CN107194185A - 一种具有隐私保护的多功能数据处理系统及方法 - Google Patents
一种具有隐私保护的多功能数据处理系统及方法 Download PDFInfo
- Publication number
- CN107194185A CN107194185A CN201710401628.6A CN201710401628A CN107194185A CN 107194185 A CN107194185 A CN 107194185A CN 201710401628 A CN201710401628 A CN 201710401628A CN 107194185 A CN107194185 A CN 107194185A
- Authority
- CN
- China
- Prior art keywords
- data
- node
- disturbance
- data processing
- dhn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Bioethics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Storage Device Security (AREA)
Abstract
本发明公开了一种具有隐私保护的多功能数据处理系统及方法,本发明解决的关键性问题是,如何在不泄露数据集的情况下,计算出数据集的均值、方差、最小值、最大值等结果。本发明中的数据集由多个数据提供结点(DPN)提供,数据扰动结点(DDN)使得数据处理结点(DHN)在不知道数据集中数据的情况下计算出数据集带“噪音”的均值、方差、最小值、最大值等计算结果。数据分析结点(DAN)通过去噪操作得到数据集精确的均值、方差、最小值、最大值等计算结果。本发明可以应用于多个应用领域,如无线体域网(WBANs)、智能电网(Smart Grids)、无线传感器网络(WSNs)等。
Description
技术领域
本发明属于隐私保护技术领域,涉及一种具有隐私保护的多功能数据处理系统及方法,特别涉及一种在不泄露数据的情况下计算数据集的均值、方差、最小值、最大值等统计结果的多功能数据处理系统及方法。
背景技术
无线体域网(WBANs)需要对用户心跳、脉搏、血压、体温等生理信息进行统计分析以实现用户的远程保健和监控等应用。但这些信息涉及用户健康状态的敏感信息。智能电网(Smart Grids)需要对用户集的用电信息进行分析以便进行恰当的电量调控。但用户用电量既直接包含用户的隐私信息又隐含了用户的个人生活习惯等其他敏感信息。无线传感器网络(WSNs)需要对传感设备感知的信息进行统计分析以实现对用户的各种服务。但传感设备感知的信息(如位置等)往往涉及用户的敏感信息。因此,如何在用户敏感信息不被泄露的情况下对数据进行统计分析是一个重要课题。
实际应用需求往往要求对同一数据集进行各种统计分析,如计算该数据集的均值、方差、最大值、最小值等。为了提高计算效率和实用性,在用户敏感信息不被泄露的情况下同时实现数据的多项统计结果的高效计算是一个非常具有挑战性的课题。
发明内容
为了在保证数据集不被泄露的情况下有效提高计算数据集各种统计结果的速度,本发明提供了一种具有隐私保护的多功能数据处理系统及方法。
本发明的系统所采用的技术方案是:一种具有隐私保护的多功能数据处理系统,其特征在于:包括数据提供结点DPN、数据扰动结点DDN、数据处理结点DHN和数据分析结点DAN;所述数据提供结点DPN设置有若干,用于提供原始数据;所述数据扰动结点DDN负责对收到的数据进行扰动处理;所述数据处理结点DHN负责对扰动后的数据进行处理;所述数据分析结点DAN负责整个系统的初启工作,对数据处理结点DHN的计算结果进行去噪操作得到精确的计算结果。
本发明的方法所采用的技术方案是:一种具有隐私保护的多功能数据处理方法,其特征在于,包括以下步骤:
步骤1:系统初始化;
步骤2:数据加密;
步骤3:数据扰动,对加密数据进行乱序、加噪处理并聚合;
步骤4:数据处理,对扰动后的数据进行处理;
步骤5:数据去噪,对处理结果进行去噪操作得到精确的处理结果。
本发明方法与现有的技术相比有如下的优点和有益效果:
本发明在保证数据不被泄露的情况下实现数据集的多个统计结果的高效计算,具有很高的实用性。本发明是一种通用的数据处理方案,可以应用于多个应用领域,如无线体域网(WBANs)、智能电网(Smart Grids)、无线传感器网络(WSNs)等。
附图说明
图1:本发明实施例的系统模型图;
图2:本发明实施例的方法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种具有隐私保护的多功能数据处理系统,包括数据提供结点(Data Providing Node,DPN)、数据扰动结点(Data Disturbing Node,DDN)、数据处理结点(Data Handling Node,DHN)和数据分析结点(Data Analyzing Node,DAN)。其中DPN可以有多个,它们负责提供原始数据,它们是半诚实的;DDN负责对收到的数据进行扰动处理,它是半诚实的;DHN负责对扰动后的数据进行处理(例如,求解它们的均值、方差、最小值、最大值等),它是半诚实的;DAN负责整个系统的初启工作,对DHN的计算结果进行去噪操作得到精确的计算结果,它是可信的。所谓半诚实的结点是指,该结点正确地遵循协议,但它保存所有来自其他结点的输入和所有中间计算结果企图以最大的可能获得其他结点的私有信息。
本实施例假设有n个数据提供结点DPN,1个数据扰动结点DDN,1个数据处理结点DHN和1个数据分析结点DAN。
请见图2,本发明提供的一种具有隐私保护的多功能数据处理方法,包括以下步骤:
步骤1:系统初始化;
