CN111159727A - 一种面向多方协同的贝叶斯分类器安全生成系统及方法 - Google Patents

一种面向多方协同的贝叶斯分类器安全生成系统及方法 Download PDF

Info

Publication number
CN111159727A
CN111159727A CN201911269984.2A CN201911269984A CN111159727A CN 111159727 A CN111159727 A CN 111159727A CN 201911269984 A CN201911269984 A CN 201911269984A CN 111159727 A CN111159727 A CN 111159727A
Authority
CN
China
Prior art keywords
data
training
key
model generator
ciphertext
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
Application number
CN201911269984.2A
Other languages
English (en)
Other versions
CN111159727B (zh
Inventor
李�昊
王枫为
朱辉
李晖
赵家奇
寇笑语
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
First Affiliated Hospital of Medical College of Xian Jiaotong University
Original Assignee
Xidian University
First Affiliated Hospital of Medical College of Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University, First Affiliated Hospital of Medical College of Xian Jiaotong University filed Critical Xidian University
Priority to CN201911269984.2A priority Critical patent/CN111159727B/zh
Publication of CN111159727A publication Critical patent/CN111159727A/zh
Application granted granted Critical
Publication of CN111159727B publication Critical patent/CN111159727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F21/602—Providing cryptographic facilities or services
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Storage Device Security (AREA)

Abstract

本发明属于信息安全技术领域，公开了一种安全多方贝叶斯分类器生成系统及方法，包括系统初始化，密钥分发中心生成系统安全参数、分布式数据加密密钥和聚合数据解密密钥；本地训练数据加密，并将加密之后的数据发送给模型生成方；模型生成方对收到的各密文训练数据进行聚合计算，生成密文全局训练数据，并使用聚合数据解密密钥对密文全局训练数据进行解密，获取贝叶斯分类器训练参数；贝叶斯分类模型生成方利用获取的贝叶斯训练参数计算相应的条件概率与前验概率，生成贝叶斯分类器。本发明可用于分布式场景中贝叶斯分类器的生成与训练，能够在确保模型生成方获取高精度贝叶斯分类器的同时，实现对多数据中心敏感数据的安全聚合与隐私保护。

