行线性变换，包括：将所述比较结果乘以2再减1，以便将指向所述左孩子节点的比较结果变更为
‑
1，将指向所述右孩子节点的比较结果保持不变。4.根据权利要求1所述的基于安全多方计算的决策树评估方法，其特征在于，所述获取客户方与模型提供方各自分享的秘密值，并通过复制秘密共享技术将所述秘密值划分为预设数量个份额，以确定出每个参与方各自对应的秘密份额，包括：获取客户方与模型提供方各自分享的秘密值，并将所述秘密值划分为与所述参与方的数量相同的份额，以得到第一份额、第二份额和第三份额；将所述第一份额设置为0，并利用伪随机数生成器生成第二份额值；基于所述秘密值与所述第二份额值确定出所述第三份额值，然后将所述第一份额值、所述第二份额值和所述第三份额值进行分配，以确定出每个参与方各自对应的秘密份额。5.根据权利要求2所述的基于安全多方计算的决策树评估方法，其特征在于，所述基于所述秘密份额利用每个参与方对应的映射矩阵和每个参与方对应的特征向量确定出所述参与方在每个决策节点上各自对应的特征属性，以通过所述特征属性得到所述决策节点的比较结果，包括：基于所述秘密份额利用每...

【专利技术属性】
技术研发人员：张翰林，张志祥，
申请(专利权)人：青岛大学，
类型：发明
国别省市：