CN107786342A - 基于盲签名的细粒度隐私保护症状匹配系统及其匹配方法 - Google Patents

Abstract

本发明公开一种基于盲签名的细粒度隐私保护症状匹配系统及其匹配方法主要包括一个可信症状管理中心SA和多个用户，步骤为：系统初始化；密钥生成；广播信息产生；盲签名生成；症状匹配。本发明无需依靠任何可信第三方，使用基于RSA的盲签名算法来生成保护隐私的症状信息签名，同时使用随机数来抵御侧通道攻击，通过设置症状等级计算症状的加权欧氏距离来决定是否进行匹配，本发明具有高的匹配效率，可用于移动医疗社交网络中。

Description

基于盲签名的细粒度隐私保护症状匹配系统及其匹配方法

技术领域

本发明涉及一种无线网络症状隐私保护技术，具体涉及一种基于盲签名的细粒度隐私保护症状匹配系统及其匹配方法。

背景技术

随着移动计算、传感器系统和无线通信技术的快速发展，移动医疗社交网络(MHSNs)已经引起了工业界和学术界的极大关注。NHSNs与传统的电子医疗保健系统不同，患者通过身上的可穿戴/可移植的无线传感器节点感知患者健康信息(Patient HealthInformation,PHI)，由无线体域网进行数据收集，并将收集到的数据通过无线通信(如蓝牙、Wi-Fi等)传送至患者的智能终端(如智能手机、pad等)上，由智能终端进行数据的整合、分析、显示等操作，并通过3G或4G网络将PHI值传输到远程医疗中心。通过这种方式，MHSNs将传统的集中式电子医疗系统扩展为一种分散的、自我组织的系统，让那些授权的、具有相同症状并构成社会群体的移动患者，可以被识别、搜索和进行社会活动。

在移动医疗社交网络中，具有相同症状的患者更有可能分享他们的医疗经验来获得相互支持和安慰，或者支持机会计算。然而，安全和隐私问题是实现整个系统之前的绊脚石。由于PHI包含敏感信息，患者可能只允许那些具有类似症状的其他患者参与分享操作。因此，在移动医疗社交网络中，与其他患者建立社会互动之前的主要挑战就是如何实现保护隐私的症状匹配，以及如何根据症状的轻重程度进行精确匹配。此外，智能手机不仅用于医疗监测，还用于其他的应用，在设计保护隐私的症状匹配方案的时候就需要考虑到计算开销和效率。

为了达到这个目的，Lu等人、Cox等人、Manweiler等人和Rane等人在症状匹配过程中采用不同的方法来保护隐私，然而，这些方案中的大多数都采用了对资源受限的移动设备造成巨大开销的密码学工具。同时，在基于安全可信第三方的匹配方案中，用户将他们的信息传送给可信第三方，由第三方作为匹配中心计算并得出最佳匹配者。然而，由于第三方需要知道所有用户的信息进行匹配，而用户所依靠的第三方并不绝对可信，因此，如果第三方所掌握的信息被攻破，由此引出的隐私泄露问题也是不可估量的。

综上所述，在移动医疗社交网络中，在不依赖完全可信第三方的情况下进行细粒度症状匹配时如何保证患者的隐私信息不泄露于症状不匹配对象是目前需要解决的技术问题，同时如何降低移动设备的计算开销和通信开销也是一个需要解决的技术问题。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于盲签名的细粒度隐私保护症状匹配系统及其匹配方法，以在资源受限的移动设备上和没有可信第三方的情况下进行准确且高效的症状匹配。

技术方案：本发明公开一种基于盲签名的细粒度隐私保护症状匹配系统，包括用户、AP和监护中心，监护中心包括可信症状管理中心SA、PHI存储设备和医生；可信症状管理中心SA为所有用户分发合适的身体传感器节点；用户通过穿戴/可移植的无线传感器节点采集用户健康信息，并由智能终端(智能手机、平板电脑等)进行数据的整合、分析和显示，可信症状管理中心SA通过网络将PHI值传输到远程医疗中心，同时进行隐私症状匹配和广播交友信息。

本发明还公开了一种基于盲签名的细粒度隐私保护症状匹配方法，具体包括如下步骤：

(1)系统初始化：用户分别与可信症状管理中心SA以及该用户周围其他用户建立通信，可信症状管理中心SA为所有用户分发合适的身体传感器节点；

(2)生成用户的密钥：用户Alice首先随机选取两个大素数p和q，计算乘积N＝p×q，然后随机选取加密密钥e，使e和(p-1)(q-1)互素，最后用欧几里得扩展算法计算解密密钥d，以满足ed≡1mod(p-1)(q-1)，则得到公钥为(N,e)，私钥为(N,d)；