步骤1.1:数据分析结点DAN根据安全参数生成系统参数、数据加密解密密钥对(pk,sk)和数据扰动加密解密密钥对(pkd,skd)。其中其中N=pq,p、q是两个大素数,g是的一个生成元,h=gq,e是双线性对sk=p;pkd=(p1,g1,g1 α),其中p1是一个大素数,g1是的生成元,α是中的一个随机数,skd=α。此外,DAN随机选择
步骤1.2:数据分析结点DAN通过安全信道将sk发送给数据处理结点DHN。
步骤1.3:数据分析结点DAN公开系统参数{pk,pkd,R}。
数据加密涉及图2中的步骤2。
步骤2:数据加密;
步骤2.1:数据提供结点DPNi(i=1,2,…,n)随机选择对数据mi进行BGN加密:其中mi的取值范围为{1,2,…,T},T<<N;
步骤2.2:将Ci发送给数据扰动结点DDN。
数据扰动涉及图2中的步骤3。
步骤3:数据扰动;
步骤3.1:数据扰动结点DDN对(C1,C2,…,Cn)实施扰动处理,具体实现包括以下子步骤:
步骤3.1.1:数据扰动结点DDN随机选择m'∈{1,2,…,T}作为噪声,随机选择计算
步骤3.1.2:数据扰动结点DDN随机选择ki∈{1,2,…,n}-{k1,k2,…,ki-1},计算:
步骤3.2:数据扰动结点DDN聚合(C″1,C″2,…,C″n)得到:
步骤3.3:数据扰动结点DDN随机选择利用pkd对m'实施加密得到:
步骤3.4:数据扰动结点DDN将和C*发送给数据处理结点DHN。
数据处理涉及图2中的步骤4。
步骤4:数据处理;
步骤4.1:数据处理结点DHN对进行解密:
通过求解以为底数的的离散对数可以得到:
步骤4.2:数据处理结点DHN对M'进行解析,经过n次整除运算和n次取余运算可以得到(m1+m′),(m2+m′),…,(mn+m′);
步骤4.3:数据处理结点DHN进一步计算得到:
M′max=max{m1+m′,m2+m′,…,mn+m′}
M′min=min{m1+m′,m2+m′,…,mn+m′}
步骤4.4:数据处理结点DHN将M′ave、M′var、M′max、M′min和C*发送给数据分析结点DAN。
数据去噪涉及图2中的步骤5。
步骤5:数据去噪;
步骤5.1:数据分析结点DAN对C*进行解密:
步骤5.2:数据分析结点DAN对M′ave、M′var、M′max、M′min进行“去噪”操作:
Mave=M′ave-m′
Mmax=M′max-m′
Mmin=M′min-m′
本发明提出一种具有隐私保护的多功能数据处理方案,该方案能够在不泄露数据的情况下高效地计算出数据集的平均值、方差、最大值、最小值等统计结果,具有广泛的应用场景,可以应用于无线体域网(WBANs)、智能电网(Smart Grids)、无线传感器网络(WSNs)等等。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种具有隐私保护的多功能数据处理系统,其特征在于:包括数据提供结点DPN、数据扰动结点DDN、数据处理结点DHN和数据分析结点DAN;所述数据提供结点DPN设置有若干,用于提供原始数据;所述数据扰动结点DDN负责对收到的数据进行扰动处理;所述数据处理结点DHN负责对扰动后的数据进行处理;所述数据分析结点DAN负责整个系统的初启工作,对数据处理结点DHN的计算结果进行去噪操作得到精确的计算结果。
2.根据权利要求1所述的具有隐私保护的多功能数据处理系统,其特征在于:所述数据提供结点DPN、数据扰动结点DDN和数据处理结点DHN均是半诚实的,所述数据分析结点DAN是可信的;所谓半诚实的结点是指该结点正确地遵循协议,但它保存所有来自其他结点的输入和所有中间计算结果企图以最大的可能获得其他结点的私有信息。
3.根据权利要求1或2所述的具有隐私保护的多功能数据处理系统,其特征在于:所述数据处理结点DHN负责对扰动后的数据进行处理,包括求解均值、方差、最小值、最大值。
4.一种具有隐私保护的多功能数据处理方法,其特征在于,包括以下步骤:
步骤1:系统初始化;
步骤2:数据加密;
步骤3:数据扰动,对加密数据进行乱序、加噪处理并聚合;
步骤4:数据处理,对扰动后的数据进行处理;
步骤5:数据去噪,对处理结果进行去噪操作得到精确的处理结果。
5.根据权利要求4所述的具有隐私保护的多功能数据处理方法,其特征在于,步骤1的具体实现包括以下子步骤:
步骤1.1:数据分析结点DAN根据安全参数生成系统参数、数据加密解密密钥对和数据扰动加密解密密钥对;
步骤1.2:数据分析结点DAN通过安全信道向数据处理结点DHN发送数据解密密钥;
步骤1.3:数据分析结点DAN发布系统公开参数。
6.根据权利要求4所述的具有隐私保护的多功能数据处理方法,其特征在于,步骤2的具体实现包括以下子步骤:
步骤2.1:数据提供结点DPN用数据加密密钥对数据实施加密操作;
步骤2.2:数据提供结点DPN将加密后的数据发送给数据扰动结点DDN。
7.根据权利要求4所述的具有隐私保护的多功能数据处理方法,其特征在于,步骤3的具体实现包括以下子步骤:
步骤3.1:数据扰动结点DDN对收到的加密数据进行扰动,具体实现包括以下子步骤:
步骤3.1.1:数据扰动结点DDN对收到的加密数据实施“添噪”处理;
步骤3.1.2:数据扰动结点DDN对添噪后的数据实施乱序处理;
步骤3.2:数据扰动结点DDN对扰动后的加密数据实施聚合操作;
步骤3.3:数据扰动结点DDN用扰动加密密钥对添加的“噪音”实施加密操作;
步骤3.4:数据扰动结点DDN将聚合数据和加密“噪声”发送给数据处理结点DHN。
8.根据权利要求4所述的具有隐私保护的多功能数据处理方法,其特征在于,步骤4的具体实现包括以下子步骤:
步骤4.1:数据处理结点DHN对收到的聚合数据实施解密操作;
步骤4.2:数据处理结点DHN对解密后的聚合数据进行解析,得到乱序后的带有“噪音”的数据;
步骤4.3:数据处理结点DHN对这些数据进行多函数功能的处理;
步骤4.4:数据处理结点DHN将处理结果和加密后的“噪声”发送给数据分析结点DAN。
9.根据权利要求8所述的具有隐私保护的多功能数据处理方法,其特征在于:步骤4.3中所述数据处理结点DHN对这些数据进行多函数功能的处理,包括求解均值、方差、最小值、最大值。
10.根据权利要求4-9任意一项所述的具有隐私保护的多功能数据处理方法,其特征在于,步骤5的具体实现包括以下子步骤:
步骤5.1:数据分析结点DAN对加密“噪声”实施解密操作得到“噪声”;
步骤5.2:数据分析结点DAN对处理结果实施去噪操作得到精确的处理结果,即原始数据的均值、方差、最小值、最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710401628.6A CN107194185B (zh) | 2017-05-31 | 2017-05-31 | 一种具有隐私保护的多功能数据处理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710401628.6A CN107194185B (zh) | 2017-05-31 | 2017-05-31 | 一种具有隐私保护的多功能数据处理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194185A true CN107194185A (zh) | 2017-09-22 |
CN107194185B CN107194185B (zh) | 2020-01-24 |
Family
ID=59876797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710401628.6A Active CN107194185B (zh) | 2017-05-31 | 2017-05-31 | 一种具有隐私保护的多功能数据处理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194185B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110691071A (zh) * | 2019-09-11 | 2020-01-14 | 湖北工业大学 | 一种具有隐私保护的海量数据处理系统及方法 |
CN113256886A (zh) * | 2021-04-15 | 2021-08-13 | 桂林电子科技大学 | 具有隐私保护的智能电网用电量统计和计费系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314580A (zh) * | 2011-09-20 | 2012-01-11 | 西安交通大学 | 一种基于向量和矩阵运算的支持计算的加密方法 |
CN102833740A (zh) * | 2012-09-03 | 2012-12-19 | 江苏科技大学 | 一种无线传感器网络数据聚合隐私保护方法 |
CN103581175A (zh) * | 2013-10-17 | 2014-02-12 | 江苏科技大学 | 一种安全的数据聚合方法 |
US20150324604A1 (en) * | 2014-05-09 | 2015-11-12 | Fujitsu Limited | Trusted and privacy-preserving mechanism for electricity usage data disclosure using verifiable noise |
CN105429749A (zh) * | 2015-10-28 | 2016-03-23 | 袁超 | 一种分离特征数据的加解密方法及系统 |
CN105577357A (zh) * | 2015-12-21 | 2016-05-11 | 东南大学 | 基于全同态加密的智能家居数据隐私保护方法 |
-
2017
- 2017-05-31 CN CN201710401628.6A patent/CN107194185B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314580A (zh) * | 2011-09-20 | 2012-01-11 | 西安交通大学 | 一种基于向量和矩阵运算的支持计算的加密方法 |
CN102833740A (zh) * | 2012-09-03 | 2012-12-19 | 江苏科技大学 | 一种无线传感器网络数据聚合隐私保护方法 |
CN103581175A (zh) * | 2013-10-17 | 2014-02-12 | 江苏科技大学 | 一种安全的数据聚合方法 |
US20150324604A1 (en) * | 2014-05-09 | 2015-11-12 | Fujitsu Limited | Trusted and privacy-preserving mechanism for electricity usage data disclosure using verifiable noise |
CN105429749A (zh) * | 2015-10-28 | 2016-03-23 | 袁超 | 一种分离特征数据的加解密方法及系统 |
CN105577357A (zh) * | 2015-12-21 | 2016-05-11 | 东南大学 | 基于全同态加密的智能家居数据隐私保护方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110691071A (zh) * | 2019-09-11 | 2020-01-14 | 湖北工业大学 | 一种具有隐私保护的海量数据处理系统及方法 |
CN113256886A (zh) * | 2021-04-15 | 2021-08-13 | 桂林电子科技大学 | 具有隐私保护的智能电网用电量统计和计费系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107194185B (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Homomorphic encryption-based privacy-preserving federated learning in IoT-enabled healthcare system | |
