CN112016120A - 基于用户隐私保护的事件预测方法和装置 - Google Patents
基于用户隐私保护的事件预测方法和装置 Download PDFInfo
- Publication number
- CN112016120A CN112016120A CN202010872818.8A CN202010872818A CN112016120A CN 112016120 A CN112016120 A CN 112016120A CN 202010872818 A CN202010872818 A CN 202010872818A CN 112016120 A CN112016120 A CN 112016120A
- Authority
- CN
- China
- Prior art keywords
- matrix
- event
- machine learning
- user
- learning model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 169
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 163
- 238000010801 machine learning Methods 0.000 claims abstract description 144
- 230000008569 process Effects 0.000 claims abstract description 85
- 239000011159 matrix material Substances 0.000 claims description 199
- 238000012545 processing Methods 0.000 claims description 49
- 230000002441 reversible effect Effects 0.000 claims description 25
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000007477 logistic regression Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 239000004576 sand Substances 0.000 description 14
- 230000000694 effects Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F21/62—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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/2107—File encryption
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书一个实施例提了一种基于用户隐私保护的事件预测方法和装置,其中方法应用于目标用户的用户终端,包括:首先,获取目标用户的与待预测事件相关的用户隐私数据,以及,获取事件预测平台基于同态加密算法预先为目标用户生成的加密密钥。然后,基于同态加密算法和加密密钥,对用户隐私数据进行加密,将加密后的用户隐私数据发送至事件预测平台。其次,接收事件预测平台通过机器学习模型对加密后的用户隐私数据进行处理后,返回的待预测事件的密文预测结果。最后,基于同态加密算法生成解密密钥,利用解密密钥对密文预测结果进行解密,得到待预测事件的明文预测结果。
Description
技术领域
本文件涉及计算机技术领域,尤其涉及一种基于用户隐私保护的事件预测方法和装置。
背景技术
目前,可以在专门的事件预测平台部署机器学习模型,通过机器学习模型为用户进行事件结果预测。比如,事件为股票购买事件,用户通过用户终端向事件预测平台发送与股票购买事件相关的数据,事件预测平台将该数据输入至训练好的机器学习模型中,通过机器学习模型为用户预测购买股票的收益情况。事件预测平台还将预测结果返回至用户终端。其中,上述相关的数据可以包括股票名称、用户收入等与用户隐私相关的数据。
由于上述相关的数据从用户终端传输至事件预测平台的过程中存在泄露风险,而且,预测结果从事件预测平台返回至用户终端的过程中也存在泄漏风险,从而泄漏用户隐私,因此有必要提供一种技术方案,以在用户通过事件预测平台进行事件预测的场景下,避免泄露用户隐私,提高用户隐私的安全性。
发明内容
本说明书一个实施例的目的是提供一种基于用户隐私保护的事件预测方法和装置,以在用户通过事件预测平台进行事件预测的场景下,避免泄露用户隐私,提高用户隐私的安全性。
为达到上述技术效果,本说明书一个实施例是这样实现的:
本说明书一个实施例提供了一种基于用户隐私保护的事件预测方法,应用于目标用户的用户终端,包括:获取目标用户的与待预测事件相关的用户隐私数据。获取事件预测平台基于同态加密算法预先为所述目标用户生成的加密密钥。事件预测平台为不同用户生成的加密密钥具有唯一性。基于同态加密算法和所述加密密钥,对所述用户隐私数据进行加密。将加密后的用户隐私数据发送至所述事件预测平台。接收所述事件预测平台通过机器学习模型对所述加密后的用户隐私数据进行处理后,返回的所述待预测事件的密文预测结果。基于同态加密算法生成解密密钥。利用所述解密密钥对所述密文预测结果进行解密,得到所述待预测事件的明文预测结果。
本说明书一个实施例提供了一种基于用户隐私保护的事件预测方法,应用于事件预测平台,包括:基于同态加密算法为待进行事件预测的目标用户生成加密密钥。将所述加密密钥发送至所述目标用户的用户终端。为不同用户生成的加密密钥具有唯一性。获取所述用户终端发送的加密后的用户隐私数据。所述加密后的用户隐私数据由所述用户终端基于同态加密算法和所述加密密钥,对所述目标用户的与待预测事件相关的用户隐私数据进行加密得到。通过机器学习模型对所述加密后的用户隐私数据进行处理,得到所述待预测事件的密文预测结果。将所述密文预测结果发送至所述用户终端,以便于所述用户终端在基于同态加密算法生成解密密钥之后,利用所述解密密钥对所述密文预测结果进行解密,得到所述待预测事件的明文预测结果。
本说明书一个实施例提供了一种基于用户隐私保护的事件预测装置,应用于目标用户的用户终端,包括:第一数据获取模块,获取目标用户的与待预测事件相关的用户隐私数据,以及,获取事件预测平台基于同态加密算法预先为所述目标用户生成的加密密钥。事件预测平台为不同用户生成的加密密钥具有唯一性。数据加密模块,基于同态加密算法和所述加密密钥,对所述用户隐私数据进行加密,并将加密后的用户隐私数据发送至所述事件预测平台。数据接收模块,接收所述事件预测平台通过机器学习模型对所述加密后的用户隐私数据进行处理后,返回的所述待预测事件的密文预测结果。数据解密模块,基于同态加密算法生成解密密钥,利用所述解密密钥对所述密文预测结果进行解密,得到所述待预测事件的明文预测结果。
本说明书一个实施例提供了一种基于用户隐私保护的事件预测装置,应用于事件预测平台,包括:数据生成模块,基于同态加密算法为待进行事件预测的目标用户生成加密密钥,将所述加密密钥发送至所述目标用户的用户终端。为不同用户生成的加密密钥具有唯一性。第二数据获取模块,获取所述用户终端发送的加密后的用户隐私数据。所述加密后的用户隐私数据由所述用户终端基于同态加密算法和所述加密密钥,对所述目标用户的与待预测事件相关的用户隐私数据进行加密得到。数据处理模块,通过机器学习模型对所述加密后的用户隐私数据进行处理,得到所述待预测事件的密文预测结果,将所述密文预测结果发送至所述用户终端,以便于所述用户终端在基于同态加密算法生成解密密钥之后,利用所述解密密钥对所述密文预测结果进行解密,得到所述待预测事件的明文预测结果。
本说明书一个实施例提供了一种用户终端,包括:处理器;以及被安排成存储计算机可执行指令的存储器。所述计算机可执行指令在被执行时使所述处理器实现上述所述的事件预测方法的步骤。
本说明书一个实施例提供了一种事件预测平台,包括:处理器;以及被安排成存储计算机可执行指令的存储器。所述计算机可执行指令在被执行时使所述处理器实现上述所述的事件预测方法的步骤。
本说明书一个实施例提供了一种存储介质,用于存储计算机可执行指令。所述计算机可执行指令在被执行时实现上述所述的事件预测方法的步骤。
本说明书一个实施例提供了一种存储介质,用于存储计算机可执行指令。所述计算机可执行指令在被执行时实现上述所述的事件预测方法的步骤。
本说明书实施例中,一方面,基于同态加密算法为待进行事件预测的目标用户生成加密密钥,使得待进行事件预测的目标用户的用户终端在向事件预测平台发送用户隐私数据时,发送的是基于同态加密算法和加密密钥加密后的用户隐私数据,并且,事件预测平台向目标用户的用户终端返回预测结果时,返回的是待预测事件的密文预测结果,从而使得目标用户的用户终端与事件预测平台之间进行数据传输时,均通过密文的形式传输,提高了用户隐私数据的保密性和预测结果的保密性。另一方面,事件预测平台为不同用户生成的加密密钥具有唯一性,从而进一步提高了用户隐私数据的保密性。因此,通过本实施例,能够在用户通过事件预测平台进行事件预测的场景下,避免泄露用户隐私,提高用户隐私的安全性。