(3)广播信息产生；

(4)盲签名生成：用户Bob在收到症状信息匹配请求时，将自己的所有症状信息分别盲化后发给用户Alice，用户Alice收到相应信息分别签名后再发给用户Bob，用户Bob将收到的签名后的症状信息进行去盲并发给用户Alice；

(5)用户Alice将去盲后签名症状信息进行匹配。

所述步骤(1)的具体步骤为：用户通过无线网络AP或3G/4G网络与可信症状管理中心SA进行通信，通过蓝牙或WiFi与其周围用户进行通信。

所述步骤(3)中的广播信息产生方法具体步骤为：

Alice拥有自己公钥(N,e)和私钥(N,d)，首先选取随机数然后对自己的每一个症状信息分别计算再计算对于每一个症状等级分别计算最后将发送给用户Bob，其中哈希函数H(·)和H₀(·)使用SHA-256算法，症状等级被设置在区间[0,10)中且为整数，上述每一个症状等级是根据医生对于症状程度预先设定的等级来决定，是指用户Alice拥有的第i个症状I_A，i表示症状的顺序；是指用户Alice的第i个症状与R₁一起计算的哈希值，是针对的签名。

上述过程中，通过引入随机数R₁且不公布，能够抵御穷举攻击；医生根据病人症状的轻重程度设置症状等级，根据症状等级可实现细粒度症状匹配。

所述步骤(4)中的盲签名生成方法具体步骤为：

(4.1)盲化过程：

当用户Bob收到匹配请求时，首先选取一个随机数然后对他自己的每一个症状信息分别计算再计算最后将发送给Alice；是指Bob拥有的第i个症状I_B；i表示顺序；是指Bob的第i个症状的哈希值，x_i是指对盲化后的值，是指是Bob的第i个症状的症状等级；

(4.2)签名过程：

Alice在收到Bob的消息后，计算y_i＝(x_i·R₁)^d mod N，对于每一个症状等级分别计算并将症状的签名结果以随机的顺序发送给Bob，y_i是指对x_i和R₁乘积的签名，

(4.3)去盲过程：

Bob在收到症状的签名结果后，计算z_i＝y_i·r^-1mod N以获取他症状的签名，然后创建两个列表和Bob查找列表L_A中每一个症状信息签名是否在症状信息签名z_i组成的集合中，最后将所有对应的或者以随机的顺序发送给Alice，z_j是指对y_i去盲后的值。

所述步骤(5)中的症状匹配具体步骤为：

Alice在接收到后，分别计算 和其中，m为两个用户之间共同病症个数，共同病症个数是收到的的条目数，将D(A,B)与预定阈值进行比较，如果D(A,B)小于预定阈值，则本次请求匹配成功，Alice和Bob成为好友，否则，本次请求匹配失败，上述预定阈值越接近0则说明Alice和Bob匹配度越高。

有益效果：与现有技术相比，本发明具有以下优点：

(1)本发明使用基于RSA的盲签名算法来生成保护隐私的症状信息签名，同时使用不公布的随机数来抵御侧通道攻击；

(2)本发明不需要任何可信第三方就可实现隐私保护的症状匹配；

(3)本发明通过设置症状等级，计算症状的加权欧氏距离来决定是否进行匹配，实现细粒度匹配；

(5)本发明的算法具有很高的效率，适用于资源受限的移动设备。

附图说明

图1是本发明的实现流程图；

图2是本发明的通信框架图；

图3是本发明的盲签名算法示意图；

图4是本发明细粒度隐私保护症状匹配交互示意图。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

本发明的一种基于盲签名的细粒度隐私保护症状匹配方法，利用基于RSA的盲签名算法对症状信息进行签名，使得相同症状拥有相同签名，引入随机数使得每次会话产生的签名值不同防止侧信道攻击，通过设置症状等级实现细粒度的症状匹配，计算症状的加权欧氏距离来决定是否进行匹配。

