基于CP-ABE的对等网络中联邦学习数据共享模型及其构建方法技术

本发明专利技术提出一种基于CP

【技术实现步骤摘要】
基于CP
‑
ABE的对等网络中联邦学习数据共享模型及其构建方法


[0001]本专利技术涉及信息安全
，具体涉及一种基于CP
‑
ABE的对等网络中联邦学习数据共享模型及其构建方法。

技术介绍

[0002]近年来，基于密文策略的属性加密(Ciphertext PolicyAttribute
‑
Based Encryption,CP
‑
ABE)作为加密与访问控制的完美结合，解决了在开放网络环境下以属性作为身份标识的高安全认证问题，被广泛应用于数据访问控制领域；联邦学习，作为一种新的满足隐私保护和数据安全的解决方案，很好地解决了数据孤岛问题，为人工智能打破数据屏障和进一步发展提供了新的思路。因此，在电力数据跨界汇聚融合和创新应用日益广泛的今天，急需创建一种安全可信共享模型，在保障电力数据安全的基础上促进其开发利用，实现协同共享，发挥电力数据的巨大价值。
[0003]随着智能电网和信息化建设的加速升级，电力行业积累了海量数据，通过应用这些电力大数据，可以指导电网规划、优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CP
‑
ABE的对等网络中联邦学习数据共享模型，其特征在于，包括参与方、访问控制模块和基于对等网络的联邦学习模块；所述参与方具体为想加入到联邦学习训练计划中进行协同共享的参与者；参与方在访问控制模块的密钥管理中心注册，具有合法加入资格的参与方拥有一组解密密钥，具有合法加入资格的参与方加入联邦学习训练计划时，用解密密钥解锁访问树的根节点，通过访问策略的参与方解密密文，获得本次训练任务及各项参数，然后加入训练管理队列，组建对等网络，参与联邦学习；所述访问控制模块用于密钥的分发与管理、访问控制树的创建、对任意参与方的核实与认证、存储带有训练任务及参数的密文以及管理由多个参与方组成的加入对等网络中的训练队列；所述基于对等网络的联邦学习模块用于参与方部署本地的BP神经网络模型，参与联邦学习，在循环队列中反复训练本地数据使模型达到收敛标准。2.一种基于CP
‑
ABE的对等网络中联邦学习数据共享模型的构建方法，其特征在于，包括以下步骤：步骤1：创建访问控制树，基于属性加密技术，采用结合随机多项式的门限访问策略筛选参与方；步骤2：通过访问策略认证的参与方使用私钥和解密公式解密密文，取得含有初始训练任务及训练参数的明文，同时参与方加入循环队列，构建对等网络；步骤3：在对等网络结构下，组建参与方组成的循环队列，确定联邦学习中训练参数的传递方向，构建参与方数据不离本地的联邦学习训练架构；步骤4：启动联合训练，在对等网络中采用参数传递运算评测方式进行模型及参数更新，直至满足训练要求，使模型达到收敛标准；步骤5：根据上述训练结果，设置最佳模型参数，对测试数据进行预测，观测其预测精度及评估指标，对共享模型的性能进行整体评估。3.如权利要求2所述的基于CP
‑
ABE的对等网络中联邦学习数据共享模型的构建方法，其特征在于，步骤1中，所述访问控制树包括阈值节点和属性节点，阈值节点的阈值(s,t)表示s个节点中至少含有t个节点的秘密值才能求解该阈值节点；步骤1中，所述属性加密技术具体过程如下：定义属性集合，创建公私密钥对，发布公钥，公式表示如下：Setup(1
λ
,U)
→
PK,MSKPK:G,g,e(g,g),
a
g
β
MSK:g
a
,β其中，Setup()表示初始化函数，λ表示安全系数，U表示系统属性集合，PK表示公钥，MSK表示系统主私钥，G表示双线性群，g表示生成元，e(g,g)表示双线性函数，a,β,r表示随机数；对通过注册的合法参与方秘密发送私钥组件：SK'
S
表示私钥组件，D表示该使用者私钥中的部分密钥，S表示当前用户的属性集，D
j
D'
j
表示每个属性对应的一对值；H()表示哈希函数，att(j)表示节点j的属性；对含有训练任务及参数要求的明文加密，生成密文：
...

【专利技术属性】
技术研发人员：王翀，高莉莎，刘梅招，许梦晗，刘凯，戴然，
申请(专利权)人：国网江苏省电力有限公司信息通信分公司，
类型：发明
国别省市：