Description

一种面向多方协同的贝叶斯分类器安全生成系统及方法
技术领域
本发明属于信息安全技术领域，尤其涉及一种面向多方协同的贝叶斯分类器安全生成系统及方法。
背景技术
目前，最接近的现有技术：随着互联网数据量的快速增长和信息技术的不断发展，机器学习受到了人们的广泛关注。朴素贝叶斯分类器作为一种典型的机器学习算法，能够通过学习建模提供精确高效的数据分类服务，在金融、医疗、交通等诸多领域得到了广泛应用。在传统的贝叶斯数据分类服务中，模型生成方通过聚合数据中心的数据训练分类器，进而提供数据分类服务。上述过程中，各数据中心的敏感数据(例如样本数据、统计分析数据等)并未得到保护，存在敏感信息泄露的风险。为了找出一种解决上述问题的方法，人们提出了一些解决方案，其中：
中国人民大学申请的专利“一种机器学习中的数据隐私保护方法和系统”(申请号CN201810487937.4申请公布号CN108717514A)公开了一种基于保序加密技术的隐私保护机器学习模型，能够保护机器学习中原始数据、模型数据以及待预测数据的隐私性。该发明的不足之处在于：保序加密用于多维数据时，但是由于保序加密密文维持所对应明文的大小关系，会导致泄露明文的顺序以及不同维度数据之间的相关性，存在安全性不足的问题。
东北大学申请的专利“支持隐私保护的决策树分类服务系统及方法”(申请号CN201910142676.7申请公布号CN110008717A)公开了一种基于ElGamal同态加密技术的隐私保护决策树分类方法。该方法通过构造密文数据大小比较算法，实现了决策树分类过程中分类器参数以及待测数据的隐私性。该发明的不足之处在于：决策树分类器构建需要复杂数学运算，所提出的方法未能确保该过程中原始数据的安全性，仅对数据分类过程中的敏感数据进行了隐私保护。
综上所述，现有技术存在的问题是：现有的数据分类隐私保护方案，存在安全性不足，不能支持分类器训练过程中数据保护等问题。同时，大多方案并未针对数据分布式存储场景，构造安全多数据源分类器生成方法。
解决上述技术问题的难度：现有隐私保护方案不支持复杂运算，且存在安全性与可用性相互制约的问题。同时，现存同态加密技术难以用于分布式计算场景，不能为多数据源提供有效隐私保护。
解决上述技术问题的意义：针对分布式场景中的数据安全问题，设计多方协同的数据分类器生成算法，能够确保敏感数据的安全有效使用，促进数据挖掘技术与机器学习算法的快速发展。
发明内容
针对现有技术存在的问题，本发明提供了一种面向多方协同的贝叶斯分类器安全生成系统及方法。
本发明是这样实现的，一种面向多方协同的贝叶斯分类器安全生成方法，所述面向多方协同的贝叶斯分类器安全生成方法包括以下步骤：
第一步，系统初始化，密钥分发中心选择数据处理过程中所需要的安全参数，生成Paillier加密系统和系统所需安全参数；将Paillier加密系统公钥进行拆分，为各数据中心生成分布式数据加密密钥；结合Paillier加密系统私钥和系统安全参数，为模型生成方生成聚合数据解密密钥；
第二步，本地训练数据加密，各数据中心对采集到的个体样本数据进行处理，生成本地训练数据；各数据中心使用分布式数据加密密钥对本地训练数据进行加密计算，并将加密之后的数据发送给模型生成方；
第三步，密文训练数据处理，模型生成方对收到的各密文训练数据进行聚合计算，生成密文全局训练数据，模型生成方使用聚合数据解密密钥对密文全局训练数据进行解密，获取贝叶斯分类器训练参数；
第四步，贝叶斯分类器训练，模型生成方利用获取的贝叶斯训练参数计算相应的条件概率与前验概率，生成贝叶斯分类器。
进一步，所述第一步系统初始化具体包括：
1)密钥分发中心选择一个安全系数κ，该安全系数κ越大，则系统的安全性能越好，同时系统的计算开销也越大；
2)密钥分发中心通过执行Paillier加密系统的密钥生成函数Gen(κ)，得到Pailiier加密系统的公钥PK＝(N,g)以及私钥SK＝(λ,μ)；
3)密钥分发中心在
Figure BDA0002313895200000031
中选取大素数p′以及随机数s，计算h＝gp′modN2；
4)密钥分发中心将N拆分为m个数(N1,N2,…Nm)，满足条件
Figure BDA0002313895200000032
其中m为参与计算的数据中心的个数。之后针对每一个Ni，计算
Figure BDA0002313895200000033
5)密钥分发中心公开系统安全参数(N,g,h,κ)，将聚合数据解密密钥(λ,μ,p′)发送给模型生成方，分布式数据加密密钥
Figure BDA0002313895200000034
发送给各数据中心。
进一步，所述第二步本地训练数据加密具体包括：
1)数据中心收集到的个体样本数据表示为两个向量
Figure BDA0002313895200000035
以及
Figure BDA0002313895200000036
其中
Figure BDA0002313895200000037
为特征向量，表示该个体所具有的特征属性，
Figure BDA0002313895200000038
为类别向量，代表该个体所属类别；则数据中心所收集到的样本数据表示为
Figure BDA0002313895200000039
以及
Figure BDA00023138952000000310