附图说明
为了更清楚地说明本说明书一个或多个实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一实施例提供的基于用户隐私保护的事件预测方法的应用场景示意图;
图2为本说明书一实施例提供的基于用户隐私保护的事件预测方法的流程示意图;
图3为本说明书另一实施例提供的基于用户隐私保护的事件预测方法的流程示意图;
图4为本说明书又一实施例提供的基于用户隐私保护的事件预测方法的流程示意图;
图5为本说明书一实施例提供的基于用户隐私保护的事件预测装置的结构示意图;
图6为本说明书另一实施例提供的基于用户隐私保护的事件预测装置的结构示意图;
图7为本说明书一实施例提供的用户终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本文件的保护范围。
本说明书一个实施例的目的是提供一种基于用户隐私保护的事件预测方法和装置,以在用户通过事件预测平台进行事件预测的场景下,避免泄露用户隐私,提高用户隐私的安全性。
图1为本说明书一实施例提供的基于用户隐私保护的事件预测方法的应用场景示意图,如图1所示,该场景包括用户终端和事件预测平台,其中用户终端包括但不限于如图1中所示的平板电脑101、手机102、台式电脑103、笔记本电脑104,事件预测平台包括但不限于如图1中所示的服务器200。当然,事件预测平台可以由云端的单独的服务器组成,也可以由云端的服务器集群组成。事件预测平台中预先训练有用于进行事件预测的机器学习模型。该场景中,用户终端和事件预测平台可以通过交互的方式执行本说明书一个或多个实施例中提供的基于用户隐私保护的事件预测方法,从而在用户通过事件预测平台进行事件预测的场景下,避免泄露用户隐私,提高用户隐私的安全性。
图2为本说明书一实施例提供的基于用户隐私保护的事件预测方法的流程示意图,该方法可以应用于待进行事件预测的目标用户的用户终端,如图2所示,该流程包括:
步骤S202,获取目标用户的与待预测事件相关的用户隐私数据,以及,获取事件预测平台基于同态加密算法预先为目标用户生成的加密密钥;其中,事件预测平台为不同用户生成的加密密钥具有唯一性;
步骤S204,基于同态加密算法和该加密密钥,对用户隐私数据进行加密,并将加密后的用户隐私数据发送至事件预测平台;
步骤S206,接收事件预测平台通过机器学习模型对加密后的用户隐私数据进行处理后,返回的待预测事件的密文预测结果;
步骤S208,基于同态加密算法生成解密密钥,利用该解密密钥对密文预测结果进行解密,得到待预测事件的明文预测结果。
本说明书实施例中,一方面,待进行事件预测的目标用户的用户终端在向事件预测平台发送用户隐私数据时,发送的是基于同态加密算法和加密密钥加密后的用户隐私数据,并且,事件预测平台向目标用户的用户终端返回预测结果时,返回的是待预测事件的密文预测结果,从而使得目标用户的用户终端与事件预测平台之间进行数据传输时,均通过密文的形式传输,提高了用户隐私数据的保密性和预测结果的保密性。另一方面,事件预测平台为不同用户生成的加密密钥具有唯一性,从而进一步提高了用户隐私数据的保密性。因此,通过本实施例,能够在用户通过事件预测平台进行事件预测的场景下,避免泄露用户隐私,提高用户隐私的安全性。
为便于理解本实施例中的过程,这里先对事件预测平台做出介绍。
事件预测平台可以是依托于云端服务器集群实现的用于对事件进行预测的平台。事件可以举例为股票购买事件,对事件进行预测可以举例为预测购买股票的收益情况。事件还可以为用户发生某种疾病的预测事件,对事件进行预测可以举例为预测用户是否会发生某种疾病。也即,本实施例中所说的事件指的是能够通过机器学习模型预测结果的事件。事件预测平台上预先训练有机器学习模型,该机器学习模型可以对事件的结果进行预测。该机器学习模型的输入数据是用户的与待预测事件相关的用户隐私数据,如上例中收入、拟购买的股票名称等数据,或者,上例中用户的健康状态数据。该机器学习模型的输出数据是事件预测结果,如上例中购买股票的收益情况,收益情况可以包括盈利或者不盈利,或者,上例中用户会发生某种疾病的概率值。该机器学习模型可以采用SVM(Support VectorMachine,支持向量机)分类模型实现。
上述步骤S202中,目标用户的用户终端获取目标用户的与待预测事件相关的用户隐私数据。用户隐私数据是用于对待预测事件进行预测的数据,用于输入至事件预测平台中的机器学习模型中,机器学习模型对用户隐私数据进行处理,得到事件的预测结果。以事件为股票购买事件为例,目标用户的与待预测事件相关的用户隐私数据可以包括所要购买的股票名称、用户收入等数据。以事件为用户发生某种疾病为例,目标用户的与待预测事件相关的用户隐私数据可以包括用户历年的体检报告等数据。
上述步骤S202中,目标用户的用户终端可以向目标用户展示数据输入界面,目标用户利用该界面输入与待预测事件相关的用户隐私数据,从而用户终端获取目标用户的与待预测事件相关的用户隐私数据。
上述步骤S202中,目标用户的用户终端还获取事件预测平台基于同态加密算法预先为目标用户生成的加密密钥。该加密密钥由事件预测平台为目标用户生成并发送至目标用户的用户终端。事件预测平台可以为每个需要进行事件预测的用户生成加密密钥,并且,事件预测平台为不同用户生成的加密密钥具有唯一性,也即,不同用户对应的加密密钥各不相同。
上述步骤S204中,目标用户的用户终端基于同态加密算法和目标用户的加密密钥,对目标用户的与待预测事件相关的用户隐私数据进行加密,并将加密后的用户隐私数据发送至事件预测平台,以便于事件预测平台根据加密后的用户隐私数据对事件结果进行预测。
上述步骤S204中,目标用户的用户终端基于同态加密算法和目标用户的加密密钥,对目标用户的与待预测事件相关的用户隐私数据进行加密,具体过程为:
(a1)利用预设的向量生成算法,将用户隐私数据转换为明文向量的形式;
(a2)基于同态加密算法和加密密钥,对明文向量进行加密。
首先,可以利用预设的向量生成算法,将用户隐私数据转换为明文向量的形式,这一过程实质上就是将用户隐私数据转换为明文向量的形式表达,具体转换过程可以参考已有技术,这里不再重复描述。然后,基于同态加密算法和加密密钥,对明文向量进行加密,从而达到对用户隐私数据进行加密的效果。
动作(a2)中,基于同态加密算法和加密密钥,对明文向量进行加密,具体包括:
(a21)根据明文向量的维度,随机生成第一矩阵和第二矩阵;第一矩阵和第二矩阵构成第一可逆矩阵对;
(a22)根据所述明文向量的维度,随机生成第三矩阵和第四矩阵;第三矩阵和第四矩阵不为可逆矩阵;
(a23)根据第一矩阵、加密密钥、第三矩阵和第四矩阵,对明文向量进行加密。
以下通过公式的形式,具体说明上述动作(a21)至(a23)的加密过程。
设置明文向量为q,加密密钥为Su。首先通过动作(a21),根据q的维度,随机生成第一矩阵Pm和第二矩阵Ps,Pm与Ps构成第一可逆矩阵对。Pm与Ps的乘积为单位矩阵I。其中,当q是n维向量时,I可以为n*n维的单位矩阵,Pm与Ps的维度可以根据I的维度确定。Pm和Ps的矩阵值可以随机生成。
然后通过动作(a22),根据q的维度,随机生成第三矩阵T和第四矩阵A,T和A不为可逆矩阵。其中,当q是n维向量时,T可以为n*m维的随机矩阵,A可以为m*n维的随机矩阵。T和A的矩阵值可以随机生成。
最后通过动作(a23),根据第一矩阵Pm、加密密钥Su、第三矩阵T和第四矩阵A,对明文向量q进行加密。加密后的密文向量(也即加密后的用户隐私数据)为M。
通过上述动作(a21)至动作(a23),能够基于同态加密算法和加密密钥,对明文向量进行加密,得到加密后的用户隐私数据。
上述步骤S204中,还将加密后的用户隐私数据发送至事件预测平台,以便于事件预测平台根据加密后的用户隐私数据对事件结果进行预测。
上步骤S206中,接收事件预测平台通过机器学习模型对加密后的用户隐私数据进行处理后,返回的待预测事件的密文预测结果。
在一个实施例中,密文预测结果由事件预测平台通过加密后的机器学习模型对加密后的用户隐私数据进行处理得到。该机器学习模型通过同态加密算法加密。
也即,在该实施例中,事件预测平台首先通过同态加密算法对进行事件预测的机器学习模型进行加密,并在获取到目标用户的加密后的用户隐私数据后,通过加密后的机器学习模型对加密后的用户隐私数据进行处理,从而得到密文预测结果。事件预测平台通过同态加密算法对进行事件预测的机器学习模型进行加密,通过加密后的机器学习模型对加密后的用户隐私数据进行处理,得到密文预测结果的过程将在后文详细描述。
上述步骤S208中,目标用户的用户终端基于同态加密算法生成解密密钥,利用解密密钥对接收到的密文预测结果进行解密,得到待预测事件的明文预测结果。
由于需要向目标用户展示事件的预测结果,因此需要对接收到的密文预测结果进行解密,得到待预测事件的明文预测结果。步骤S208中,基于同态加密算法生成解密密钥,具体为:
基于同态加密算法和对用户隐私数据进行加密过程中生成的第一指定参数,生成解密密钥;其中,第一指定参数包括上述的第一可逆矩阵对对应的单位矩阵、第二矩阵和第三矩阵。