实施例1：

如图1所示，本实施例的通信实体主要包括一个可信症状管理中心SA和多个用户，基于盲签名的细粒度隐私保护症状匹配，具体实现步骤如下：

步骤1，系统初始化，建立用户间和用户与可信症状管理中心SA的通信框架：

本步骤建立的通信框架如图2所示，其包括：用户、AP和监护中心，监护中心包括可信症状管理中心SA，PHI存储和医生。可信症状管理中心SA为所有用户分发合适的身体传感器节点；用户通过可穿戴/可移植的无线传感器节点采集健康信息，并由智能终端(智能手机、平板电脑等)进行数据的整合、分析、显示等操作，通过3G或4G网络将PHI值传输到远程医疗中心，同时还可以进行隐私症状匹配，广播交友信息，并选择与之匹配的临近患者以分享经验或获取精神慰藉。

步骤2，生成用户公私钥：

用户Alice首先随机选取两个大素数p和q，计算乘积N＝p×q，然后随机选取加密密钥e＝65537，密钥长度为1024比特，保证e和(p-1)(q-1)互素；最后用欧几里得扩展算法计算解密密钥d，以满足ed≡1mod(p-1)(q-1)，则(N,e)是公钥，(N,d)是私钥；

步骤3，生成广播信息，具体过程如下：

Alice拥有自己公钥和私钥，首先选取随机数然后对每一个症状信息分别计算再计算对于每一个症状等级分别计算最后将广播发送给Bob，其中哈希函数H(·)和H₀(·)使用SHA-256算法，症状等级被设置在区间[0,10)中且为整数；

步骤4，产生盲签名

如图3所示，具体过程如下：

(41)盲化：当Bob收到匹配请求时，首先选取一个随机数然后对他自己的每一个症状分别计算再计算最后将发送给Alice；

(42)签名：Alice在收到Bob的消息后，计算y_i＝(x_i·R₁)^d mod N和对于每一个症状等级分别计算并将以随机的顺序发送给Bob；

(43)去盲：Bob在收到症状的签名结果后，计算z_i＝y_i·r^-1mod N以获取他症状的签名，然后创建两个列表和Bob查找列表L_A中每一个症状信息签名S_Ai是否在症状信息签名z_i组成的集合中，最后将所有对应的或者以随机的顺序发送给Alice；

步骤5，症状匹配

Alice在接收到后计算 和其中m为共同病症个数，将D(A,B)与预定阈值进行比较后再决定是否与之进行社交活动。如果D(A,B)小于设定的阈值则本次请求成功，Alice和Bob成为好友，否则，本次请求失败。

从正确性来分析：

用户Alice和Bob要想匹配成功,那么相同的症状信息就要生成相同的签名，即Alice生成广播信息时计算的要与Bob执行去盲算法后的值z_j相同。根据下式：

可以看出即当时又因为所以当时因此相同的症状信息可以生成相同的签名，也就说明本发明是正确的。

从安全性来分析：

在请求发起方，Alice能获取到的信息只有和Bob在发送给Alice之前已经采用盲签名算法对症状信息进行了盲化，Alice不可能从盲化后的消息推断出原来的症状信息。尽管Alice可以根据计算出症状等级对但是她不能区别或准确的推断出与之对应的Bob的症状信息，因此Bob的隐私得以保护。在响应方，Bob能获取到的信息有和 是Alice症状信息的签名，即使Bob可以通过Alice的公钥计算得到但是因为没有R₁就不能通过简单穷举计算所有症状的哈希得到Alice的症状信息。是有一个强单向函数生成的，由于哈希函数的单向性很难恢复出原文，也就获取不到症状等级信息对于y_i是Bob的盲化后的症状信息的签名，也就不包含Alice的隐私信息，而是一个哈希值，同样不包含Alice的隐私。综上所述，Bob不能获取Alice的隐私信息，本发明能够保证匹配双方的隐私安全。

从性能来分析：

计算开销如表一所示，其中n_A和n_B分别代表Alice和Bob的症状个数，hash、mul、modpow和modmul分别代表哈希运算、乘法运算、模幂运算和模乘运算，m代表共同症状个数，k_i代表计算到相同哈希值所用的次数。从表一可以看出，本发明的计算开销为O(n)，且整个计算开销是线性的。

表一计算开销表

本发明的通信开销如表二所示，其中n_A和n_B分别代表Alice和Bob的症状个数，m代表共同症状个数，单位为bit，可以看出通信开销也为O(n)，同样也是线性增长的。

