CN112131581A - 一种单密钥加密解密的3d打印多数据库共享优化算法 - Google Patents
一种单密钥加密解密的3d打印多数据库共享优化算法 Download PDFInfo
- Publication number
- CN112131581A CN112131581A CN202010839688.8A CN202010839688A CN112131581A CN 112131581 A CN112131581 A CN 112131581A CN 202010839688 A CN202010839688 A CN 202010839688A CN 112131581 A CN112131581 A CN 112131581A
- Authority
- CN
- China
- Prior art keywords
- ciphertext
- mask2
- mask1
- value
- sample matrix
- 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.)
- Pending
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
- G06F21/6227—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 where protection concerns the structure of data, e.g. records, types, queries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioethics (AREA)
- Databases & Information Systems (AREA)
- Storage Device Security (AREA)
Abstract
本发明涉及数据库共享技术领域，公开了一种单密钥加密解密的3D打印多数据库共享优化算法，基于单密钥加密解密技术，先通过同态加密算法对模型参数、样本矩阵进行加密共享，然后通过泰勒公式进行展开，并通过梯度下降得到目标梯度，然后各训练方根据目标梯度更新本地模型参数，使共享数据库的多训练方共享模型参数。本发明所述的多数据库共享优化算法，使得多个用户既能共享数据库进行联合训练又能保证己方数据的保密性。
Description
技术领域
本发明涉及多数据库共享技术领域，具体的说，是一种单密钥加密解密的3D打印多数据库共享优化算法。
背景技术
上世纪八十年代，3D打印技术诞生了。3D打印是一种自下而上的制造方式，也称为增材制造技术，不同于传统的“去除”加工方法。3D打印技术自诞生之日起就受到人们的广泛关注，因此获得了快速发展。近几十年来，3D打印技术已成为人们关注的焦点，在工业设计、建筑、汽车、航空航天、牙科、教育等领域都被应用。
3D打印项目中，制造材料数据库，检测反馈数据库，工艺参数数据库，产品自诊断系统以及自检查系统等的信息安全至关重要。工艺参数数据库存储有大量的实验数据，例如，存储有在何种送粉量、送气量、激光功率、打印速度等参数下所得到的打印形貌。将这些参数以及其得到的打印结果形成数据库，即可得到模型学习的原始数据库。
但是，在3D打印实施过程中，由于3D打印相关参数太多，在实验过程中无法穷尽所有3D打印参数，并判断这些参数是否能够成型合适的零件，因此需要一种3D打印参数学习和预测的方式实现3D打印参数的预测。
而且，由于3D打印实验成本高昂，由一家企业或单位完成所有实不太可能，因此提出多个数据库共同训练得到更加精准模型参数的技术方案，而此类方案中就涉及到多个数据库之间的保密问题。
发明内容
本发明提供了一种单密钥加密解密的3D打印多数据库共享优化算法，使得多个用户既能共享数据库进行联合训练又能保证己方数据的保密性。
本发明通过下述技术方案实现：
一种单密钥加密解密的3D打印多数据库共享优化算法，其特征在于：基于单密钥加密解密技术，先通过同态加密算法对模型参数、样本矩阵进行加密共享，然后通过泰勒公式进行展开，并通过梯度下降得到目标梯度，然后各训练方根据目标梯度更新本地模型参数，使共享数据库的多训练方共享模型参数。