根据前面对动作(a21)至动作(a23)的解释可知,上述对用户隐私数据进行加密过程中生成了第一可逆矩阵对对应的单位矩阵I、第二矩阵Ps和第三矩阵T。则本步骤中,可以通过以下公式计算解密密钥Su`:
Su`=[I,T]Ps。
在基于同态加密算法生成解密密钥之后,上述步骤S208中,目标用户的用户终端利用该解密密钥对接收到的密文预测结果进行解密,得到待预测事件的明文预测结果。
本实施例中,在利用解密密钥对密文预测结果进行解密之前,还可以:接收事件预测平台发送的同态加密算法中的特定参数。相应地,利用解密密钥对密文预测结果进行解密,具体为:利用解密密钥和特定参数,对密文预测结果进行解密。
上述接收到的特定参数可以为同态加密算法中的大整数w,则设置解密密钥为Su`,密文预测结果为y`,利用解密密钥和特定参数,对密文预测结果进行解密,得到明文预测结果e的具体过程可以通过以下公式表示:
同态加密算法是一类特殊的公钥加密方案,可以保证密文计算和明文计算的同态性质。本实施例中所使用的同态加密算法满足乘法同态性质。也即,本实施例中所使用的同态加密算法为满足乘法同态性质的任意同态加密算法。本实施例中事件预测平台所使用的机器学习模型在预测阶段的计算形式满足预测结果等于用户隐私数据乘以模型向量的计算方式,因此,本实施例中事件预测平台所使用的机器学习模型包括但不限于线性回归模型、逻辑回归模型、神经网络模型中的任意一种。
以上从目标用户的用户终端的角度出发介绍了事件预测方法,通过以上描述可知,该事件预测方法能够利用具有唯一性的加密密钥对用户隐私数据进行加密,并将加密后的用户隐私数据发送至事件预测平台进行事件预测,达到了防止用户隐私数据泄露的效果。
并且,事件预测平台通过基于同态加密算法加密后的机器学习模型对加密后的用户隐私数据进行处理,得到密文预测结果,从而使得整个事件预测过程是都在密文形式下发生的,保证了事件预测过程的数据安全性。
并且,事件预测平台将密文预测结果发送至用户终端,用户终端利用同态加密算法生成解密密钥,利用解密密钥对密文预测结果进行解密,得到待预测事件的明文预测结果,从而保证了事件预测结果的数据安全性,避免泄露用户的事件预测结果。
因此,本实施例中介绍的事件预测方法,能够从用户隐私数据的发送、事件预测过程、预测结果的返回三个方面保证数据安全性,达到避免泄露用户隐私,提高用户隐私的安全性的效果。
下面从事件预测平台的角度出发,描述事件预测方法。图3为本说明书另一实施例提供的基于用户隐私保护的事件预测方法的流程示意图,该方法可以应用于事件预测平台,如图3所示,该流程包括:
步骤S302,基于同态加密算法为待进行事件预测的目标用户生成加密密钥,将加密密钥发送至目标用户的用户终端;其中,为不同用户生成的加密密钥具有唯一性;
步骤S304,获取用户终端发送的加密后的用户隐私数据;其中,加密后的用户隐私数据由用户终端基于同态加密算法和上述加密密钥,对目标用户的与待预测事件相关的用户隐私数据进行加密得到;
步骤S306,通过机器学习模型对加密后的用户隐私数据进行处理,得到待预测事件的密文预测结果,将密文预测结果发送至用户终端,以便于用户终端在基于同态加密算法生成解密密钥之后,利用解密密钥对密文预测结果进行解密,得到待预测事件的明文预测结果。
本说明书实施例中,一方面,基于同态加密算法为待进行事件预测的目标用户生成加密密钥,使得待进行事件预测的目标用户的用户终端在向事件预测平台发送用户隐私数据时,发送的是基于同态加密算法和加密密钥加密后的用户隐私数据,并且,事件预测平台向目标用户的用户终端返回预测结果时,返回的是待预测事件的密文预测结果,从而使得目标用户的用户终端与事件预测平台之间进行数据传输时,均通过密文的形式传输,提高了用户隐私数据的保密性和预测结果的保密性。另一方面,事件预测平台为不同用户生成的加密密钥具有唯一性,从而进一步提高了用户隐私数据的保密性。因此,通过本实施例,能够在用户通过事件预测平台进行事件预测的场景下,避免泄露用户隐私,提高用户隐私的安全性。
根据前面图2的描述可知,密文预测结果由事件预测平台通过加密后的机器学习模型对加密后的用户隐私数据进行处理得到,机器学习模型预先通过同态加密算法加密。因此,相应地,本实施例中在通过机器学习模型对加密后的用户隐私数据进行处理之前,还包括:利用同态加密算法对机器学习模型进行加密。相应地,通过机器学习模型对加密后的用户隐私数据进行处理,包括:通过加密后的机器学习模型对加密后的用户隐私数据进行处理。
本实施例中,利用同态加密算法对机器学习模型进行加密,具体包括:
(b1)利用同态加密算法为机器学习模型生成加密私钥和加密公钥;
(b2)利用加密公钥对机器学习模型进行加密。
该过程可以通过以下公式进行解释。
机器学习模型可以表示为模型向量,基于同态加密算法为机器学习模型的模型向量ω生成加密私钥S0和加密公钥M0,利用加密公钥M0对机器学习模型的模型向量ω进行加密,加密过程满足公式:S0ωc=ωw+e,其中,ωc为加密后的机器学习模型的模型向量,w为同态加密算法中的大整数,e为同态加密算法中的噪音向量。
基于以上对机器学习模型进行加密的过程,上述步骤S302中,基于同态加密算法为待进行事件预测的目标用户生成加密密钥,具体为:
(c1)根据机器学习模型对应的模型向量的维度,为目标用户随机生成第五矩阵和第六矩阵;第五矩阵和第六矩阵构成第二可逆矩阵对;
(c2)根据第五矩阵和对机器学习模型进行加密过程中生成的第二指定参数,为目标用户生成加密密钥;其中,第二指定参数包括上述的加密私钥。
机器学习模型可以表示为模型向量,以机器学习模型的模型向量为ω为例,上述动作(c1)中,根据ω的维度,为目标用户随机生成第五矩阵MS和第六矩阵MT,MS和MT构成第二可逆矩阵对。MS与MT的乘积为单位矩阵I。其中,当ω是n维向量时,I可以为n*n维的单位矩阵,MS与MT的维度可以根据I的维度确定。MS和MT的矩阵值可以随机生成。
上述动作(c2)中,根据第五矩阵MS和对机器学习模型进行加密过程中生成的加密私钥S0,为目标用户生成加密密钥。具体公式表达为:目标用户的加密密钥Su=S0*MS。
本实施例中,由于第五矩阵和第六矩阵是随机生成的,因此能够保证为不同用户生成加密密钥时,所生成的第五矩阵和第六矩阵都不相同,从而保证根据第五矩阵和第二指定参数生成加密密钥时,为每个用户生成的加密密钥均不相同,从而保证加密密钥的唯一性。当然,针对同一个用户,可以每次为该用户生成加密密钥时,均重新随机生成第五矩阵和第六矩阵,从而保证针对同一用户每次生成的加密密钥也各不相同,使得为同一用户每次生成的加密密钥也具有唯一性。
上述步骤S302中,生成加密密钥后,将加密密钥发送至目标用户的用户终端,以上提及的大整数w也可以随加密密钥一起发送,从而使得目标用户的用户终端获取大整数w。
上述步骤S304中,事件预测平台获取目标用户的用户终端发送的加密后的用户隐私数据。能够理解,加密后的用户隐私数据由目标用户的用户终端基于同态加密算法和加密密钥,对目标用户的与待预测事件相关的用户隐私数据进行加密得到。
上述步骤S306中,事件预测平台通过加密后的机器学习模型对加密后的用户隐私数据进行处理,得到待预测事件的密文预测结果。并将密文预测结果发送至目标用户的用户终端,以便于目标用户的用户终端在基于同态加密算法生成解密密钥之后,利用解密密钥对密文预测结果进行解密,得到待预测事件的明文预测结果。
步骤S306中,事件预测平台通过加密后的机器学习模型对加密后的用户隐私数据进行处理,包括:
(d1)获取为目标用户生成加密密钥过程中生成的第三指定参数;其中,第三指定参数包括上述的第六矩阵;
(d2)根据第三指定参数和加密后的机器学习模型,对加密后的用户隐私数据进行处理。
根据以上描述可知,为目标用户生成加密密钥过程中生成了第六矩阵MT,则动作(d1)中,获取第六矩阵MT。动作(d2)中,根据MT和加密后的机器学习模型的模型向量ωc,对加密后的用户隐私数据M进行处理,得到密文预测结果y`。处理过程可以表示为公式:y`=M*MT*ωc。
同态加密算法是一类特殊的公钥加密方案,可以保证密文计算和明文计算的同态性质。本实施例中所使用的同态加密算法满足乘法同态性质。也即,本实施例中所使用的同态加密算法为满足乘法同态性质的任意同态加密算法。本实施例中事件预测平台所使用的机器学习模型在预测阶段的计算形式满足预测结果等于用户隐私数据乘以模型向量的计算方式,因此,本实施例中事件预测平台所使用的机器学习模型包括但不限于线性回归模型、逻辑回归模型、神经网络模型中的任意一种。
以上从事件预测平台的角度出发介绍了事件预测方法,通过以上描述可知,该事件预测方法能够为用户生成具有唯一性的加密密钥,从而使得用户利用具有唯一性的加密密钥对用户隐私数据进行加密,并将加密后的用户隐私数据发送至事件预测平台进行事件预测,达到了防止用户隐私数据泄露的效果。
并且,事件预测平台通过基于同态加密算法加密后的机器学习模型对加密后的用户隐私数据进行处理,得到密文预测结果,从而使得整个事件预测过程是都在密文形式下发生的,保证了事件预测过程的数据安全性。
并且,事件预测平台将密文预测结果发送至用户终端,用户终端利用同态加密算法生成解密密钥,利用解密密钥对密文预测结果进行解密,得到待预测事件的明文预测结果,从而保证了事件预测结果的数据安全性,避免泄露用户的事件预测结果。
因此,本实施例中介绍的事件预测方法,能够从用户隐私数据的发送、事件预测过程、预测结果的返回三个方面保证数据安全性,达到避免泄露用户隐私,提高用户隐私的安全性的效果。
下面从事件预测平台与目标用户的用终端进行交互的角度出发,描述事件预测方法。图4为本说明书又一实施例提供的基于用户隐私保护的事件预测方法的流程示意图,该方法可以应用于事件预测平台和目标用户的用户终端,如图4所示,该流程包括:
步骤S402,事件预测平台基于同态加密算法对进行事件预测的机器学习模型进行加密。
该过程可以通过以下公式进行解释。
机器学习模型可以表示为模型向量,基于同态加密算法为机器学习模型的模型向量ω生成加密私钥S0和加密公钥M0,利用加密公钥M0对机器学习模型的模型向量ω进行加密,加密过程满足公式:S0ωc=ωw+e,其中,ωc为加密后的机器学习模型的模型向量,w为同态加密算法中的大整数,e为同态加密算法中的噪音向量。
步骤S404,事件预测平台基于同态加密算法为目标用户生成加密密钥。
事件预测平台为不同用户生成的加密密码各不相同,具有唯一性。该过程具体为:以机器学习模型的模型向量为ω为例,根据ω的维度,为目标用户随机生成第五矩阵MS和第六矩阵MT,MS和MT构成第二可逆矩阵对。MS与MT的乘积为单位矩阵I。其中,当ω是n维向量时,I可以为n*n维的单位矩阵,MS与MT的维度可以根据I的维度确定。MS和MT的矩阵值可以随机生成。根据第五矩阵MS和对机器学习模型进行加密过程中生成的加密私钥S0,为目标用户生成加密密钥。具体公式表达为:目标用户的加密密钥Su=S0*MS。
步骤S406,事件预测平台向目标用户的用户终端发送目标用户的加密密钥。
事件预测平台将上述为目标用户生成的加密密钥发送至目标用户的用户终端。本步骤中,事件预测平台还可以向目标用户的用户终端发送同态加密算法中的大整数w,以便于目标用户的用户终端后续使用。
步骤S408,目标用户的用户终端获取目标用户的与待预测事件相关的用户隐私数据。
目标用户的用户终端获取目标用户输入的与待预测事件相关的用户隐私数据。
步骤S410,目标用户的用户终端利用接收的加密密钥,对用户隐私数据进行加密。
该步骤中,首先利用预设的向量生成算法,将用户隐私数据转换为明文向量的形式,然后基于同态加密算法和加密密钥,对明文向量进行加密,从而对用户隐私数据进行加密。
该步骤中,基于同态加密算法和加密密钥,对明文向量进行加密的过程具体为:
(1)设置明文向量为q,加密密钥为Su。首先根据q的维度,随机生成第一矩阵Pm和第二矩阵Ps,Pm与Ps构成第一可逆矩阵对。Pm与Ps的乘积为单位矩阵I。其中,当q是n维向量时,I可以为n*n维的单位矩阵,Pm与Ps的维度可以根据I的维度确定。Pm和Ps的矩阵值可以随机生成。
(2)然后根据q的维度,随机生成第三矩阵T和第四矩阵A,T和A不为可逆矩阵。其中,当q是n维向量时,T可以为n*m维的随机矩阵,A可以为m*n维的随机矩阵。T和A的矩阵值可以随机生成。
(3)最后根据第一矩阵Pm、加密密钥Su、第三矩阵T和第四矩阵A,对明文向量q进行加密。加密后的密文向量(也即加密后的用户隐私数据)为M。
步骤S412,目标用户的用户终端将加密后的用户隐私数据发送至事件预测平台。
步骤S414,事件预测平台通过加密后的机器学习模型对加密后的用户隐私数据进行处理,得到待预测事件的密文预测结果。
根据以上描述可知,为目标用户生成加密密钥过程中生成了第六矩阵MT,则事件预测平台获取第六矩阵MT。根据MT和加密后的机器学习模型的模型向量ωc,对加密后的用户隐私数据M进行处理,得到密文预测结果y`。处理过程可以表示为公式:y`=M*MT*ωc。
步骤S416,事件预测平台将待预测事件的密文预测结果发送至目标用户的用户终端。
步骤S418,目标用户的用户终端基于同态加密算法生成解密密钥。
上述对用户隐私数据进行加密过程中生成了第一可逆矩阵对对应的单位矩阵I、第二矩阵Ps和第三矩阵T。则本步骤中,可以通过以下公式计算解密密钥Su`:Su`=[I,T]Ps。
步骤S420,目标用户的用户终端利用解密密钥对密文预测结果进行解密,得到待预测事件的明文预测结果。
根据以上描述可知,目标用户的用户终端预先接收了事件预测平台发送的大整数w,本步骤中,设置解密密钥为Su`,密文预测结果为y`,目标用户的用户终端利用解密密钥和大整数w,对密文预测结果进行解密,得到明文预测结果e的具体过程可以通过以下公式表示:
综上,通过本实施例中的事件预测方法,能够从用户隐私数据的发送、事件预测过程、预测结果的返回三个方面保证数据安全性,达到避免泄露用户隐私,提高用户隐私的安全性的效果。并且,本实施例中采用多密钥方案,可以为不同的用户生成不同的加密密钥,提高了用户隐私数据的安全性。还能够对机器学习模型进行加密,提高了机器学习模型的安全性。
图5为本说明书一实施例提供的基于用户隐私保护的事件预测装置的结构示意图,该装置应用于目标用户的用户终端,用于实现上述应用于目标用户的用户终端上的事件预测方法的各个过程。如图5所示,该装置包括:
第一数据获取模块51,获取目标用户的与待预测事件相关的用户隐私数据,以及,获取事件预测平台基于同态加密算法预先为所述目标用户生成的加密密钥;其中,事件预测平台为不同用户生成的加密密钥具有唯一性;
数据加密模块52,基于同态加密算法和所述加密密钥,对所述用户隐私数据进行加密,并将加密后的用户隐私数据发送至所述事件预测平台;
数据接收模块53,接收所述事件预测平台通过机器学习模型对所述加密后的用户隐私数据进行处理后,返回的所述待预测事件的密文预测结果;
数据解密模块54,基于同态加密算法生成解密密钥,利用所述解密密钥对所述密文预测结果进行解密,得到所述待预测事件的明文预测结果。
可选地,所述密文预测结果由所述事件预测平台通过加密后的机器学习模型对所述加密后的用户隐私数据进行处理得到;所述机器学习模型通过同态加密算法加密。
可选地,所述数据加密模块52:利用预设的向量生成算法,将所述用户隐私数据转换为明文向量的形式;基于同态加密算法和所述加密密钥,对所述明文向量进行加密。
可选地,所述数据加密模块52:根据所述明文向量的维度,随机生成第一矩阵和第二矩阵;所述第一矩阵和所述第二矩阵构成第一可逆矩阵对;根据所述明文向量的维度,随机生成第三矩阵和第四矩阵;所述第三矩阵和所述第四矩阵不为可逆矩阵;根据所述第一矩阵、所述加密密钥、所述第三矩阵和所述第四矩阵,对所述明文向量进行加密。
可选地,所述数据解密模块54:基于同态加密算法和对所述用户隐私数据进行加密过程中生成的第一指定参数,生成解密密钥;其中,所述第一指定参数包括所述第一可逆矩阵对对应的单位矩阵、所述第二矩阵和所述第三矩阵。
可选地,所述装置还包括:参数接收模块,在利用所述解密密钥对所述密文预测结果进行解密之前,接收所述事件预测平台发送的同态加密算法中的特定参数;相应地,所述数据解密模块54:利用所述解密密钥和所述特定参数,对所述密文预测结果进行解密。
可选地,所述同态加密算法满足乘法同态性质;所述机器学习模型包括线性回归模型、逻辑回归模型、神经网络模型中的任意一种。
本实施例中的基于用户隐私保护的事件预测装置能够实现上述应用于目标用户的用户终端上的事件预测方法的各个过程,并达到相同的效果和功能,这里不再赘述。
图6为本说明书另一实施例提供的基于用户隐私保护的事件预测装置的结构示意图,该装置应用于事件预测平台,用于实现上述应用于事件预测平台上的事件预测方法的各个过程。如图6所示,该装置包括:
数据生成模块61,基于同态加密算法为待进行事件预测的目标用户生成加密密钥,将所述加密密钥发送至所述目标用户的用户终端;其中,为不同用户生成的加密密钥具有唯一性;
第二数据获取模块62,获取所述用户终端发送的加密后的用户隐私数据;其中,所述加密后的用户隐私数据由所述用户终端基于同态加密算法和所述加密密钥,对所述目标用户的与待预测事件相关的用户隐私数据进行加密得到;
数据处理模块63,通过机器学习模型对所述加密后的用户隐私数据进行处理,得到所述待预测事件的密文预测结果,将所述密文预测结果发送至所述用户终端,以便于所述用户终端在基于同态加密算法生成解密密钥之后,利用所述解密密钥对所述密文预测结果进行解密,得到所述待预测事件的明文预测结果。
可选地,还包括:模型加密模块,在通过机器学习模型对所述加密后的用户隐私数据进行处理之前,利用同态加密算法对所述机器学习模型进行加密;所述数据处理模块63:通过加密后的机器学习模型对所述加密后的用户隐私数据进行处理。
可选地,所述模型加密模块:利用同态加密算法为所述机器学习模型生成加密私钥和加密公钥;利用所述加密公钥对所述机器学习模型进行加密。
可选地,所述数据生成模块61:根据所述机器学习模型对应的模型向量的维度,为所述目标用户随机生成第五矩阵和第六矩阵;所述第五矩阵和所述第六矩阵构成第二可逆矩阵对;根据所述第五矩阵和对所述机器学习模型进行加密过程中生成的第二指定参数,为所述目标用户生成加密密钥;其中,所述第二指定参数包括所述加密私钥。
可选地,所述数据处理模块63:获取为所述目标用户生成加密密钥过程中生成的第三指定参数;其中,所述第三指定参数包括所述第六矩阵;根据所述第三指定参数和所述加密后的机器学习模型,对所述加密后的用户隐私数据进行处理。
