【技术实现步骤摘要】
本专利技术涉及机器学习，具体涉及一种支持批量身份验证且保护隐私的逻辑回归训练方法。
技术介绍
1、机器学习的成功很大程度上依赖于大量的训练数据集，现如今许多公司和研究机构的目标是收集尽可能多的用户数据，以优化其算法或相关模型。同时，为了充分利用云平台提供的计算能力，越来越多的应用选择在云平台上进行模型训练。
2、
3、为了实现隐私保护，研究者们的一个常用方法是通过使用不同的加密机制来保护用户的私有数据。2019年，mandal提出了一种联邦学习隐私保护系统，并为线性回归和逻辑回归模型设计了相应的方案。但在训练过程中用户和云服务器都需要保持在线状态，用户不允许脱机，必须始终参与到训练过程中。然而，在现实的场景中，保证所有用户参与整个训练过程对网络的要求严格，且会导致大量的通信负担。此外，2021年，edemacu提出了一种保护隐私的协作学习方案，该方案通过集成同态加密和上传加密权重来解决模型和数据隐私问题，并在保证数据和模型隐私的同时检查参与者的数据质量。然而，如果云服务器与任何训练参与者串通，则无法保证该方案的安全性。即云服务器与任一数据拥有者共谋则云服务器可以解密其他数据拥有者的数据，进而导致数据泄露。
技术实现思路
1、本专利技术的目的在于提供一种支持批量身份验证且保护隐私的逻辑回归训练方法，旨在解决现有的逻辑回归训练方案无法在保证数据安全的同时降低存储开销和计算开销的技术问题。
2、为实现上述目的，本专利技术提供了一种支持批量身份验证且保护
3、步骤1：构建包括数据拥有者dos、服务提供商sp和云服务器cs三个实体的系统并进行初始化；
4、步骤2：系统内的实体注册；
5、步骤3：基于elgamal方法进行数据加密；
6、步骤4：批量身份验证；
7、步骤5：完成分布式解密；
8、步骤6：执行隐私保护训练协议。
9、可选的，所述数据拥有者dos提供训练所需的数据，上传数据之前，数据拥有者dos利用密钥对数据进行加密，然后将加密后的数据发送给服务提供商sp，并将数据标签发送给云服务器cs，数据发送完毕之后数据拥有者dos下线，不参与其他任何训练；
10、所述服务提供商sp负责收集数据，初始化系统模型参数，并与云服务器进行交互训练；
11、所述云服务器cs负责提供计算能力，与服务提供商sp进行交互，但不会与与服务提供商sp共谋。
12、可选的，步骤1中初始化负责生成系统参数，操作过程具体为云服务器cs选择两个乘法循环群g1,g2，g1,g2分别是g1,g2的生成数，生成一个双线性映射e:g1×g2→gt，此外，采用全域散列函数h:{0,1}*→g2对任意消息m∈{0,1}*生成签名，采用的激活函数是sigmoid函数f(x)＝1/(1+e-x)。
13、可选的，步骤2的注册阶段由以下步骤组成：
14、步骤2.1：设存在乘法循环群g，它的生成数为g，|g|＝p,其中p是一个大的安全素数，p是乘法循环群g的阶；
15、步骤2.2：云服务器cs选取一个随机数xcs∈zp-1，计算并公布；
16、步骤2.3：服务提供商sp选取一个随机数xsp∈zp-1，计算并公布，此时云服务器cs可以计算xcs，xsp分别属于云服务器cs，服务提供商sp的私有密钥；
17、步骤2.4：数据拥有者dos中的每一个doi(1≤i≤n)选取一个随机数xi∈zp-1，计算并公布；
18、步骤2.5：每一个doi(1≤i≤n)计算并公布；
19、步骤2.6：加密密钥可被所有实体计算：解密密钥为：(skdo,sksp,skcs)。
20、可选的，在步骤3中由doi对数据进行加密，对于明文在公钥pk下的密文可以计算为：[m]pk＝{c1,c2}，其中c1＝gk，
21、可选的，步骤4中，若存在n个用户，对应用户分别与服务提供商sp和云服务器cs之间采用批量身份验证。
22、可选的，步骤5中收到密文[m]pk＝{c1,c2}时，解密算法操作包括如下两种：
23、方式一：
24、云服务器cs计算：
25、服务提供商sp下载再计算：
26、方式二：
27、服务提供商sp计算
28、或云服务器cs下载再计算：
29、可选的，在步骤6中，服务提供商sp不能对数据集中的任何加密记录直接解密，而是将当前系统模型的一些消息加密为令牌，然后将令牌提交给云服务器cs请求服务，以此完成误差函数的梯度计算操作。
30、本专利技术提供了一种支持批量身份验证且保护隐私的逻辑回归训练方法，构造了一个服务提供商和云服务器不相互勾结的系统，其中数据拥有者只需提供加密数据，不需要参与训练，降低了数据拥有者的通信开销，利用基于elgamal密码系统的乘法同态变体对数据进行加密，采用模型参数致盲明文数据的方式对数据进行隐藏，同时采用分布式解密策略，防止解密密钥私有化，从而保证数据的机密性；进一步的，通过批量身份验证，可以一次性验证多个用户的身份信息，能够快速有效地处理大量用户的身份验证请求，提高了工作效率并降低了成本。
本文档来自技高网...【技术保护点】
1.一种支持批量身份验证且保护隐私的逻辑回归训练方法，其特征在于，包括下列步骤：
2.如权利要求1所述的支持批量身份验证且保护隐私的逻辑回归训练方法，其特征在于，
3.如权利要求2所述的支持批量身份验证且保护隐私的逻辑回归训练方法，其特征在于，
4.如权利要求3所述的支持批量身份验证且保护隐私的逻辑回归训练方法，其特征在于，
5.如权利要求4所述的支持批量身份验证且保护隐私的逻辑回归训练方法，其特征在于，
6.如权利要求5所述的支持批量身份验证且保护隐私的逻辑回归训练方法，其特征在于，
7.如权利要求6所述的支持批量身份验证且保护隐私的逻辑回归训练方法，其特征在于，
8.如权利要求7所述的支持批量身份验证且保护隐私的逻辑回归训练方法，其特征在于，
【技术特征摘要】
1.一种支持批量身份验证且保护隐私的逻辑回归训练方法，其特征在于，包括下列步骤：
2.如权利要求1所述的支持批量身份验证且保护隐私的逻辑回归训练方法，其特征在于，
3.如权利要求2所述的支持批量身份验证且保护隐私的逻辑回归训练方法，其特征在于，
4.如权利要求3所述的支持批量身份验证且保护隐私的逻辑回归训练方法，其特征在于，
...【专利技术属性】
技术研发人员：王会勇，陈天明，唐士杰，赵萌，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。