【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种基于决策树的分类结果公开验证隐私保护方法及系统。
技术介绍
1、决策树分类器是一种基础、高效且易被广泛使用的机器学习分类器。决策树已经被广泛的应用于疾病诊断、垃圾邮件过滤、银行客户信用评级等。目前已有大量的人工智能公司开始提供付费的决策树分类服务。由于人工智能公司所持有的模型属于商业机密，不能简单的将模型发送给用户，让用户在本地用模型对数据进行分类。因此现有情况下用户将自己的数据发送给人工智能公司，其利用决策树对用户数据进行分类，并将分类结果发送给用户。但在这一场景中，存在着极大的安全风险。
2、首先，用户的数据往往具有高度隐私性，不能被其他人获知。例如，在疾病诊断场景中，用户的数据是高度隐私的健康信息，包括但不限于身高、体重、血压、疾病史等；在垃圾邮件过滤场景中，人工智能公司需要获知用户邮件的具体内容才能准确的对垃圾邮件进行准确的拦截，而这会严重侵犯用户隐私。
3、再者，用户的分类结果也需要对人工智能公司保密。例如用户并不想暴露自己是否患有某种疾病，以及银行客户的信用等级也属于隐私信息，不能将其暴露给人工智能公司。
4、最后，当人工智能公司接收到大量用户的分类任务请求时，人工智能公司可能出于减少开销提供自身收益的目的，选择不完整的执行决策树分类算法，甚至可能完全不执行决策树分类算法，随意返回一个合理的随机值给用户。而用户没有能力去区分人工智能公司返回的结果是否是正确的分类结果。
5、因此，现有的决策树分类器均不能同时解决上述安全问题，即不能同时提
6、针对上述技术问题，本专利技术提出一种基于决策树的分类结果公开验证隐私保护方法及系统。
技术实现思路
1、本专利技术的目的是针对现有技术的缺陷，提供了一种基于决策树的分类结果公开验证隐私保护方法及系统。
2、为了实现以上目的，本专利技术采用以下技术方案：
3、一种基于决策树的分类结果公开验证隐私保护方法，包括：
4、s1.根据安全参数生成全同态加密算法的公钥和私钥，并采用公钥将所有数据 a j进行加密，将加密后的密文 ct j发送至服务方；其中 ct j表示第j个密文， j=1,…,n；
5、s2.根据安全参数配置双线性映射e，并将配置双线性映射e的所有信息e： g 1 *g 2 → g t ，p,g 1 ,g 2发送给服务方；其中，p表示阶； g 1 ，g 2 ，g t表示阶为p的循环群，g1，g2表示循环群g1和g2的生成元；
6、s3.接收服务方对加密后的密文 ct j和双线性映射的所有信息e： g 1 *g 2 →g t ，p,g 1 ,g 2进行计算得到的所有计算结果；其中，表示多项式中每个单项式的系数，i=1 ,…,m；
7、s4.对服务方的所有计算结果进行计算，得到所有辅助验证值 b i；
8、s5.接收服务方在所有密文 ct j上获得的待验证的分类结果密文 ct以及所有hi(a1,…,an) 对应的密文；其中，hi表示多项式函数f的m个单项式；a1,…,an表示进行分类的n维数据；
9、s6.采用私钥对密文ct以及所有hi(a1,…,an)对应的密文进行解密，并基于所有辅助验证值bi、双线性映射e对解密结果进行计算，得到验证值v1、v2；
10、s7.判断验证值v1是否等于验证值v2，若是，则表示分类结果正确。
11、进一步的，在步骤s1之前还包括：
12、接收服务方预先将决策树模型转化为d次的多项式函数；其中多项式函数的输出为分类结果。
13、进一步的，所述步骤s2中还包括预先为效率闭锁式伪随机函数f设置密钥k。
14、进一步的，所述步骤s4中辅助验证值 b i，表示为：
15、；
16、其中，表示效率闭锁式伪随机函数f在密钥k下对i进行加密的结果；表示随机数。
17、进一步的，所述步骤s4中还包括利用效率闭锁式伪随机求值函数prf-eval、密钥k以及hi，在循环群g1中计算随机值r，并利用双线性映射e计算验证密钥vk。
18、进一步的，所述在循环群g1中计算随机值r，表示为：
19、r=prf-eval(k,h1,…hm)
20、其中，h1,…hm表示多项式函数f的m个单项式，hi∈h1,…hm。
21、进一步的，所述利用双线性映射e计算验证密钥vk，表示为：
22、vk=e(r,g2)
23、其中，r表示随机值。
24、进一步的，所述步骤s6中验证值v1和v2表示为：
25、v1=e(b,g2)
26、v2=；
27、其中，b表示最终辅助验证值；y表示待验证的分类结果。
28、进一步的，所述步骤s6中最终辅助验证值b表示为：
29、；
30、其中，m表示多项式函数f中单项式的个数。
31、相应的，还提供一种决策树的分类结果公开验证隐私保护系统，其特征在于，包括：...
【技术保护点】
1.一种基于决策树的分类结果公开验证隐私保护方法，其特征在于，包括：
2.根据权利要求1所述的一种基于决策树的分类结果公开验证隐私保护方法，其特征在于，在步骤S1之前还包括：
3.根据权利要求2所述的一种基于决策树的分类结果公开验证隐私保护方法，其特征在于，所述步骤S2中还包括预先为效率闭锁式伪随机函数F设置密钥K。
4.根据权利要求3所述的一种基于决策树的分类结果公开验证隐私保护方法，其特征在于，所述步骤S4中辅助验证值bi，表示为：
5.根据权利要求4所述的一种基于决策树的分类结果公开验证隐私保护方法，其特征在于，所述步骤S4中还包括利用效率闭锁式伪随机求值函数PRF-Eval、密钥K以及hi，在循环群G1中计算随机值R，并利用双线性映射e计算验证密钥vk。
6.根据权利要求5所述的一种基于决策树的分类结果公开验证隐私保护方法，其特征在于，所述在循环群G1中计算随机值R，表示为：
7.根据权利要求6所述的一种基于决策树的分类结果公开验证隐私保护方法，其特征在于，所述利用双线性映射e计算验证密钥vk，表示为
8.根据权利要求7所述的一种基于决策树的分类结果公开验证隐私保护方法，其特征在于，所述步骤S6中验证值V1和V2表示为：
9.根据权利要求8所述的一种基于决策树的分类结果公开验证隐私保护方法，其特征在于，所述步骤S6中最终辅助验证值B表示为：
10.一种基于权利要求1-9任一项所述的一种决策树的分类结果公开验证隐私保护方法的系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于决策树的分类结果公开验证隐私保护方法，其特征在于，包括：
2.根据权利要求1所述的一种基于决策树的分类结果公开验证隐私保护方法，其特征在于，在步骤s1之前还包括：
3.根据权利要求2所述的一种基于决策树的分类结果公开验证隐私保护方法，其特征在于，所述步骤s2中还包括预先为效率闭锁式伪随机函数f设置密钥k。
4.根据权利要求3所述的一种基于决策树的分类结果公开验证隐私保护方法，其特征在于，所述步骤s4中辅助验证值bi，表示为：
5.根据权利要求4所述的一种基于决策树的分类结果公开验证隐私保护方法，其特征在于，所述步骤s4中还包括利用效率闭锁式伪随机求值函数prf-eval、密钥k以及hi，在循环群g1中计算随机值r，并利用双线...
【专利技术属性】
技术研发人员：陈昕，冯黎明，马煜翔，吴凡，刘文博，
申请(专利权)人：蓝象智联杭州科技有限公司，
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。