表二通信开销表

综上所述，本发明无需依靠任何可信第三方，使用基于RSA的盲签名算法来生成保护隐私的症状信息签名，同时使用随机数来抵御侧通道攻击，通过设置症状等级计算症状的加权欧氏距离来决定是否进行匹配，本发明具有高的匹配效率，可用于移动医疗社交网络中。总得来说，本发明适用于对匹配精度要求高的情况下，通过设置症状等级实现细粒度的症状匹配，同时抵御穷举攻击。

Claims (6)

1.一种基于盲签名的细粒度隐私保护症状匹配系统，其特征在于：包括用户、AP网络和监护中心，监护中心包括可信症状管理中心SA、PHI存储设备和医生；可信症状管理中心SA为所有用户分发身体传感器节点；用户通过无线传感器节点采集用户健康信息，并由智能终端进行数据的整合、分析和显示，可信症状管理中心SA通过网络将PHI值传输到远程医疗中心，同时进行隐私症状匹配和广播交友信息，医生根据病人的PHI值即个人健康信息给予远程健康监控。

2.一种基于盲签名的细粒度隐私保护症状匹配方法，其特征在于：具体包括如下步骤：

(1)系统初始化：用户分别与可信症状管理中心SA以及该用户周围其他用户建立通信，可信症状管理中心SA为所有用户分发身体传感器节点；

(2)生成用户的密钥：用户Alice首先随机选取两个大素数p和q，计算乘积N＝p×q，然后随机选取加密密钥e，使e和(p-1)(q-1)互素，最后用欧几里得扩展算法计算解密密钥d，以满足ed≡1mod(p-1)(q-1)，则得到公钥为(N,e)，私钥为(N,d)；

(3)广播信息产生；

(4)盲签名生成：用户Bob在收到症状信息匹配请求时，将自己的所有症状信息分别盲化后发给用户Alice，用户Alice收到相应信息分别签名后再发给用户Bob，用户Bob将收到的签名后的症状信息进行去盲并发给用户Alice；

(5)用户Alice将去盲后签名症状信息进行匹配。

3.根据权利要求2所述的基于盲签名的细粒度隐私保护症状匹配方法，其特征在于：所述步骤(1)的具体步骤为：用户通过无线网络AP或3G/4G网络与可信症状管理中心SA进行通信，通过蓝牙或WiFi与其周围用户进行通信。

4.根据权利要求2所述的基于盲签名的细粒度隐私保护症状匹配方法，其特征在于：所述步骤(3)中的广播信息产生方法具体步骤为：

Alice拥有自己公钥(N,e)和私钥(N,d)，首先选取随机数然后对自己的每一个症状信息分别计算再计算对于每一个症状等级分别计算最后将发送给用户Bob，其中哈希函数H(·)和H₀(·)使用SHA-256算法，症状等级被设置在区间[0,10)中且为整数，是指用户Alice拥有的第i个症状I_A，i表示症状的顺序；是指用户Alice的第i个症状与R₁一起计算的哈希值，是针对的签名。

5.根据权利要求2所述的基于盲签名的细粒度隐私保护症状匹配方法，其特征在于：所述步骤(4)中的盲签名生成方法具体步骤为：

(4.1)盲化过程：

当用户Bob收到匹配请求时，首先选取一个随机数然后对他自己的每一个症状信息分别计算再计算最后将发送给Alice，是指Bob拥有的第i个症状I_B，i表示症状的顺序；是指Bob的第i个症状的哈希值，x_i是指对盲化后的值，是指是Bob的第i个症状的症状等级；

(4.2)签名过程：

Alice在收到Bob的消息后，计算y_i＝(x_i·R₁)^dmod N，对于每一个症状等级分别计算并将症状的签名结果以随机的顺序发送给Bob，y_i是指对x_i和R₁乘积的签名，

(4.3)去盲过程：

Bob在收到症状的签名结果后，计算z_i＝y_i·r^-1mod N以获取他症状的签名，然后创建两个列表和Bob查找列表L_A中每一个症状信息签名是否在症状信息签名z_i组成的集合中，最后将所有对应的或者以随机的顺序发送给Alice，z_j是指对y_i去盲后的值。

6.根据权利要求2所述的基于盲签名的细粒度隐私保护症状匹配方法，其特征在于，所述步骤(5)中的症状匹配具体步骤为：

Alice在接收到后，分别计算 和其中，m为两个用户之间共同病症个数，共同病症个数是收到的的条目数，将D(A,B)与预定阈值进行比较，如果D(A,B)小于预定阈值，则本次请求匹配成功，Alice和Bob成为好友，否则，本次请求匹配失败。