其中k＝1,2,…,l(i)，l(i)为该数据中心收集到的样本数量；
2)针对每一个样本数据，数据中心计算
Figure BDA00023138952000000311
其中
Figure BDA00023138952000000312
s＝1,2,…,u，t＝1,2,…,v，针对k＝1,2,…,l(i)，将向量
Figure BDA00023138952000000313
Figure BDA00023138952000000314
和
Figure BDA00023138952000000315
中每一维进行求和，得到
Figure BDA00023138952000000316
以及
Figure BDA00023138952000000317
并合成本地训练数据如下：
Figure BDA00023138952000000318
Figure BDA00023138952000000319
Figure BDA00023138952000000320
3)对任意的
Figure BDA0002313895200000041
数据中心执行加密操作如下：
Figure BDA0002313895200000042
其中，r为在
Figure BDA0002313895200000043
中选取的随机数。之后数据中得到加密的本地训练数据如下：
Figure BDA0002313895200000044
Figure BDA0002313895200000045
Figure BDA0002313895200000046
4)数据中心将数据将
Figure BDA0002313895200000047
发送给模型生成方。
进一步，所述第三步密文数据处理具体包括：
1)模型生成方判断是否收到m个数据中心的密文本地训练数据，若接收到所有数据中心的数据，执行如下聚合运算：
Figure BDA0002313895200000048
Figure BDA0002313895200000049
Figure BDA00023138952000000410
其中，s＝1,2,…,u，t＝1,2,…,v。之后模型生成方得到密文全局训练数据如下：
Figure BDA00023138952000000411
Figure BDA00023138952000000412
Figure BDA00023138952000000413
2)对任意的对任意的
Figure BDA00023138952000000414
模型生成方执行解密计算如下：
Figure BDA00023138952000000415
其中，
Figure BDA00023138952000000416
模型生成方得到贝叶斯分类器训练参数；
Figure BDA00023138952000000417
Figure BDA00023138952000000418
Figure BDA00023138952000000419
进一步，所述第四步贝叶斯分类器训练具体包括：根据计算得到的贝叶斯分类器训练参数，模型生成方训练贝叶斯分类器如下：
Figure BDA0002313895200000051
Figure BDA0002313895200000052
Pr(xs＝0|yt＝1)＝1-Pr(xs＝1|yt＝1)
Pr(xs＝0|yt＝0)＝1-Pr(xs＝1|yt＝0)。
本发明的另一目的在于提供一种实施所述面向多方协同的贝叶斯分类器安全生成方法的面向多方协同的贝叶斯分类器安全生成系统，所述面向多方协同的贝叶斯分类器安全生成系统包括：
密钥分发中心，用于选择数据处理过程中所需要的安全参数，生成Paillier加密系统和系统所需安全参数；将Paillier加密系统公钥进行拆分，为各数据中心生成分布式数据加密密钥；结合Paillier加密系统私钥和系统安全参数，为模型生成方生成聚合数据解密密钥；
数据中心，用于对采集到的个体样本数据进行处理，生成本地训练数据；使用分布式数据加密密钥对本地训练数据进行加密计算，并将加密之后的数据发送给模型生成方；
模型生成方，用于对收到的各密文训练数据进行聚合计算，生成密文全局训练数据；使用聚合数据解密密钥对密文全局训练数据进行解密，获取贝叶斯分类器训练参数。
进一步，所述密钥分发中心包括：
安全系数选取模块，用于根据不同需求选取安全系数，安全系数越大，则系统的安全性能越好，同时系统的计算开销也越大；
密钥生成模块，用于完成系统初始化，生成Paillier加密系统和安全参数；根据数据中心的数量将Paillier加密系统公钥进行拆分，为各数据中心生成分布式数据加密密钥；结合Paillier加密系统私钥和系统安全参数，为模型生成方生成聚合数据解密密钥；
密钥分发模块，公开系统安全参数，并将生成的密钥发送给各数据中心与模型生成方。
进一步，所述数据中心包括：
数据采集模块，用于采集样本数据，形成本地训练样本数据集；
数据预处理模块，用于对采集到的样本数据进行初步处理，生成本地训练数据；
数据加密模块，用于接收密钥分发中心生成的分布式数据加密密钥，并利用分布式数据加密密钥对发送给模型生成方的本地训练数据进行加密计算。
进一步，所述模型生成方包括：
密文数据处理模块，用于接收密钥分发中心生成的聚合数据解密密钥，并对数据中心发送的密文数据进行处理；