Belguith et al. | Phoabe: Securely outsourcing multi-authority attribute based encryption with policy hidden for cloud assisted iot | |
Xu et al. | Privacy-preserving data integrity verification by using lightweight streaming authenticated data structures for healthcare cyber–physical system | |
Wang et al. | An efficient and privacy-preserving outsourced support vector machine training for internet of medical things | |
Kumar et al. | ANAF-IoMT: A novel architectural framework for IoMT-enabled smart healthcare system by enhancing security based on RECC-VC | |
CN108055118B (zh) | 一种隐私保护的图数据交集计算方法 | |
WO2018210895A1 (en) | Post-quantum secure private stream aggregation | |
CN107222302B (zh) | 用部分同态加密方案构建的空间众包任务分配系统及方法 | |
WO2019006966A1 (zh) | 一种隐私保护空间众包的任务分配系统模型及实现方法 | |
Guo et al. | A privacy-preserving online medical prediagnosis scheme for cloud environment | |
Chaudhary et al. | A lightweight security framework for electronic healthcare system | |
Guan et al. | Achieving adaptively secure data access control with privacy protection for lightweight IoT devices | |
Ghosh et al. | CASE: A context-aware security scheme for preserving data privacy in IoT-enabled society 5.0 | |
Sun et al. | A privacy protection policy combined with privacy homomorphism in the internet of things | |
CN107194185A (zh) | 一种具有隐私保护的多功能数据处理系统及方法 | |
Xie et al. | Privacy-preserving location-based data queries in fog-enhanced sensor networks | |
Joshitta et al. | Security analysis of SAT_Jo lightweight block cipher for data security in healthcare IoT | |
CN106658490A (zh) | 一种无线传感器网络同态加密隐私保护方法 | |
CN110691071A (zh) | 一种具有隐私保护的海量数据处理系统及方法 | |
Vamsi et al. | Electronic health record security in cloud: Medical data protection using homomorphic encryption schemes | |
Suma et al. | Brakerski‐Gentry‐Vaikuntanathan fully homomorphic encryption cryptography for privacy preserved data access in cloud assisted Internet of Things services using glow‐worm swarm optimization | |
Bashir et al. | Resource efficient security mechanism for cloud of things | |
Singh et al. | Key management scheme for internet of things using an elliptic curve | |
Wang et al. | Efficient mediated ciphertext-policy attribute-based encryption for personal health records systems | |
Ali et al. | Protecting IoT based transmitted data security using tokenized multiple layered encryption techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |