【技术实现步骤摘要】
一种隐私计算方法和隐私计算系统
[0001]本专利技术属于隐私计算
，更具体地说，尤其涉及一种隐私计算方法。同时，本专利技术还涉及一种隐私计算系统。
技术介绍
[0002]隐私计算是指在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合。当前的隐私计算涉及三大技术体系的联合创新：一是人工智能算法，二是分布式系统和底层硬件，三是密码学协议设计。与传统数据使用方式相比，隐私计算的加密机制能够增强对于数据的保护、降低数据泄露风险。
[0003]经检索，申请号为202111022108.7的专利公开了一种隐私计算方法，包括以下步骤：参与者分别将各自的单一隐私数拆分为N个加数，保留其中一个加数，其余加数分配给其他参与者存储；建立神经网络模型拟合目标函数，将神经网络模型的第0层和第1层公布给全部参与者；每个参与者获得第1层神经元的输入数计算式；将各自存储的隐私数对应的加数分别代入第1层神经元的输入数计算式，将计算结果签名广播；将全部广播的结果再求和，即为神经元的输入数；获得全部第1层神经元的输出后，继续计算神经网络模...
【技术保护点】
【技术特征摘要】
1.一种隐私计算方法，其特征在于，包括如下步骤：S1、征集至少两个以上的参与者，并将每一个参与者的秘密拆分成N份，每一个参与者自己保留一份，拆分后的其余每一份额由不同的参与者管理，并对秘密进行加密，形成密文；S2、同时在加密之后的多个密文上直接进行计算，将计算电路中的每个门都加密并打乱，确保加密计算的过程中不会对外泄露计算的原始数据和中间数据，双方根据各自的输入依次进行计算，解密方可得到最终的正确结果，并将计算结果解密后与明文进行比对，使解密方获知最终解密结果；S3、然后消息发送者从待发送的消息中发送其中一条给接收者，但是接收者除了获取的内容外，无法获取剩余数据，且发送者也不知道被选取的内容；S4、对获取的内容信息进行零知识证明，证明者能够在不向验证者提供任何有用信息的情况下，使验证者相信某个论断是正确的；S5、使用联邦学习系统建立模型，利用基于加密的用户样本对齐技术，在A和B不公开各自数据的前提下确认双方的共有用户，并且不暴露不互相重叠的用户，以便联合这些用户的特征进行建模；S6、在确定共有用户群体后，就可以利用这些数据训练机器学习模型，为了保证训练过程中数据的保密性，需要借助第三方协作者C进行加密训练；S7、在本地利用各自数据集进行训练，整个训练过程中各参与方的数据都不离开本地，将模型的梯度及权重等信息上传至中心服务器进行聚合分割，不会直接泄露隐私数据，也不会额外增加参训数据量，从而完成训练任务。2.根据权利要求1所述的一种隐私计算方法，其特征在于：在S2中，利用同态加密技术可以先对多个密文进行计算之后再解密，不必对每一个密文解密而花费高昂的计算代价；利用同态加密技术可以实现无密钥方对密文的计算，密文计算无须经过密钥方，既可以减少通信代价，又可以转移计算任务，由此可平衡各方的计算代价。3.根据权利要求1所述的一种隐私计算方法，其特征在于：在S3中，消息发送包括如下步骤：1)发送者生成两对公私钥，并将两个公钥puk0、puk1发送给接受者；2)接受者生成一个随机数，并用收到的两个公钥之一加密随机数，并将密文结果发送给发送者；3)发送者用自己的两个私钥分别解密收到随机数密文，并得到两个解密结果k0，k1，并将两个结果分别与要发送的两条信息进行异或，并将两个结果e0，e1发给接受者；4)接受者用自己的真实随机数与收到的e0、e1分别做异或操作，得到的两个结果中只有一条为真实数据，另外一条为随机数。4.根据权利要求1所述的一种隐私计算方法，其特征在于：在S6中，加密训练的过程包括如下步骤：a)协作者C把公钥分发给A和B，用以对训练过程中需要交换的数据进行加密；b)A和B之间以加密形式交互用于计算梯度的中间结果；c)A和B分别基于解密后的交互中间信息进行各自的梯度值计算，然后A,B分别将计算得到的X1,X2,X3,X4的梯度值上传...
【专利技术属性】
技术研发人员：阮安邦，魏明，邵革健，
申请(专利权)人：北京八分量信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。