密文数据聚合子模块，用于对各数据中心的密文本地训练数据进行聚合计算，生成密文全局训练数据；
数据解密子模块，使用聚合数据解密密钥对密文全局训练数据进行解密，获取全局分类器训练参数；
分类器训练模块，使用获取的分类器参数训练贝叶斯分类器。
本发明的另一目的在于提供一种应用所述面向多方协同的贝叶斯分类器安全生成方法的数据分类服务控制系统。
综上所述，本发明的优点及积极效果为：本发明能在生成高精度贝叶斯分类器的前提下，实现对多数据中心敏感数据的有效隐私保护。本发明可用于分布式场景中贝叶斯分类器的生成与训练，能够在确保模型生成方获取高精度贝叶斯分类器的同时，实现对多数据中心敏感数据的安全聚合与隐私保护。
本发明实现了分类器训练过程中敏感数据的隐私保护，数据中心的本地训练数据在发送给模型生成方之前，通过改进的同态加密技术进行加密，使得各数据中心的敏感信息不会被模型生成方得到，确保数据中心敏感数据的安全性。
本发明在隐私保护的前提下，模型生成方能够训练出高精度的贝叶斯分类器。服务提供方可以通过密文数据聚合与解密获取全局贝叶斯训练参数，训练出高精度的贝叶斯分类器。
本发明适用于广域分布的多数据中心协同处理场景。将同态加密技术与密钥拆分技术进行了结合，提出了适用于多数据中心的数据安全聚合算法，能够解决分布式场景中的数据安全问题。
附图说明
图1是本发明实施例提供的面向多方协同的贝叶斯分类器安全生成系统的结构示意图；
图中：1、密钥分发中心；2、数据中心；3、模型生成方。
图2是本发明实施例提供的面向多方协同的贝叶斯分类器安全生成方法流程图。
图3是本发明实施例提供的面向多方协同的贝叶斯分类器安全生成系统的原理示意图。
图4是本发明实施例提供的面向多方协同的贝叶斯分类器安全生成方法实现流程图。
图5是本发明实施例提供的系统初始化子流程图。
图6是本发明实施例提供的密文数据处理与分类器生成子流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种面向多方协同的贝叶斯分类器安全生成系统及方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的面向多方协同的贝叶斯分类器安全生成系统包括：
密钥分发中心1，用于选择数据处理过程中所需要的安全参数，生成Paillier加密系统和系统所需安全参数；将Paillier加密系统公钥进行拆分，为各数据中心生成分布式数据加密密钥；结合Paillier加密系统私钥和系统安全参数，为模型生成方生成聚合数据解密密钥。
数据中心2，用于对采集到的个体样本数据进行处理，生成本地训练数据；使用分布式数据加密密钥对本地训练数据进行加密计算，并将加密之后的数据发送给模型生成方3。
模型生成方3，用于对收到的各密文训练数据进行聚合计算，生成密文全局训练数据；使用聚合数据解密密钥对密文全局训练数据进行解密，获取贝叶斯分类器训练参数。
密钥分发中心1包括：
安全系数选取模块，用于根据不同需求选取安全系数，安全系数越大，则系统的安全性能越好，同时系统的计算开销也越大；
密钥生成模块，用于完成系统初始化，生成Paillier加密系统和安全参数；根据数据中心的数量将Paillier加密系统公钥进行拆分，为各数据中心生成分布式数据加密密钥；结合Paillier加密系统私钥和系统安全参数，为模型生成方3生成聚合数据解密密钥；
密钥分发模块，公开系统安全参数，并将生成的密钥发送给各数据中心与模型生成方3。
数据中心2包括：
数据采集模块，用于采集样本数据，形成本地训练样本数据集；
数据预处理模块，用于对采集到的样本数据进行初步处理，生成本地训练数据；
数据加密模块，用于接收密钥分发中心1生成的分布式数据加密密钥，并利用分布式数据加密密钥对发送给模型生成方3的本地训练数据进行加密计算。
模型生成方3包括：
密文数据处理模块，用于接收密钥分发中心1生成的聚合数据解密密钥，并对数据中心发送的密文数据进行处理，其中
密文数据聚合子模块，用于对各数据中心的密文本地训练数据进行聚合计算，生成密文全局训练数据；
数据解密子模块，使用聚合数据解密密钥对密文全局训练数据进行解密，获取全局分类器训练参数。
分类器训练模块，使用获取的分类器参数训练贝叶斯分类器。
如图2所示，本发明实施例提供的面向多方协同的贝叶斯分类器安全生成方法包括以下步骤：
S201：系统初始化，密钥分发中心选择数据处理过程中所需要的安全参数，生成Paillier加密系统和系统所需安全参数；将Paillier加密系统公钥进行拆分，为各数据中心生成分布式数据加密密钥；结合Paillier加密系统私钥和系统安全参数，为模型生成方生成聚合数据解密密钥。
S202：本地训练数据加密，各数据中心对采集到的个体样本数据进行处理，生成本地训练数据；各数据中心使用分布式数据加密密钥对本地训练数据进行加密计算，并将加密之后的数据发送给模型生成方。
S203：密文训练数据处理，模型生成方对收到的各密文训练数据进行聚合计算，生成密文全局训练数据，模型生成方使用聚合数据解密密钥对密文全局训练数据进行解密，获取贝叶斯分类器训练参数。
S204：贝叶斯分类器训练，模型生成方利用获取的贝叶斯训练参数计算相应的条件概率与前验概率，生成贝叶斯分类器。
下面结合附图对本发明的技术方案作进一步的描述。
如图3所示，本发明实施例提供的面向多方协同的贝叶斯分类器安全生成系统包括：密钥分发中心，数据中心以及模型生成方三个组成部分，其中：
密钥分发中心，完成系统初始化，公开系统安全参数，为各数据中心与模型生成方生成分布式数据加密密钥与聚合数据解密密钥。
数据中心，收集样本数据，形成本地训练样本数据集，并使用分布式数据加密密钥将本地训练数据加密之后发送给模型生成方。
模型生成方，对各数据中心的密文本地数据进行聚合计算，生成密文全局训练数据，并使用聚合数据解密密钥将其解密之后训练贝叶斯分类器。
如图4所示，本发明实施例提供的面向在线打车服务的隐私保护方法，包括如下步骤：
步骤一，系统初始化。
1.1)密钥分发中心选择一个安全系数κ，该安全系数κ越大，则系统的安全性能越好，同时系统的计算开销也越大；
1.2)密钥分发中心通过执行Paillier加密系统的密钥生成函数Gen(κ)，得到Pailiier加密系统的公钥PK＝(N,g)以及私钥SK＝(λ,μ)；
1.3)密钥分发中心在
Figure BDA0002313895200000101
中选取大素数p′以及随机数s，计算h＝gp′modN2；
1.4)密钥分发中心将N拆分为m个数(N1,N2,…Nm)，满足条件
Figure BDA0002313895200000102
其中m为参与计算的数据中心的个数。之后针对每一个Ni，计算
Figure BDA0002313895200000103
1.5)密钥分发中心公开系统安全参数(N,g,h,κ)，将聚合数据解密密钥(λ,μ,p′)发送给模型生成方，分布式数据加密密钥
Figure BDA0002313895200000104
发送给各数据中心。
步骤二，本地训练数据加密。
2.1)假设数据中心收集到的个体样本数据表示为两个向量
Figure BDA0002313895200000105
以及
Figure BDA0002313895200000106
其中
Figure BDA0002313895200000107
为特征向量，表示该个体所具有的特征属性，
Figure BDA00023138952000001010
为类别向量，代表该个体所属类别。则数据中心所收集到的样本数据可表示为
Figure BDA0002313895200000108
以及
Figure BDA0002313895200000109
其中k＝1,2,…,l(i)，l(i)为该数据中心收集到的样本数量；
2.2)针对每一个样本数据，数据中心计算
Figure BDA0002313895200000111
其中
Figure BDA0002313895200000112
s＝1,2,…,u，t＝1,2,…,v。之后，针对k＝1,2,…,l(i)，将向量
Figure BDA0002313895200000113
Figure BDA0002313895200000114
和
Figure BDA0002313895200000115
中每一维进行求和，得到
Figure BDA0002313895200000116
以及
Figure BDA0002313895200000117
并合成本地训练数据如下：
Figure BDA0002313895200000118
Figure BDA0002313895200000119
Figure BDA00023138952000001110
2.3)对任意的
Figure BDA00023138952000001111
数据中心执行加密操作如下：
Figure BDA00023138952000001112
其中，r为在
Figure BDA00023138952000001113
中选取的随机数。之后数据中得到加密的本地训练数据如下：
Figure BDA00023138952000001114
Figure BDA00023138952000001115
Figure BDA00023138952000001116
最后，数据中心将数据将
Figure BDA00023138952000001117
发送给模型生成方。
步骤三，密文数据处理。
3.1)模型生成方判断是否收到m个数据中心的密文本地训练数据，若接收到所有数据中心的数据，执行如下聚合运算：
Figure BDA00023138952000001118
Figure BDA00023138952000001119
Figure BDA00023138952000001120
其中，s＝1,2,…,u，t＝1,2,…,v。之后模型生成方得到密文全局训练数据如下：
Figure BDA00023138952000001121
Figure BDA00023138952000001122
Figure BDA00023138952000001123
3.2)对任意的对任意的
Figure BDA0002313895200000121
模型生成方执行解密计算如下：
Figure BDA0002313895200000122
其中，
Figure BDA0002313895200000123
最后，模型生成方得到贝叶斯分类器训练参数；
Figure BDA0002313895200000124
Figure BDA0002313895200000125
Figure BDA0002313895200000126
步骤四，贝叶斯分类器训练
根据计算得到的贝叶斯分类器训练参数，模型生成方训练贝叶斯分类器如下：
Figure BDA0002313895200000127
Figure BDA0002313895200000128
Pr(xs＝0|yt＝1)＝1-Pr(xs＝1|yt＝1)
Pr(xs＝0|yt＝0)＝1-Pr(xs＝1|yt＝0)。
本发明能够在确保数据安全性以及所生成贝叶斯分类器精确性的前提下实现数据的高效处理。在处理器R53550h，安全参数1024位的环境中进行实际测试，1000维数据加密用时0.46s，解密用时4.8s。同时，所生成的贝叶斯分类器不受隐私保护机制的影响，能够在真实场景中进行应用。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种面向多方协同的贝叶斯分类器安全生成方法，其特征在于，所述面向多方协同的贝叶斯分类器安全生成方法包括以下步骤：
第一步，系统初始化，密钥分发中心选择数据处理过程中所需要的安全参数，生成Paillier加密系统和系统所需安全参数；将Paillier加密系统公钥进行拆分，为各数据中心生成分布式数据加密密钥；结合Paillier加密系统私钥和系统安全参数，为模型生成方生成聚合数据解密密钥；
第二步，本地训练数据加密，各数据中心对采集到的个体样本数据进行处理，生成本地训练数据；各数据中心使用分布式数据加密密钥对本地训练数据进行加密计算，并将加密之后的数据发送给模型生成方；
第三步，密文训练数据处理，模型生成方对收到的各密文训练数据进行聚合计算，生成密文全局训练数据，模型生成方使用聚合数据解密密钥对密文全局训练数据进行解密，获取贝叶斯分类器训练参数；
第四步，贝叶斯分类器训练，模型生成方利用获取的贝叶斯训练参数计算相应的条件概率与前验概率，生成贝叶斯分类器。
2.如权利要求1所述的面向多方协同的贝叶斯分类器安全生成方法，其特征在于，所述第一步系统初始化具体包括：
1)密钥分发中心选择一个安全系数κ，该安全系数κ越大，则系统的安全性能越好，同时系统的计算开销也越大；
2)密钥分发中心通过执行Paillier加密系统的密钥生成函数Gen(κ)，得到Pailiier加密系统的公钥PK＝(N,g)以及私钥SK＝(λ,μ)；
3)密钥分发中心在
Figure FDA0002313895190000011
中选取大素数p′以及随机数s，计算h＝gp′mod N2；
4)密钥分发中心将N拆分为m个数(N1,N2,…Nm)，满足条件
Figure FDA0002313895190000012
其中m为参与计算的数据中心的个数，之后针对每一个Ni，计算
Figure FDA0002313895190000013
5)密钥分发中心公开系统安全参数(N,g,h,κ)，将聚合数据解密密钥(λ,μ,p′)发送给模型生成方，分布式数据加密密钥
Figure FDA0002313895190000014
发送给各数据中心。
3.如权利要求1所述的面向多方协同的贝叶斯分类器安全生成方法，其特征在于，所述第二步本地训练数据加密具体包括：
1)数据中心收集到的个体样本数据表示为两个向量
Figure FDA0002313895190000021
以及
Figure FDA0002313895190000022
其中
Figure FDA0002313895190000023
为特征向量，表示该个体所具有的特征属性，
Figure FDA0002313895190000024
为类别向量，代表该个体所属类别；则数据中心所收集到的样本数据表示为
Figure FDA0002313895190000025
以及
Figure FDA0002313895190000026
其中k＝1,2,…,l(i)，l(i)为该数据中心收集到的样本数量；
2)针对每一个样本数据，数据中心计算
Figure FDA0002313895190000027
其中
Figure FDA0002313895190000028
针对k＝1,2,…,l(i)，将向量
Figure FDA0002313895190000029
和
Figure FDA00023138951900000210
中每一维进行求和，得到
Figure FDA00023138951900000211
以及
Figure FDA00023138951900000212
并合成本地训练数据如下：
Figure FDA00023138951900000213
Figure FDA00023138951900000214
Figure FDA00023138951900000215
3)对任意的
Figure FDA00023138951900000216
数据中心执行加密操作如下：
Figure FDA00023138951900000217
其中，r为在
Figure FDA00023138951900000218
中选取的随机数，之后数据中得到加密的本地训练数据如下：
Figure FDA00023138951900000219
Figure FDA00023138951900000220
Figure FDA00023138951900000221
4)数据中心将数据将