可选地,所述同态加密算法满足乘法同态性质;所述机器学习模型包括线性回归模型、逻辑回归模型、神经网络模型中的任意一种。
本实施例中的基于用户隐私保护的事件预测装置能够实现上述应用于事件预测平台上的事件预测方法的各个过程,并达到相同的效果和功能,这里不再赘述。
进一步地,本说明书另一实施例还提供了一种用户终端,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器实现上述应用于用户终端上的事件预测方法的步骤。
进一步地,本说明书另一实施例还提供了一种用户终端,图7为本说明书一实施例提供的用户终端的结构示意图,如图7所示,用户终端可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器901和存储器902,存储器902中可以存储有一个或一个以上存储应用程序或数据。其中,存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对用户终端中的一系列计算机可执行指令。更进一步地,处理器901可以设置为与存储器902通信,在用户终端上执行存储器902中的一系列计算机可执行指令。用户终端还可以包括一个或一个以上电源903,一个或一个以上有线或无线网络接口904,一个或一个以上输入输出接口905,一个或一个以上键盘906等。
在一个具体的实施例中,用户终端包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对用户终端中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取目标用户的与待预测事件相关的用户隐私数据,以及,获取事件预测平台基于同态加密算法预先为所述目标用户生成的加密密钥;其中,事件预测平台为不同用户生成的加密密钥具有唯一性;
基于同态加密算法和所述加密密钥,对所述用户隐私数据进行加密,并将加密后的用户隐私数据发送至所述事件预测平台;
接收所述事件预测平台通过机器学习模型对所述加密后的用户隐私数据进行处理后,返回的所述待预测事件的密文预测结果;
基于同态加密算法生成解密密钥,利用所述解密密钥对所述密文预测结果进行解密,得到所述待预测事件的明文预测结果。
可选地,计算机可执行指令在被执行时,所述密文预测结果由所述事件预测平台通过加密后的机器学习模型对所述加密后的用户隐私数据进行处理得到;所述机器学习模型通过同态加密算法加密。
可选地,计算机可执行指令在被执行时,基于同态加密算法和所述加密密钥,对所述用户隐私数据进行加密,包括:利用预设的向量生成算法,将所述用户隐私数据转换为明文向量的形式;基于同态加密算法和所述加密密钥,对所述明文向量进行加密。
可选地,计算机可执行指令在被执行时,基于同态加密算法和所述加密密钥,对所述明文向量进行加密,包括:根据所述明文向量的维度,随机生成第一矩阵和第二矩阵;所述第一矩阵和所述第二矩阵构成第一可逆矩阵对;根据所述明文向量的维度,随机生成第三矩阵和第四矩阵;所述第三矩阵和所述第四矩阵不为可逆矩阵;根据所述第一矩阵、所述加密密钥、所述第三矩阵和所述第四矩阵,对所述明文向量进行加密。
可选地,计算机可执行指令在被执行时,基于同态加密算法生成解密密钥,包括:基于同态加密算法和对所述用户隐私数据进行加密过程中生成的第一指定参数,生成解密密钥;其中,所述第一指定参数包括所述第一可逆矩阵对对应的单位矩阵、所述第二矩阵和所述第三矩阵。
可选地,计算机可执行指令在被执行时,在利用所述解密密钥对所述密文预测结果进行解密之前,还包括:接收所述事件预测平台发送的同态加密算法中的特定参数;利用所述解密密钥对所述密文预测结果进行解密,包括:利用所述解密密钥和所述特定参数,对所述密文预测结果进行解密。
可选地,计算机可执行指令在被执行时,所述同态加密算法满足乘法同态性质;所述机器学习模型包括线性回归模型、逻辑回归模型、神经网络模型中的任意一种。
本实施例中的用户终端能够实现上述应用于目标用户的用户终端上的事件预测方法的各个过程,并达到相同的效果和功能,这里不再赘述。
在另一个具体的实施例中,还提供了一种事件预测平台,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器实现上述事件预测平台实现的事件预测方法的步骤。
具体地,该事件预测平台包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对用户终端中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
基于同态加密算法为待进行事件预测的目标用户生成加密密钥,将所述加密密钥发送至所述目标用户的用户终端;其中,为不同用户生成的加密密钥具有唯一性;
获取所述用户终端发送的加密后的用户隐私数据;其中,所述加密后的用户隐私数据由所述用户终端基于同态加密算法和所述加密密钥,对所述目标用户的与待预测事件相关的用户隐私数据进行加密得到;
通过机器学习模型对所述加密后的用户隐私数据进行处理,得到所述待预测事件的密文预测结果,将所述密文预测结果发送至所述用户终端,以便于所述用户终端在基于同态加密算法生成解密密钥之后,利用所述解密密钥对所述密文预测结果进行解密,得到所述待预测事件的明文预测结果。
可选地,计算机可执行指令在被执行时,在通过机器学习模型对所述加密后的用户隐私数据进行处理之前,还包括:利用同态加密算法对所述机器学习模型进行加密;所述通过机器学习模型对所述加密后的用户隐私数据进行处理,包括:通过加密后的机器学习模型对所述加密后的用户隐私数据进行处理。
可选地,计算机可执行指令在被执行时,利用同态加密算法对所述机器学习模型进行加密,包括:利用同态加密算法为所述机器学习模型生成加密私钥和加密公钥;利用所述加密公钥对所述机器学习模型进行加密。
可选地,计算机可执行指令在被执行时,基于同态加密算法为待进行事件预测的目标用户生成加密密钥,包括:根据所述机器学习模型对应的模型向量的维度,为所述目标用户随机生成第五矩阵和第六矩阵;所述第五矩阵和所述第六矩阵构成第二可逆矩阵对;根据所述第五矩阵和对所述机器学习模型进行加密过程中生成的第二指定参数,为所述目标用户生成加密密钥;其中,所述第二指定参数包括所述加密私钥。
可选地,计算机可执行指令在被执行时,通过加密后的机器学习模型对所述加密后的用户隐私数据进行处理,包括:获取为所述目标用户生成加密密钥过程中生成的第三指定参数;其中,所述第三指定参数包括所述第六矩阵;根据所述第三指定参数和所述加密后的机器学习模型,对所述加密后的用户隐私数据进行处理。
可选地,计算机可执行指令在被执行时,所述同态加密算法满足乘法同态性质;所述机器学习模型包括线性回归模型、逻辑回归模型、神经网络模型中的任意一种。
本实施例中的事件预测平台能够实现上述应用于事件预测平台上的事件预测方法的各个过程,并达到相同的效果和功能,这里不再赘述。
进一步地,本说明书另一实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
获取目标用户的与待预测事件相关的用户隐私数据,以及,获取事件预测平台基于同态加密算法预先为所述目标用户生成的加密密钥;其中,事件预测平台为不同用户生成的加密密钥具有唯一性;
基于同态加密算法和所述加密密钥,对所述用户隐私数据进行加密,并将加密后的用户隐私数据发送至所述事件预测平台;
接收所述事件预测平台通过机器学习模型对所述加密后的用户隐私数据进行处理后,返回的所述待预测事件的密文预测结果;
基于同态加密算法生成解密密钥,利用所述解密密钥对所述密文预测结果进行解密,得到所述待预测事件的明文预测结果。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述密文预测结果由所述事件预测平台通过加密后的机器学习模型对所述加密后的用户隐私数据进行处理得到;所述机器学习模型通过同态加密算法加密。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,基于同态加密算法和所述加密密钥,对所述用户隐私数据进行加密,包括:利用预设的向量生成算法,将所述用户隐私数据转换为明文向量的形式;基于同态加密算法和所述加密密钥,对所述明文向量进行加密。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,基于同态加密算法和所述加密密钥,对所述明文向量进行加密,包括:根据所述明文向量的维度,随机生成第一矩阵和第二矩阵;所述第一矩阵和所述第二矩阵构成第一可逆矩阵对;根据所述明文向量的维度,随机生成第三矩阵和第四矩阵;所述第三矩阵和所述第四矩阵不为可逆矩阵;根据所述第一矩阵、所述加密密钥、所述第三矩阵和所述第四矩阵,对所述明文向量进行加密。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,基于同态加密算法生成解密密钥,包括:基于同态加密算法和对所述用户隐私数据进行加密过程中生成的第一指定参数,生成解密密钥;其中,所述第一指定参数包括所述第一可逆矩阵对对应的单位矩阵、所述第二矩阵和所述第三矩阵。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,在利用所述解密密钥对所述密文预测结果进行解密之前,还包括:接收所述事件预测平台发送的同态加密算法中的特定参数;利用所述解密密钥对所述密文预测结果进行解密,包括:利用所述解密密钥和所述特定参数,对所述密文预测结果进行解密。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述同态加密算法满足乘法同态性质;所述机器学习模型包括线性回归模型、逻辑回归模型、神经网络模型中的任意一种。
本实施例中的存储介质能够实现上述应用于目标用户的用户终端上的事件预测方法的各个过程,并达到相同的效果和功能,这里不再赘述。
进一步地,本说明书另一实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
基于同态加密算法为待进行事件预测的目标用户生成加密密钥,将所述加密密钥发送至所述目标用户的用户终端;其中,为不同用户生成的加密密钥具有唯一性;
获取所述用户终端发送的加密后的用户隐私数据;其中,所述加密后的用户隐私数据由所述用户终端基于同态加密算法和所述加密密钥,对所述目标用户的与待预测事件相关的用户隐私数据进行加密得到;
通过机器学习模型对所述加密后的用户隐私数据进行处理,得到所述待预测事件的密文预测结果,将所述密文预测结果发送至所述用户终端,以便于所述用户终端在基于同态加密算法生成解密密钥之后,利用所述解密密钥对所述密文预测结果进行解密,得到所述待预测事件的明文预测结果。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,在通过机器学习模型对所述加密后的用户隐私数据进行处理之前,还包括:利用同态加密算法对所述机器学习模型进行加密;所述通过机器学习模型对所述加密后的用户隐私数据进行处理,包括:通过加密后的机器学习模型对所述加密后的用户隐私数据进行处理。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,利用同态加密算法对所述机器学习模型进行加密,包括:利用同态加密算法为所述机器学习模型生成加密私钥和加密公钥;利用所述加密公钥对所述机器学习模型进行加密。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,基于同态加密算法为待进行事件预测的目标用户生成加密密钥,包括:根据所述机器学习模型对应的模型向量的维度,为所述目标用户随机生成第五矩阵和第六矩阵;所述第五矩阵和所述第六矩阵构成第二可逆矩阵对;根据所述第五矩阵和对所述机器学习模型进行加密过程中生成的第二指定参数,为所述目标用户生成加密密钥;其中,所述第二指定参数包括所述加密私钥。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,通过加密后的机器学习模型对所述加密后的用户隐私数据进行处理,包括:获取为所述目标用户生成加密密钥过程中生成的第三指定参数;其中,所述第三指定参数包括所述第六矩阵;根据所述第三指定参数和所述加密后的机器学习模型,对所述加密后的用户隐私数据进行处理。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述同态加密算法满足乘法同态性质;所述机器学习模型包括线性回归模型、逻辑回归模型、神经网络模型中的任意一种。
本实施例中的存储介质能够实现上述应用于事件预测平台上的事件预测方法的各个过程,并达到相同的效果和功能,这里不再赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书的一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书的实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书的实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书的实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书的实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本文件。对于本领域技术人员来说,本说明书的实施例可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本文件的权利要求范围之内。
Claims (27)
1.一种基于用户隐私保护的事件预测方法,应用于目标用户的用户终端,包括:
获取目标用户的与待预测事件相关的用户隐私数据,以及,获取事件预测平台基于同态加密算法预先为所述目标用户生成的加密密钥;其中,事件预测平台为不同用户生成的加密密钥具有唯一性;
基于同态加密算法和所述加密密钥,对所述用户隐私数据进行加密,并将加密后的用户隐私数据发送至所述事件预测平台;
接收所述事件预测平台通过机器学习模型对所述加密后的用户隐私数据进行处理后,返回的所述待预测事件的密文预测结果;
基于同态加密算法生成解密密钥,利用所述解密密钥对所述密文预测结果进行解密,得到所述待预测事件的明文预测结果。
2.根据权利要求1所述的方法,所述密文预测结果由所述事件预测平台通过加密后的机器学习模型对所述加密后的用户隐私数据进行处理得到;所述机器学习模型通过同态加密算法加密。
3.根据权利要求1所述的方法,基于同态加密算法和所述加密密钥,对所述用户隐私数据进行加密,包括:
利用预设的向量生成算法,将所述用户隐私数据转换为明文向量的形式;
基于同态加密算法和所述加密密钥,对所述明文向量进行加密。
4.根据权利要求3所述的方法,基于同态加密算法和所述加密密钥,对所述明文向量进行加密,包括:
根据所述明文向量的维度,随机生成第一矩阵和第二矩阵;所述第一矩阵和所述第二矩阵构成第一可逆矩阵对;
根据所述明文向量的维度,随机生成第三矩阵和第四矩阵;所述第三矩阵和所述第四矩阵不为可逆矩阵;
根据所述第一矩阵、所述加密密钥、所述第三矩阵和所述第四矩阵,对所述明文向量进行加密。
5.根据权利要求4所述的方法,基于同态加密算法生成解密密钥,包括:
基于同态加密算法和对所述用户隐私数据进行加密过程中生成的第一指定参数,生成解密密钥;其中,所述第一指定参数包括所述第一可逆矩阵对对应的单位矩阵、所述第二矩阵和所述第三矩阵。
6.根据权利要求1所述的方法,
在利用所述解密密钥对所述密文预测结果进行解密之前,还包括:
接收所述事件预测平台发送的同态加密算法中的特定参数;
利用所述解密密钥对所述密文预测结果进行解密,包括:
利用所述解密密钥和所述特定参数,对所述密文预测结果进行解密。
7.根据权利要求1-6任一项所述的方法,所述同态加密算法满足乘法同态性质;所述机器学习模型包括线性回归模型、逻辑回归模型、神经网络模型中的任意一种。
8.一种基于用户隐私保护的事件预测方法,应用于事件预测平台,包括:
基于同态加密算法为待进行事件预测的目标用户生成加密密钥,将所述加密密钥发送至所述目标用户的用户终端;其中,为不同用户生成的加密密钥具有唯一性;
获取所述用户终端发送的加密后的用户隐私数据;其中,所述加密后的用户隐私数据由所述用户终端基于同态加密算法和所述加密密钥,对所述目标用户的与待预测事件相关的用户隐私数据进行加密得到;
通过机器学习模型对所述加密后的用户隐私数据进行处理,得到所述待预测事件的密文预测结果,将所述密文预测结果发送至所述用户终端,以便于所述用户终端在基于同态加密算法生成解密密钥之后,利用所述解密密钥对所述密文预测结果进行解密,得到所述待预测事件的明文预测结果。
9.根据权利要求8所述的方法,
在通过机器学习模型对所述加密后的用户隐私数据进行处理之前,还包括:
利用同态加密算法对所述机器学习模型进行加密;
所述通过机器学习模型对所述加密后的用户隐私数据进行处理,包括:
通过加密后的机器学习模型对所述加密后的用户隐私数据进行处理。
10.根据权利要求9所述的方法,利用同态加密算法对所述机器学习模型进行加密,包括:
利用同态加密算法为所述机器学习模型生成加密私钥和加密公钥;
利用所述加密公钥对所述机器学习模型进行加密。
11.根据权利要求10所述的方法,基于同态加密算法为待进行事件预测的目标用户生成加密密钥,包括:
根据所述机器学习模型对应的模型向量的维度,为所述目标用户随机生成第五矩阵和第六矩阵;所述第五矩阵和所述第六矩阵构成第二可逆矩阵对;
根据所述第五矩阵和对所述机器学习模型进行加密过程中生成的第二指定参数,为所述目标用户生成加密密钥;其中,所述第二指定参数包括所述加密私钥。
12.根据权利要求11所述的方法,通过加密后的机器学习模型对所述加密后的用户隐私数据进行处理,包括:
获取为所述目标用户生成加密密钥过程中生成的第三指定参数;其中,所述第三指定参数包括所述第六矩阵;
根据所述第三指定参数和所述加密后的机器学习模型,对所述加密后的用户隐私数据进行处理。
13.根据权利要求8-12任一项所述的方法,所述同态加密算法满足乘法同态性质;所述机器学习模型包括线性回归模型、逻辑回归模型、神经网络模型中的任意一种。
14.一种基于用户隐私保护的事件预测装置,应用于目标用户的用户终端,包括:
第一数据获取模块,获取目标用户的与待预测事件相关的用户隐私数据,以及,获取事件预测平台基于同态加密算法预先为所述目标用户生成的加密密钥;其中,事件预测平台为不同用户生成的加密密钥具有唯一性;
数据加密模块,基于同态加密算法和所述加密密钥,对所述用户隐私数据进行加密,并将加密后的用户隐私数据发送至所述事件预测平台;
数据接收模块,接收所述事件预测平台通过机器学习模型对所述加密后的用户隐私数据进行处理后,返回的所述待预测事件的密文预测结果;
数据解密模块,基于同态加密算法生成解密密钥,利用所述解密密钥对所述密文预测结果进行解密,得到所述待预测事件的明文预测结果。
15.根据权利要求14所述的装置,所述密文预测结果由所述事件预测平台通过加密后的机器学习模型对所述加密后的用户隐私数据进行处理得到;所述机器学习模型通过同态加密算法加密。
16.根据权利要求14所述的装置,所述数据加密模块:
利用预设的向量生成算法,将所述用户隐私数据转换为明文向量的形式;
基于同态加密算法和所述加密密钥,对所述明文向量进行加密。
17.根据权利要求16所述的装置,所述数据加密模块:
根据所述明文向量的维度,随机生成第一矩阵和第二矩阵;所述第一矩阵和所述第二矩阵构成第一可逆矩阵对;
根据所述明文向量的维度,随机生成第三矩阵和第四矩阵;所述第三矩阵和所述第四矩阵不为可逆矩阵;
根据所述第一矩阵、所述加密密钥、所述第三矩阵和所述第四矩阵,对所述明文向量进行加密。
18.根据权利要求17所述的装置,所述数据解密模块:
基于同态加密算法和对所述用户隐私数据进行加密过程中生成的第一指定参数,生成解密密钥;其中,所述第一指定参数包括所述第一可逆矩阵对对应的单位矩阵、所述第二矩阵和所述第三矩阵。
19.一种基于用户隐私保护的事件预测装置,应用于事件预测平台,包括:
数据生成模块,基于同态加密算法为待进行事件预测的目标用户生成加密密钥,将所述加密密钥发送至所述目标用户的用户终端;其中,为不同用户生成的加密密钥具有唯一性;
第二数据获取模块,获取所述用户终端发送的加密后的用户隐私数据;其中,所述加密后的用户隐私数据由所述用户终端基于同态加密算法和所述加密密钥,对所述目标用户的与待预测事件相关的用户隐私数据进行加密得到;
数据处理模块,通过机器学习模型对所述加密后的用户隐私数据进行处理,得到所述待预测事件的密文预测结果,将所述密文预测结果发送至所述用户终端,以便于所述用户终端在基于同态加密算法生成解密密钥之后,利用所述解密密钥对所述密文预测结果进行解密,得到所述待预测事件的明文预测结果。
20.根据权利要求19所述的装置,还包括:
模型加密模块,在通过机器学习模型对所述加密后的用户隐私数据进行处理之前,利用同态加密算法对所述机器学习模型进行加密;
所述数据处理模块:通过加密后的机器学习模型对所述加密后的用户隐私数据进行处理。
21.根据权利要求20所述的装置,所述模型加密模块:
利用同态加密算法为所述机器学习模型生成加密私钥和加密公钥;
利用所述加密公钥对所述机器学习模型进行加密。
22.根据权利要求21所述的装置,所述数据生成模块:
根据所述机器学习模型对应的模型向量的维度,为所述目标用户随机生成第五矩阵和第六矩阵;所述第五矩阵和所述第六矩阵构成第二可逆矩阵对;
根据所述第五矩阵和对所述机器学习模型进行加密过程中生成的第二指定参数,为所述目标用户生成加密密钥;其中,所述第二指定参数包括所述加密私钥。
23.根据权利要求22所述的装置,所述数据处理模块:
获取为所述目标用户生成加密密钥过程中生成的第三指定参数;其中,所述第三指定参数包括所述第六矩阵;
根据所述第三指定参数和所述加密后的机器学习模型,对所述加密后的用户隐私数据进行处理。
24.一种用户终端,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器实现上述权利要求1至7任一项所述的事件预测方法的步骤。
25.一种事件预测平台,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器实现上述权利要求8至13任一项所述的事件预测方法的步骤。
26.一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被执行时实现上述权利要求1至7任一项所述的事件预测方法的步骤。
27.一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被执行时实现上述权利要求8至13任一项所述的事件预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010872818.8A CN112016120B (zh) | 2020-08-26 | 2020-08-26 | 基于用户隐私保护的事件预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010872818.8A CN112016120B (zh) | 2020-08-26 | 2020-08-26 | 基于用户隐私保护的事件预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016120A true CN112016120A (zh) | 2020-12-01 |
CN112016120B CN112016120B (zh) | 2024-03-26 |
Family
ID=73503450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010872818.8A Active CN112016120B (zh) | 2020-08-26 | 2020-08-26 | 基于用户隐私保护的事件预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016120B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112615712A (zh) * | 2020-12-16 | 2021-04-06 | 百度在线网络技术(北京)有限公司 | 数据的处理方法、相关装置及计算机程序产品 |
CN112613077A (zh) * | 2021-01-22 | 2021-04-06 | 支付宝(杭州)信息技术有限公司 | 保护隐私的多方数据处理的方法、装置和系统 |
CN113079004A (zh) * | 2021-03-26 | 2021-07-06 | 北京丁牛科技有限公司 | 面向多用户的信息传递方法及装置 |
CN113225345A (zh) * | 2021-04-30 | 2021-08-06 | 武汉天喻信息产业股份有限公司 | 一种具有隐私保护功能的数据处理方法、装置及系统 |
CN113282935A (zh) * | 2021-05-19 | 2021-08-20 | 中原银行股份有限公司 | 一种基于模型的预测方法、装置和存储介质 |
CN113570144A (zh) * | 2021-07-30 | 2021-10-29 | 华北电力科学研究院有限责任公司 | 一种用电信息处理方法和装置 |
CN113704778A (zh) * | 2021-07-16 | 2021-11-26 | 杭州医康慧联科技股份有限公司 | 基于同态加密的机器学习线性模型预测方法 |
CN115510466A (zh) * | 2022-09-28 | 2022-12-23 | 北京瑞莱智慧科技有限公司 | 密文预测方法、相关装置及存储介质 |
CN116484430A (zh) * | 2023-06-21 | 2023-07-25 | 济南道图信息科技有限公司 | 一种智慧心理平台用户隐私数据加密保护方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815719A (zh) * | 2019-01-21 | 2019-05-28 | 广东电网有限责任公司信息中心 | 一种可搜索的数据库安全加密系统 |
CN109933618A (zh) * | 2019-03-08 | 2019-06-25 | 西安电子科技大学 | 一种新型的加密数据挖掘系统 |
CN110895611A (zh) * | 2019-11-26 | 2020-03-20 | 支付宝(杭州)信息技术有限公司 | 基于隐私信息保护的数据查询方法、装置、设备及系统 |
US20200177366A1 (en) * | 2019-06-18 | 2020-06-04 | Alibaba Group Holding Limited | Homomorphic data encryption method and apparatus for implementing privacy protection |
CN111275202A (zh) * | 2020-02-20 | 2020-06-12 | 济南大学 | 一种面向数据隐私保护的机器学习预测方法及系统 |
CN111371544A (zh) * | 2020-05-27 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 基于同态加密的预测方法、装置、电子设备及存储介质 |
CN111526002A (zh) * | 2019-11-18 | 2020-08-11 | 暨南大学 | 一种基于格的多身份的全同态加密方法 |
-
2020
- 2020-08-26 CN CN202010872818.8A patent/CN112016120B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815719A (zh) * | 2019-01-21 | 2019-05-28 | 广东电网有限责任公司信息中心 | 一种可搜索的数据库安全加密系统 |
CN109933618A (zh) * | 2019-03-08 | 2019-06-25 | 西安电子科技大学 | 一种新型的加密数据挖掘系统 |
US20200177366A1 (en) * | 2019-06-18 | 2020-06-04 | Alibaba Group Holding Limited | Homomorphic data encryption method and apparatus for implementing privacy protection |
CN111526002A (zh) * | 2019-11-18 | 2020-08-11 | 暨南大学 | 一种基于格的多身份的全同态加密方法 |
CN110895611A (zh) * | 2019-11-26 | 2020-03-20 | 支付宝(杭州)信息技术有限公司 | 基于隐私信息保护的数据查询方法、装置、设备及系统 |
CN111275202A (zh) * | 2020-02-20 | 2020-06-12 | 济南大学 | 一种面向数据隐私保护的机器学习预测方法及系统 |
CN111371544A (zh) * | 2020-05-27 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 基于同态加密的预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
N.D. NAVGHARE 等: "Data Privacy and Prediction Using Neural Network and Homomorphic Encryption", 2018 SECOND INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND CONTROL SYSTEMS (ICICCS) * |
蒋林智;许春香;王晓芳;陈克非;王保仓;: "(全)同态加密在基于密文计算模型中的应用", 密码学报, no. 06 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112615712A (zh) * | 2020-12-16 | 2021-04-06 | 百度在线网络技术(北京)有限公司 | 数据的处理方法、相关装置及计算机程序产品 |
CN112615712B (zh) * | 2020-12-16 | 2023-03-24 | 百度在线网络技术(北京)有限公司 | 数据的处理方法、相关装置及计算机程序产品 |
CN112613077B (zh) * | 2021-01-22 | 2021-07-23 | 支付宝(杭州)信息技术有限公司 | 保护隐私的多方数据处理的方法、装置和系统 |
CN112613077A (zh) * | 2021-01-22 | 2021-04-06 | 支付宝(杭州)信息技术有限公司 | 保护隐私的多方数据处理的方法、装置和系统 |
CN113079004A (zh) * | 2021-03-26 | 2021-07-06 | 北京丁牛科技有限公司 | 面向多用户的信息传递方法及装置 |
CN113225345A (zh) * | 2021-04-30 | 2021-08-06 | 武汉天喻信息产业股份有限公司 | 一种具有隐私保护功能的数据处理方法、装置及系统 |
CN113282935A (zh) * | 2021-05-19 | 2021-08-20 | 中原银行股份有限公司 | 一种基于模型的预测方法、装置和存储介质 |
CN113704778A (zh) * | 2021-07-16 | 2021-11-26 | 杭州医康慧联科技股份有限公司 | 基于同态加密的机器学习线性模型预测方法 |
CN113570144A (zh) * | 2021-07-30 | 2021-10-29 | 华北电力科学研究院有限责任公司 | 一种用电信息处理方法和装置 |
CN113570144B (zh) * | 2021-07-30 | 2024-01-23 | 华北电力科学研究院有限责任公司 | 一种用电信息处理方法和装置 |
CN115510466A (zh) * | 2022-09-28 | 2022-12-23 | 北京瑞莱智慧科技有限公司 | 密文预测方法、相关装置及存储介质 |
CN115510466B (zh) * | 2022-09-28 | 2024-03-05 | 北京瑞莱智慧科技有限公司 | 密文预测方法、相关装置及存储介质 |
CN116484430A (zh) * | 2023-06-21 | 2023-07-25 | 济南道图信息科技有限公司 | 一种智慧心理平台用户隐私数据加密保护方法 |
CN116484430B (zh) * | 2023-06-21 | 2023-08-29 | 济南道图信息科技有限公司 | 一种智慧心理平台用户隐私数据加密保护方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112016120B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016120B (zh) | 基于用户隐私保护的事件预测方法和装置 | |
CN110895611B (zh) | 基于隐私信息保护的数据查询方法、装置、设备及系统 | |
CN108063756B (zh) | 一种密钥管理方法、装置及设备 | |
CN109886682B (zh) | 区块链中实现合约调用的方法及节点、存储介质 | |
CN110008735B (zh) | 区块链中实现合约调用的方法及节点、存储介质 | |
CN111741028B (zh) | 业务处理方法、装置、设备及系统 | |
US11676011B2 (en) | Private transfer learning | |
CN111339565B (zh) | 基于区块链的业务服务提供方法、装置、设备及系统 | |
CN111738900A (zh) | 图像的隐私保护方法、装置及设备 | |
US20150172044A1 (en) | Order-preserving encryption system, encryption device, decryption device, encryption method, decryption method, and programs thereof | |
CN111342966B (zh) | 一种数据的存储方法、数据的恢复方法、装置及设备 | |
CN110505054B (zh) | 一种基于动态白盒的数据处理方法、装置及设备 | |
KR20200047002A (ko) | 동형 암호를 이용한 암호문 비교 방법 및 이를 수행하기 위한 장치 | |
CN113792297A (zh) | 一种业务处理方法、装置及设备 | |
CN111934878A (zh) | 一种基于区块链的数据加密与解密方法、设备及介质 | |
CN113709696A (zh) | 车辆远程控制方法及装置、密钥初始化方法及装置 | |
CN111934874A (zh) | 一种基于区块链的数据加密与解密方法、设备及介质 | |
CN109560927B (zh) | 一种设备指纹实现方法及装置 | |
CN116361849A (zh) | 一种加密数据库的备份数据加密、解密方法及装置 | |
CN111104693A (zh) | 一种Android平台软件数据破解方法、终端设备及存储介质 | |
CN113849837B (zh) | 一种安全模型的训练方法、装置、设备以及数据处理方法 | |
CN115834018A (zh) | 一种保护隐私的多方数据处理方法、系统和设备 | |
CN110995447B (zh) | 一种数据存证方法、装置、设备以及介质 | |
CN111641499A (zh) | 一种基于区块链的私钥还原方法、装置、设备及介质 | |
CN110177371B (zh) | 生成设备标识信息的方法及装置 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40042413 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |