【技术实现步骤摘要】
一种保护隐私且非交互的多方逻辑回归模型训练方法
[0001]本专利技术涉及云计算
,具体涉及一种保护隐私且非交互的多方逻辑回归模型训练方法
。
技术介绍
[0002]随着云计算的兴起和数据资源的不断丰富,越来越多的机构和企业愿意将私有数据从本地转移到云服务器,从而进行更快速的分析计算任务和训练模型任务
。
这种趋势在医疗领域也得到了体现,许多企业和机构都利用机器学习算法开发了各种医疗应用程序和辅助诊断工具,以提高医疗水平和治疗效果
。
例如,疾病预测系统
(Disease Prediction Systems,DPSs)
近年来受到了广泛关注
。
逻辑回归作为一种经典的机器学习算法,已广泛应用于多种疾病的预测
。
尽管它很简单,但它比一些复杂的技术
(
如贝叶斯分类
,
支持向量机等
)
更有效和合适
。
[0003]不幸的是,由于隐私问题和通信限制,逻辑回归训练仍面临许多挑战
。
一方面,数据拥有者的本地训练数据通常包含大量个人或组织的私人信息
。
这些原始数据包含大量的个人隐私信息
(
如健康状况
、
收入状况等
)
,一旦这些数据被泄露,就可能导致对手利用计算机辅助犯罪
。
另一方面,围绕数据主权和管辖权的隐私问题和数据保护法律阻止这些机构和数据拥有者公开共享用 ...
【技术保护点】
【技术特征摘要】
1.
一种保护隐私且非交互的多方逻辑回归模型训练方法,其特征在于,包括下列步骤:构建多方逻辑回归模型并进行初始化;所述多方逻辑回归模型内的实体进行注册;提供数据进行加密;数据收集与身份验证;使用隐私保护训练协议进行训练;完成分布式解密
。2.
如权利要求1所述的保护隐私且非交互的多方逻辑回归模型训练方法,其特征在于,所述多方逻辑回归模型由密钥生成中心
KGC、
数据拥有者
DOs、
服务提供者
SP
和云服务器
CS
共4个实体;所述密钥生成中心
KGC
负责生成系统所需的公共参数和强私钥
λ
,并将强私钥
λ
分成两部分,再将部分强私钥
λ1发送给服务提供者
SP
,部分强私钥
λ2发送给云服务器
CS
;所述数据拥有者
DOs
负责提供训练所需的数据及加密;所述服务提供者
SP
负责收集数据,初始化模型参数,并与云服务器
CS
进行交互式训练;所述云服务器
CS
拥有部分强私钥
λ2,能够对服务提供者
SP
发送的密文进行部分解密,并对密文进行计算
。3.
如权利要求2所述的保护隐私且非交互的多方逻辑回归模型训练方法,其特征在于,所述数据拥有者
DOs
只负责发送数据,发送完毕后下线不再参与任何其他训练;所述云服务器
CS
不会与所述服务提供者
SP
共谋,也不会向其余实体泄露信息
。4.
如权利要求3所述的保护隐私且非交互的多方逻辑回归模型训练方法,其特征在于,进行初始化的过程,包括下列步骤:所述密钥生成中心
KGC
选择一个安全参数
k
和两个大素数
p,q
,计算:
λ
=
lcm(p
‑
1,q
‑
1)
=
2p
′
q
′
,
N
=
pq
;定义一个解密函数为并选择一个阶为
2p
′
q
′
的生成数
g
用于加密,并令强私钥为
SK
=
λ
;将
SK
=
λ
随机分解成两部分,即
SK
j
=
λ
j
(j
=
1,2)
,其中
λ1,
λ2满足
λ1+
λ2≡0mod
λ
,
λ1+
λ2≡1modN2;计算系统的公共参数
Par
=
(N,g)
和部分强私钥
SK1=
λ1,SK2=
λ2;将部分强私钥
λ1发送给服务提供者
SP
,部分强私钥
λ2发送给云服务器
CS。5.
如权利要求4所述的保护隐私且非交互的多方逻辑回归模型训练方法,其特征在于,所述多方逻辑回归模型内的实体进行注册的过程,包括下列步骤:数据拥有者
DOs
中的任意用户
DOi
注册:对于每个用户
i
,密钥生成中心
KGC
随机选择
θ
i
∈[1,N/4]
,并计算最...
【专利技术属性】
技术研发人员:王会勇,陈天明,丁勇,唐士杰,王继奎,
申请(专利权)人:桂林电子科技大学,
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。