一种轻量级隐私保护纵向联邦学习模型参数聚合方法技术

本发明专利技术公开了一种轻量级隐私保护纵向联邦学习模型参数聚合方法，其特点是该方法在联邦学习背景下采用任意单向陷门置换和不同的哈希摘要算法，实现多用户场景下的隐私保护参数聚合计算，具体包括：系统初始化、加密、数据聚合、解密四个阶段。本发明专利技术与现有技术相比具有较低的计算和通信开销，无需利用公钥同态加密，保证了聚合结果的安全性，保护了参与方敏感数据免受合谋攻击，较好的解决了计算密集型公钥同态加密给资源受限的本地用户带来了无法忍受的高复杂性问题，保证了聚合结果的安全性，满足了各种高效性和隐私性需求。满足了各种高效性和隐私性需求。满足了各种高效性和隐私性需求。

【技术实现步骤摘要】
一种轻量级隐私保护纵向联邦学习模型参数聚合方法


[0001]本专利技术涉及隐私保护聚合
，具体地说是一种利用轻量级同态计算在纵向联邦学习场景下支持密文域上高效的隐私保护参数聚合方法。

技术介绍

[0002]随着计算机领域的蓬勃发展，数据成为实现各类技术的核心要素，企业和机构希望借助海量的数据获取收益。纵向联邦学习技术提高隐私保护的性能和安全性，企业间隐私数据不出库，各客户端模型利用本地数据进行训练，只针对训练过程中的模型参数进行交互，能够在保护数据本身不对外泄露的前提下实现数据分析计算，可以让数据使用权和所有权分离，严格控制了数据的用法用量，减少传统合作过程中数据的转移、保管及事后销毁等工作，解决了人们因担心数据泄露，不敢共享数据的顾虑。然而在现实应用中，聚合器对双方模型参数聚合并将聚合结果返回给结果接收方，在数据处理过程中或与用户交互过程中有机会窥探用户的隐私数据，可能与未授权用户进行合谋攻击，破坏协议的正确执行。
[0003]为了防止用户数据隐私泄露，保障信息安全，最直接的方法就是在将数据发送给聚合器之前，通过各种加密方法来保本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量级隐私保护纵向联邦学习模型参数聚合方法，其特征在于，该方法在联邦学习背景下采用任意单向陷门置换和不同的哈希摘要算法，实现多用户场景下的隐私保护参数聚合计算，具体包括以下几个步骤：(一)系统初始化系统在给定安全参数下，执行陷门置换发生器生成一对单向陷门置换及一对公私钥并生成两个哈希函数，在这一轮参数聚合中新加入的数据拥有者为结果接收方，私钥由接收方秘密持有；(二)数据加密所有数据拥有者进行密钥协商生成一个共享密钥，使用共享密钥对模型参数加密并盲化，同时使用哈希函数对所有密文参数进行摘要，使用接收方的公钥加密共享密钥，将数据发送给聚合器；(三)数据聚合聚合器在密文域上执行计算完成数据聚合，将聚合后的密文组发送给数据接收方；(四)数据解密数据接收方用私钥解密得到共享秘密，检验密文完整性，然后执行解密算法恢复聚合结果，根据聚合参数判断是否继续下一轮的参数聚合，若该轮没有新加入的数据拥有者，则聚合器将聚合结果发送给所有数据拥有者；若该轮有新加入的数据拥有者，则重复步骤(一)～步骤(四)的参数聚合。2.根据权利要求1所述的轻量级隐私保护纵向联邦学习模型参数聚合方法，其特征在于，所述步骤(一)中单向陷门置换及一对公私钥的具体操作流程如下：a)输入1，其中λ是安全参数；b)系统运行一个陷门置换生成器，用概率多项式时间算法来表示，输出在有限域上的一对置换(,)以及一对公私钥(,)，其中是一个素数且||＝；是的乘法生成元，并输出两个哈希函数,:0,1
*
→
0,1；公共参数是＝(,,,,,)，私钥由接收方秘密持有。3.根据权利要求1所述的轻量级隐私保护纵向联邦学习模型参数聚合方法，其特征在于，所述步骤(二)中数据加密的具体操作流程如下：a)假设每一轮聚合，用户分别为(i∈{1,
…
,n})，其中
n
是这一轮新加入的数据拥有者，他们各自输入一个模型参数m；每个数据拥有方随机选择r,r
j
(j∈{1,
…
,n}∧j≠i)∈
R
并计算每个数据拥有方U
i
通过安全、已认证的信道将z
i
发送给U
i
‑1、U
i+1
，把r
ij
发送给其他数据拥有方U
j
(j≠i)；b)从其他n
‑
1个数据拥有方收到n
‑
1条r
ij
后，每个数据拥有方通过下述(1)式计算R
i
：其中，R
i
为第i个数据拥有者计算的随机数差；r
i
,r
ij
为第i个数据拥有者生成的随机数；z
i
为有限域F
p
中计算的中间结果；U
j
为其他数据拥有方；c)收到相邻数据拥有方U
i
‑1和U
i+1
发送的z
i
‑1，z
i+1
，U
i
计算并...

【专利技术属性】
技术研发人员：胡聪，蒋明，王双，张翠翠，孙佳丽，刘翠玲，张庭曾，王鹏，张昀晔，卢锐轩，朱新华，雷沁怡，徐超，孙琦，程伟，赵林燕，张良培，
申请(专利权)人：国网安徽省电力有限公司信息通信分公司，
类型：发明
国别省市：