Figure FDA00023138951900000222
发送给模型生成方。
4.如权利要求1所述的面向多方协同的贝叶斯分类器安全生成方法，其特征在于，所述第三步密文数据处理具体包括：
1)模型生成方判断是否收到m个数据中心的密文本地训练数据，若接收到所有数据中心的数据，执行如下聚合运算：
Figure FDA0002313895190000031
Figure FDA0002313895190000032
Figure FDA0002313895190000033
其中，s＝1,2,…,u，t＝1,2,…,v，之后模型生成方得到密文全局训练数据如下：
Figure FDA0002313895190000034
Figure FDA0002313895190000035
Figure FDA0002313895190000036
2)对任意的对任意的
Figure FDA0002313895190000037
模型生成方执行解密计算如下：
Figure FDA0002313895190000038
其中，
Figure FDA0002313895190000039
模型生成方得到贝叶斯分类器训练参数；
Figure FDA00023138951900000310
Figure FDA00023138951900000311
Figure FDA00023138951900000312
5.如权利要求1所述的面向多方协同的贝叶斯分类器安全生成方法，其特征在于，所述第四步贝叶斯分类器训练具体包括：根据计算得到的贝叶斯分类器训练参数，模型生成方训练贝叶斯分类器如下：
Figure FDA00023138951900000313
Figure FDA00023138951900000314
Pr(xs＝0|yt＝1)＝1-Pr(xs＝1|yt＝1)
Pr(xs＝0|yt＝0)＝1-Pr(xs＝1|yt＝0)。
6.一种实施权利要求1～5任意一项所述面向多方协同的贝叶斯分类器安全生成方法的面向多方协同的贝叶斯分类器安全生成系统，其特征在于，所述面向多方协同的贝叶斯分类器安全生成系统包括：
密钥分发中心，用于选择数据处理过程中所需要的安全参数，生成Paillier加密系统和系统所需安全参数；将Paillier加密系统公钥进行拆分，为各数据中心生成分布式数据加密密钥；结合Paillier加密系统私钥和系统安全参数，为模型生成方生成聚合数据解密密钥；
数据中心，用于对采集到的个体样本数据进行处理，生成本地训练数据；使用分布式数据加密密钥对本地训练数据进行加密计算，并将加密之后的数据发送给模型生成方；
模型生成方，用于对收到的各密文训练数据进行聚合计算，生成密文全局训练数据；使用聚合数据解密密钥对密文全局训练数据进行解密，获取贝叶斯分类器训练参数。
7.如权利要求6所述的面向多方协同的贝叶斯分类器安全生成系统，其特征在于，所述密钥分发中心包括：
安全系数选取模块，用于根据不同需求选取安全系数，安全系数越大，则系统的安全性能越好，同时系统的计算开销也越大；
密钥生成模块，用于完成系统初始化，生成Paillier加密系统和安全参数；根据数据中心的数量将Paillier加密系统公钥进行拆分，为各数据中心生成分布式数据加密密钥；结合Paillier加密系统私钥和系统安全参数，为模型生成方生成聚合数据解密密钥；
密钥分发模块，公开系统安全参数，并将生成的密钥发送给各数据中心与模型生成方。
8.如权利要求6所述的面向多方协同的贝叶斯分类器安全生成系统，其特征在于，所述数据中心包括：
数据采集模块，用于采集样本数据，形成本地训练样本数据集；
数据预处理模块，用于对采集到的样本数据进行初步处理，生成本地训练数据；
数据加密模块，用于接收密钥分发中心生成的分布式数据加密密钥，并利用分布式数据加密密钥对发送给模型生成方的本地训练数据进行加密计算。
9.如权利要求6所述的面向多方协同的贝叶斯分类器安全生成系统，其特征在于，所述模型生成方包括：
密文数据处理模块，用于接收密钥分发中心生成的聚合数据解密密钥，并对数据中心发送的密文数据进行处理；
密文数据聚合子模块，用于对各数据中心的密文本地训练数据进行聚合计算，生成密文全局训练数据；
数据解密子模块，使用聚合数据解密密钥对密文全局训练数据进行解密，获取全局分类器训练参数；
分类器训练模块，使用获取的分类器参数训练贝叶斯分类器。
10.一种应用权利要求1～5任意一项所述面向多方协同的贝叶斯分类器安全生成方法的数据分类服务控制系统。
CN201911269984.2A 2019-12-11 2019-12-11 一种面向多方协同的贝叶斯分类器安全生成系统及方法 Active CN111159727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911269984.2A CN111159727B (zh) 2019-12-11 2019-12-11 一种面向多方协同的贝叶斯分类器安全生成系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911269984.2A CN111159727B (zh) 2019-12-11 2019-12-11 一种面向多方协同的贝叶斯分类器安全生成系统及方法

Publications (2)

Publication Number Publication Date
CN111159727A true CN111159727A (zh) 2020-05-15
CN111159727B CN111159727B (zh) 2022-12-09

Family

ID=70557048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911269984.2A Active CN111159727B (zh) 2019-12-11 2019-12-11 一种面向多方协同的贝叶斯分类器安全生成系统及方法

Country Status (1)

Country Link
CN (1) CN111159727B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914281A (zh) * 2020-08-18 2020-11-10 中国银行股份有限公司 基于区块链和同态加密的贝叶斯模型训练方法及装置
CN111966875A (zh) * 2020-08-18 2020-11-20 中国银行股份有限公司 一种敏感信息识别方法和装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130275743A1 (en) * 2012-04-12 2013-10-17 Sap Ag Fault-Tolerant Privacy-Preserving Statistics
US20130275752A1 (en) * 2012-04-17 2013-10-17 Futurewei Technologies, Inc. Method and system for secure multiparty cloud computation
US20160330017A1 (en) * 2015-05-08 2016-11-10 Electronics And Telecommunications Research Institute Method and system for additive homomorphic encryption scheme with operation error detection functionality
CN106778314A (zh) * 2017-03-01 2017-05-31 全球能源互联网研究院 一种基于k‑means的分布式差分隐私保护方法
WO2018082008A1 (en) * 2016-11-04 2018-05-11 Nokia Technologies Oy Secure distributed data processing
CN108259158A (zh) * 2018-01-11 2018-07-06 西安电子科技大学 一种云计算环境下高效和隐私保护的单层感知机学习方法
US10075288B1 (en) * 2014-02-28 2018-09-11 The Governing Council Of The University Of Toronto Systems, devices, and processes for homomorphic encryption
CN108833077A (zh) * 2018-07-02 2018-11-16 西安电子科技大学 基于同态ou密码的外包分类器加解密方法
CN109194523A (zh) * 2018-10-01 2019-01-11 西安电子科技大学 隐私保护的多方诊断模型融合方法及系统、云端服务器
CN109684855A (zh) * 2018-12-17 2019-04-26 电子科技大学 一种基于隐私保护技术的联合深度学习训练方法
CN109992979A (zh) * 2019-03-15 2019-07-09 暨南大学 一种岭回归训练方法、计算设备、介质
CN110011784A (zh) * 2019-04-04 2019-07-12 东北大学 支持隐私保护的knn分类服务系统及方法
CN110147681A (zh) * 2019-04-02 2019-08-20 西安电子科技大学 一种支持灵活访问控制的隐私保护大数据处理方法及系统
CN110190946A (zh) * 2019-07-12 2019-08-30 之江实验室 一种基于同态加密的隐私保护多机构数据分类方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130275743A1 (en) * 2012-04-12 2013-10-17 Sap Ag Fault-Tolerant Privacy-Preserving Statistics
US20130275752A1 (en) * 2012-04-17 2013-10-17 Futurewei Technologies, Inc. Method and system for secure multiparty cloud computation
US10075288B1 (en) * 2014-02-28 2018-09-11 The Governing Council Of The University Of Toronto Systems, devices, and processes for homomorphic encryption
US20160330017A1 (en) * 2015-05-08 2016-11-10 Electronics And Telecommunications Research Institute Method and system for additive homomorphic encryption scheme with operation error detection functionality
WO2018082008A1 (en) * 2016-11-04 2018-05-11 Nokia Technologies Oy Secure distributed data processing
CN106778314A (zh) * 2017-03-01 2017-05-31 全球能源互联网研究院 一种基于k‑means的分布式差分隐私保护方法
CN108259158A (zh) * 2018-01-11 2018-07-06 西安电子科技大学 一种云计算环境下高效和隐私保护的单层感知机学习方法
CN108833077A (zh) * 2018-07-02 2018-11-16 西安电子科技大学 基于同态ou密码的外包分类器加解密方法
CN109194523A (zh) * 2018-10-01 2019-01-11 西安电子科技大学 隐私保护的多方诊断模型融合方法及系统、云端服务器
CN109684855A (zh) * 2018-12-17 2019-04-26 电子科技大学 一种基于隐私保护技术的联合深度学习训练方法
CN109992979A (zh) * 2019-03-15 2019-07-09 暨南大学 一种岭回归训练方法、计算设备、介质
CN110147681A (zh) * 2019-04-02 2019-08-20 西安电子科技大学 一种支持灵活访问控制的隐私保护大数据处理方法及系统
CN110011784A (zh) * 2019-04-04 2019-07-12 东北大学 支持隐私保护的knn分类服务系统及方法
CN110190946A (zh) * 2019-07-12 2019-08-30 之江实验室 一种基于同态加密的隐私保护多机构数据分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚禹丞等: "同态加密的分布式K均值聚类算法研究", 《计算机技术与发展》 *
李宗育等: "同态加密技术及其在云计算隐私保护中的应用", 《软件学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914281A (zh) * 2020-08-18 2020-11-10 中国银行股份有限公司 基于区块链和同态加密的贝叶斯模型训练方法及装置
CN111966875A (zh) * 2020-08-18 2020-11-20 中国银行股份有限公司 一种敏感信息识别方法和装置
CN111966875B (zh) * 2020-08-18 2023-08-22 中国银行股份有限公司 一种敏感信息识别方法和装置
CN111914281B (zh) * 2020-08-18 2023-09-19 中国银行股份有限公司 基于区块链和同态加密的贝叶斯模型训练方法及装置

Also Published As

Publication number Publication date
CN111159727B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN112822005B (zh) 基于同态加密的安全迁移学习系统
Mandal et al. PrivFL: Practical privacy-preserving federated regressions on high-dimensional data over mobile networks
CN107196926B (zh) 一种云外包隐私集合比较方法与装置
Wu et al. Efficient k-nearest neighbor classification over semantically secure hybrid encrypted cloud database
Liu et al. Secure multi-label data classification in cloud by additionally homomorphic encryption
Yang et al. A location-based privacy-preserving oblivious sharing scheme for indoor navigation
CN110866135B (zh) 一种基于响应长度隐藏的k-NN图像检索方法及系统
CN108718240A (zh) 基于全同态加密的认证方法、电子设备、存储介质及系统
CN113434898B (zh) 一种非交互式的隐私保护逻辑回归联邦训练方法及系统
CN112491529B (zh) 用于不可信服务器环境中数据文件加密及完整性验证方法及其系统
CN107204997A (zh) 管理云存储数据的方法和装置
Wang et al. Privacy-preserving collaborative model learning scheme for E-healthcare
CN111159727B (zh) 一种面向多方协同的贝叶斯分类器安全生成系统及方法
WO2014030706A1 (ja) 暗号化データベースシステム、クライアント装置およびサーバ、暗号化データ加算方法およびプログラム
CN115767722A (zh) 一种云环境下基于内积函数加密的室内定位隐私保护方法
Nguyen et al. An enhanced scheme for privacy-preserving association rules mining on horizontally distributed databases
Wang et al. Privacy-preserving outsourced feature extractions in the cloud: A survey
Jin et al. Confused-modulo-projection-based somewhat homomorphic encryption—Cryptosystem, library, and applications on secure smart cities
US20120155641A1 (en) Non-interactive verifiable, delegated computation
Zhu et al. Practical secure naïve bayesian classification over encrypted big data in cloud
Hu et al. Security and privacy protocols for perceptual image hashing
Zhou et al. A survey of security aggregation
Li et al. Efficient and traceable data sharing for the Internet of Things in smart cities
Zhao et al. Identifiable, but not visible: A privacy-preserving person reidentification scheme
Wang et al. Secure outsourced calculations with homomorphic encryption

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