一种格上基于函数加密的联邦学习聚合方法技术

本发明专利技术提供一种格上基于函数加密的联邦学习聚合方法，每一次迭代全局模型更新包括以下步骤：可信第三方初始化建立每个用户对应的PIM‑MCFE密钥和PIM‑MCFE聚合密钥，其中PIM‑MCFE密钥包括用于会话秘钥、私钥和解密密钥；用户在本地训练获得模型参数后，先使用PIM‑MCFE密钥中的会话秘钥对模型参数进行掩盖，再对掩盖的模型参数使用PIM‑MCFE密钥中的私钥进行加密生成密文并上传至聚合服务器；聚合服务器利用PIM‑MCFE聚合密钥完成对密文解密得到掩盖的聚合结果，并将聚合结果分发给用户；用户利用各自接收到的PIM‑MCFE密钥中的解密密钥恢复出真实的全局模型参数，并在本地对训练模型进行更新。本发明专利技术不会泄露单个用户的模型参数信息和聚合中间结果，并且能抵抗量子攻击。

【技术实现步骤摘要】

本专利技术涉及信息安全技术以及联邦学习技术，特别涉及格上基于函数加密的联邦学习聚合技术。

技术介绍

1、目前联邦学习已广泛应用于工业界和学术界的各个领域，例如在医疗领域中预测心脏病发作的模型，根据联邦学习算法的预测结果为患者提供更加精准的医疗建议。联邦学习是一种带有隐私保护的分布式机器学习的解决方案，包括：服务器选择进行分布式学习的客户端；选定的客户端从服务器下载当前模型权重和训练程序；客户端通过执行训练程序在本地计算对模型进行更新；服务器收集各客户端的更新；服务器根据聚合的结果更新模型完成分布式机器学习。其中，服务器收集各客户端的更新的过程即为联邦学习聚合。

2、对于传统的联邦学习，所有的梯度或者模型都会发给服务器由服务器统一进行聚合，此过程必然为联邦学习引入安全问题。攻击者可能通过推断模型参数获得用户的敏感信息，而且传统的联邦学习方案还容易遭到重构攻击、模型反演攻击和数据注入攻击等其他隐私攻击。

3、相应的存在一些优化机制，包括：增加隐私的安全聚合、为了通讯效率而对聚合进行有损压缩、使用差分隐私来增加噪声等。隐私保护联邦学习pp本文档来自技高网...

【技术保护点】

1.一种格上基于函数加密的联邦学习聚合方法，其特征在于，联邦学习中每一次迭代全局模型更新包括以下步骤：

2.如权利要求1所述方法，其特征在于，使用PIM-MCFE密钥中的会话秘钥对模型参数进行掩盖之前设置加密控制参数，所述加密控制参数用于控制会话秘钥是否能有效掩盖模型参数；

3.如权利要求2所述方法，其特征在于，可信第三方采用KeyGen函数建立每个用户对应的PIM-MCFE密钥，KeyGen(msk，pp，y)→sk，KeyGen函数根据输入主私钥msk、公钥pp和函数向量y，输出作为PIM-MCFE密钥的私钥sk；其中，主私钥msk和公钥pp是可信第三方进行初...

【技术特征摘要】

1.一种格上基于函数加密的联邦学习聚合方法，其特征在于，联邦学习中每一次迭代全局模型更新包括以下步骤：

2.如权利要求1所述方法，其特征在于，使用pim-mcfe密钥中的会话秘钥对模型参数进行掩盖之前设置加密控制参数，所述加密控制参数用于控制会话秘钥是否能有效掩盖模型参数；

3.如权利要求2所述方法，其特征在于，可信第三方采用keygen函数建立每个用户对应的pim-mcfe密钥，keygen(msk，pp，y)→sk，keygen函数根据输入主私钥msk、公钥pp和函数向量y，输出作为pim-mcfe密钥的私钥sk；其中，主私钥msk和公钥pp是可信第三方进行初始化时得到，函数向量y根据本轮参与训练的用户数量设置，用于聚合服务器进行聚合结果计算；sk＝(ski}i∈[n]＝{mski，ki，dky}，其中，n为参与本轮联邦学习训练的用户数量，第i个用户的私钥ski包括主私钥mski，会话密钥ki和解密密钥dky，会话密钥ki为一次性会话密钥。

4.如权利要求3所述方法，其特征在于，可信第三方采用keyder函数生成每个用户对应的pim-mcfe聚合密钥，keyder(pp，sk，y)→sky，keyder函数根据输入的公钥pp、私钥sk和函数向量y，输出pim-mcfe聚合密钥sky。

5.如权利要求1所述方法，其特征在于，可信第三方采用setup函数进行初始化，setup(1λ，1n)→(pp，msk)，setup函数根据输入的安全参数λ和参与本轮联邦学习的用户总数n初始化生成每一轮训练中所有参与用户的公钥pp和...

【专利技术属性】
技术研发人员：李洪伟，张然，钱心缘，姜文博，邓翔文，刘栋骁，张希琳，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：