首先，具体参数说明如下：
共享的任意两个训练方分别记为A、B；
A拥有的数据样本库用XA表示，
B拥有的数据样本库用XB表示，
由A、B两方数据样本库共同构成的总的数据样本库用X表示，且与总的数据样本库X中各个数据样本x对应的标签用y表示；
其中，A拥有的数据样本库XA、B拥有的数据样本库XB、标签y对应的原始样本数据分别用xa0、xb0、y0表示。
A拥有的数据样本库XA中存储有m个数据样本xa，每个数据样本xa的特征数用p表示；m个数据样本xa组成的样本矩阵用Xa表示；每个数据样本xa中的前P个特征组成一个模型参数Wa，由A持有。
则：每个数据样本xa都是一个1*p的列矩阵；样本矩阵Xa就是一个m*p矩阵；与每个数据样本xa一一对应的模型参数Wa也是一个1*p的列向量。
同时，A拥有的公钥用Pka表示；A拥有的私钥用Ska表示。虽然B共享了公钥Pka，但B没有私钥Ska，因此采用公钥Pka加的锁只有A才能解，因此当A通过公钥Pka加密数据样本进行后续处理的过程中，B无法知晓A独自拥有的数据样本、模型参数，虽然共享数据进行模型训练，但始终可以保证A方数据私密性。
另一方面，A拥有的模型参数Wa和样本矩阵Xa同态加密得到的同态加密中间值用Ua表示。此处同态加密算法可以是同态相乘，也可以是同态相加，还可以是同态相乘、相加的混合运算。
B拥有的数据样本库XB中存储有m个数据样本xb，每个数据样本xb的特征数用q表示；m个数据样本xb组成的样本矩阵用Xb表示；每个数据样本xb中的另外q个特征组成一个模型参数Wb，由B持有。
则：每个数据样本xb都是一个1*q的列矩阵；样本矩阵Xb就是一个m*q矩阵；与每个数据样本xb一一对应的模型参数Wb也是一个1*q的列向量。
同时，B独立拥有混码，此混码A没有，因此A无法知晓B独自拥有的数据样本、模型参数，虽然共享数据进行模型训练，但始终可以保证B方数据私密性。
另一方面，B拥有的模型参数Wb和样本矩阵Xb同态加密得到的同态加密中间值用Ub表示。此处同态加密算法可以是同态相乘，也可以是同态相加，还可以是同态相乘、相加的混合运算。
而且，p+q＝n，即数据拥有者A、B共享的总的数据样本库X拥有m个数据样本x，且每个数据样本x均具有(p+q)个特征；或者说，数据拥有者A、B共享的总的数据样本库X拥有m个数据样本x，且每个数据样本x均具有n个特征。因此，数据拥有者A、B共享的总的数据样本库X对应的标签y是一个1*q的列向量。
所述m、p、q、n均为不小于1的正整数。
其他中间参数还有：
采用泰勒公式计算得到的误差值(error)用d表示。本实施例中优选1阶泰勒公式(又称为1阶误差公式)或3阶泰勒公式(又称为3阶误差公式)进行误差值d的计算。3阶误差公式相比于1阶误差公式而言，其缩减速度较慢但精度更高。
A对应的梯度值用Ga表示；A对应的梯度值用Gb表示。
学习率(又称步长)用learning_rate表示，即SGD算法中的学习率或者是步长。
加密算法中涉及两个混码(又称掩码)分别用mask1、mask2表示。
另外，“[·]a”这个符号表示括号内参数对应的密文。
基于上述具体参数说明，共享的任意两个训练方在进行数据库共享时，两方中的一个训练方共同拥有单组的公私密钥，双方共享公钥，但其中一个训练方独立拥有私钥并通过此对公私密钥保证自身拥有的模型参数、样本矩阵数据的私密性，另一个训练方独立拥有混码并通过混码保证自身拥有的模型参数、样本矩阵数据的私密性。
共享的任意两个训练方在进行数据库共享时进行如下操作：
步骤S1：A初始化模型参数Wa，同时B初始化模型参数Wb；
步骤S2：A将公钥Pka给到B；
步骤S3：A将样本矩阵Xa通过公钥Pka加密形成密文[Xa]a给到B；
步骤S4：A通过同态相乘对模型参数Wa和样本矩阵Xa进行计算，得到同态加密中间值Ua，并用公钥Pka加密同态加密中间值Ua得到密文[Ua]a后给到B；
步骤S5：B通过同态相乘对模型参数Wb和样本矩阵Xb进行计算，得到同态加密中间值Ub，先用公钥Pka加密同态加密中间值Ub得到密文[Ub]a，再通过对密文[Ua]a和密文[Ub]a同态求和得到中间密文[z]a，即[z]a＝[Ua]a+[Ub]a；
步骤S6：B根据中间密文[z]a采用泰勒公式计算误差值d对应的密文[d]a；
步骤S7：B先根据[Gb]a＝[d]a*Xb对密文[d]a和样本矩阵Xb进行计算，得到梯度值Gb的密文[Gb]a；然后向梯度值Gb的密文[Gb]a添加与梯度值Gb维度相同的混码mask1的密文[mask1]a，即[Gb+mask1]a＝[Gb]a+[mask1]a，形成新的密文[Gb+mask1]a给到A；
步骤S8：A通过私匙Ska解密密文[Gb+mask1]a得到梯度值Gb与混码mask1之和(Gb+mask1)，给到B；
步骤S9：B通过Gb＝Gb+mask1-mask1更新梯度值Gb，并采用Wb-＝learning_rate*Gb更新模型Wb；
步骤S10：B向误差值d的密文[d]a添加与误差值d维度相同的混码mask2的密文[mask2]a，即[d+mask2]a＝[d]a+[mask2]a，形成新的密文[d+mask2]a给到A；
步骤S11：A通过私匙Ska解密密文[d+mask2]a得到误差值d与混码mask2之和(d+mask2)；
步骤S12：A将(d+mask2)和样本矩阵Xa相乘计算(d+mask2)*Xa，并通过公钥Pka对结果加密形成密文[(d+mask2)*Xa]a给到B；
步骤S13：B先根据混码mask2、A拥有的样本矩阵Xa对应密文[Xa]a计算得到[mask2*Xa]a，再通过[d*Xa]a＝[(d+mask2)*Xa]a-[mask2*Xa]a计算二者差值得到密文[d*Xa]a给A；
步骤S14：A通过私匙Ska解密密文[d*Xa]a得到梯度值Ga；其中，Ga＝d*Xa；
步骤S15：A根据梯度值Ga更新模型Wa；其中，Wa-＝learning_rate*Ga。
进一步地，所述步骤S7中泰勒公式选择1阶泰勒公式；
所述1阶泰勒公式为[d]a＝[z]a/4+[0.5-y]a。
进一步地，所述步骤S7中泰勒公式选择3阶泰勒公式；
所述3阶泰勒公式为[d]a＝[z]a/4+[0.5-y]a-[z^3]a/48。
本发明与现有技术相比，具有以下优点及有益效果：
本发明提供的一种单密钥加密解密的3D打印多数据库共享优化算法，使得多个用户既能共享数据库进行联合训练又能保证己方数据的保密性。
附图说明
本发明结合下面附图和实施例作进一步说明，但并不将此限制在本发明所述的实施范围内。本发明所有构思创新应视为所公开内容和本发明保护范围。
图1为A、B两个训练方共享数据库的原理示意图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例1：
本实施例针对2个数据样本拥有者共享数据库的情况进行详细说明，此时2个数据样本拥有者分别用A和B表示。
两种典型结构：
第一种典型结构是，A、B两方分别拥有m个数据样本中的部分特征，例如：A拥有m组中激光功率、打印速度特征，而B拥有m组送粉量、送气量特征，A、B两方拥有的特征不重复；此时是A、B两方数据特征不同的场景。此种情况，需要采用数据同分布技术将数据样本同一化处理在进行后续操作。
第二种典型结构是，A拥有m1个数据样本，B拥有m2个数据样本，各个数据样本中包含的数据特征数相同，即各个数据样本中包含的数据特征数均为p。
如图1所示，共享数据样本库由A、B两方数据库共同构成，共享数据样本库共拥有m个数据样本，每个数据样本都代表着一组3D打印参数，例如：数据样本中对应包含有送粉量、送气量、激光功率、打印速度、含氧量等多个特征，将m个数据样本按照相同的规则进行整理，即可得到样本矩阵X；样本矩阵X就是指训练时候的样本集合。
记每个数据样本拥有n个特征，则数据样本库X对应的样本矩阵X就是一个m行n列的矩阵。
每个数据样本都含有一个对应的标签y，这里将标签简化为二分类，即标签y的标签值属于{0,1}，即标签y为0和1中的一个值，通常可以用于3D打印的数据样本对应的标签值为1，打印失败的数据样本对应的标签值为0。
下面介绍模型学习的算法，本算法可以针对线性回归及逻辑回归两种计算模式。这里需要说明一下，计算的W即为模型参数，我们设置这套算法的目的即为不断地用数据对模型进行训练，最后得到预期值以内的模型参数W能够预测新一组参数是成功还是失败。
模型的训练数据中，用m表示数据样本的个数，用n表示每个数据样本中特征的个数。
假设：数据样本拥有者A拥有p种特征(例如：送粉量、送气量、激光功率三种特征)，每一套特征组成一个属于A的数据样本；数据样本拥有者B拥有另外q种特征，每一套特征组成一个属于B的数据样本。
具体的：
(1)数据样本拥有者A拥有m1个数据样本xa，及对应的模型Wa，公私密钥Pka,Ska；其中私钥Ska只有A知晓，而B不知晓；
每个数据样本xa拥有p个特征，即数据样本xa是个1行p列的行向量；
Xa是m个数据样本xa组成的样本矩阵，即样本矩阵Xa是个m1行p列的矩阵；
Wa是A对应前p个特征的模型参数，即模型参数Wa是个1*p维的矩阵；
(2)数据样本拥有者B拥有m2个数据样本xb，及对应的模型Wb，公钥Pka，混码mask1、mask 2；其中混码mask1、mask 2只有B知晓，而A不知晓；
每个数据样本xb拥有q个特征，即数据样本xb是个1行q列的行向量；
Xb是m2个数据样本xb组成的样本矩阵，即样本矩阵Xb是个m2行q列的矩阵；
Wb是B对应另q个特征的模型参数，即模型参数Wb是个1*q维的矩阵；
(3)上述p+q＝n；
(4)每个数据样本都含有一个对应的标签y，即y是一个1*n维的列向量。
下面以一组数据样本中A持有前p个特征且B持有另外q个特征为例，此时一种单密钥加密解密的3D打印多数据库共享优化算法详细步骤如下：
步骤S1：A初始化模型参数Wa，同时B初始化模型参数Wb；
步骤S2：A将公钥Pka给到B；
步骤S3：A将样本矩阵Xa通过公钥Pka加密形成密文[Xa]a给到B；
步骤S4：A通过同态相乘对模型参数Wa和样本矩阵Xa进行计算，得到同态加密中间值Ua，并用公钥Pka加密同态加密中间值Ua得到密文[Ua]a后给到B；
步骤S5：B通过同态相乘对模型参数Wb和样本矩阵Xb进行计算，得到同态加密中间值Ub，先用公钥Pka加密同态加密中间值Ub得到密文[Ub]a，再通过对密文[Ua]a和密文[Ub]a同态求和得到中间密文[z]a，即[z]a＝[Ua]a+[Ub]a；
步骤S6：B根据中间密文[z]a采用泰勒公式计算误差值d对应的密文[d]a；
其中，泰勒公式可以选择1阶泰勒公式或者3阶泰勒公式；
1阶泰勒公式为
3阶泰勒公式
步骤S7：B先根据[Gb]a＝[d]a*Xb对密文[d]a和样本矩阵Xb进行计算，得到梯度值Gb的密文[Gb]a；然后向梯度值Gb的密文[Gb]a添加与梯度值Gb维度相同的混码mask1的密文[mask1]a，即[Gb+mask1]a＝[Gb]a+[mask1]a，形成新的密文[Gb+mask1]a给到A；
步骤S8：A通过私匙Ska解密密文[Gb+mask1]a得到梯度值Gb与混码mask1之和(Gb+mask1)，给到B；此步骤中，虽然A得到了(Gb+mask1)，但因为A不知晓混码mask1，因此就无法知晓Gb，从而保护了Gb的隐私性；
步骤S9：B通过Gb＝Gb+mask1-mask1更新梯度值Gb，并采用Wb-＝learning_rate*Gb更新模型Wb；
步骤S10：B向误差值d的密文[d]a添加与误差值d维度相同的混码mask2的密文[mask2]a，即[d+mask2]a＝[d]a+[mask2]a，形成新的密文[d+mask2]a给到A；
步骤S11：A通过私匙Ska解密密文[d+mask2]a得到误差值d与混码mask2之和(d+mask2)；
步骤S12：A将(d+mask2)和样本矩阵Xa相乘计算(d+mask2)*Xa，并通过公钥Pka对结果加密形成密文[(d+mask2)*Xa]a给到B；
步骤S13：B先根据混码mask2、A拥有的样本矩阵Xa对应密文[Xa]a计算得到[mask2*Xa]a，再通过[d*Xa]a＝[(d+mask2)*Xa]a-[mask2*Xa]a计算二者差值得到密文[d*Xa]a给A；此步骤中，虽然B得到了[d*Xa]a相当于[Ga]a，但因为B不知晓私钥Ska，无法解开[·]a的锁，从而保护了Ga的隐私性；
步骤S14：A通过私匙Ska解密密文[d*Xa]a得到梯度值Ga；其中，Ga＝d*Xa；
步骤S15：A根据梯度值Ga更新模型Wa；其中，Wa-＝learning_rate*Ga。
本实施例通过“对样本矩阵中数据样本等共享的数据进行同态加密，然后进行泰勒展开”的方式进行数据共享。同时，本实施例中共享数据库的各个训练方共有单组密钥，其中公钥共享，但私钥仅一方独有以保证己方数据私密性；而进行数据共享的另一方通过添加混码保证己方数据私密性。
实施例2：
相对于实施例1中“对样本矩阵中数据样本等共享的数据进行同态加密，然后进行泰勒展开”的技术方案，还可以采用秘密分享、多方安全求和等加密方法进行加密，之后不进行泰勒展开。
本实施例的其他部分与实施例1相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。
Claims (6)
1.一种单密钥加密解密的3D打印多数据库共享优化算法，其特征在于：基于单密钥加密解密技术，先通过同态加密算法对模型参数、样本矩阵进行加密共享，然后通过泰勒公式进行展开，并通过梯度下降得到目标梯度，然后各训练方根据目标梯度更新本地模型参数，使共享数据库的多训练方共享模型参数。
2.根据权利要求1所述的一种单密钥加密解密的3D打印多数据库共享优化算法，其特征在于：共享的任意两个训练方在进行数据库共享时，两方中的一个训练方共同拥有单组的公私密钥，双方共享公钥，但其中一个训练方独立拥有私钥并通过此对公私密钥保证自身拥有的模型参数、样本矩阵数据的私密性，另一个训练方独立拥有混码并通过混码保证自身拥有的模型参数、样本矩阵数据的私密性。
3.根据权利要求2所述的一种单密钥加密解密的3D打印多数据库共享优化算法，其特征在于：共享的任意两个训练方在进行数据库共享时进行如下操作：
步骤S1：A初始化模型参数Wa，同时B初始化模型参数Wb；
步骤S2：A将公钥Pka给到B；
步骤S3：A将样本矩阵Xa通过公钥Pka加密形成密文[Xa]a给到B；
步骤S4：A通过同态相乘对模型参数Wa和样本矩阵Xa进行计算，得到同态加密中间值Ua，并用公钥Pka加密同态加密中间值Ua得到密文[Ua]a后给到B；
步骤S5：B通过同态相乘对模型参数Wb和样本矩阵Xb进行计算，得到同态加密中间值Ub，先用公钥Pka加密同态加密中间值Ub得到密文[Ub]a，再通过对密文[Ua]a和密文[Ub]a同态求和得到中间密文[z]a，即[z]a＝[Ua]a+[Ub]a；
步骤S6：B根据中间密文[z]a采用泰勒公式计算误差值d对应的密文[d]a；
步骤S7：B先根据[Gb]a＝[d]a*Xb对密文[d]a和样本矩阵Xb进行计算，得到梯度值Gb的密文[Gb]a；然后向梯度值Gb的密文[Gb]a添加与梯度值Gb维度相同的混码mask1的密文[mask1]a，即[Gb+mask1]a＝[Gb]a+[mask1]a，形成新的密文[Gb+mask1]a给到A；
步骤S8：A通过私匙Ska解密密文[Gb+mask1]a得到梯度值Gb与混码mask1之和(Gb+mask1)，给到B；
步骤S9：B通过Gb＝Gb+mask1-mask1更新梯度值Gb，并采用Wb-＝learning_rate*Gb更新模型Wb；
步骤S10：B向误差值d的密文[d]a添加与误差值d维度相同的混码mask2的密文[mask2]a，即[d+mask2]a＝[d]a+[mask2]a，形成新的密文[d+mask2]a给到A；
步骤S11：A通过私匙Ska解密密文[d+mask2]a得到误差值d与混码mask2之和(d+mask2)；
步骤S12：A将(d+mask2)和样本矩阵Xa相乘计算(d+mask2)*Xa，并通过公钥Pka对结果加密形成密文[(d+mask2)*Xa]a给到B；
步骤S13：B先根据混码mask2、A拥有的样本矩阵Xa对应密文[Xa]a计算得到[mask2*Xa]a，再通过[d*Xa]a＝[(d+mask2)*Xa]a-[mask2*Xa]a计算二者差值得到密文[d*Xa]a给A；
步骤S14：A通过私匙Ska解密密文[d*Xa]a得到梯度值Ga；其中，Ga＝d*Xa；
步骤S15：A根据梯度值Ga更新模型Wa；其中，Wa-＝learning_rate*Ga。
4.根据权利要求3所述的一种单密钥加密解密的3D打印多数据库共享优化算法，其特征在于：所述步骤S7中泰勒公式选择1阶泰勒公式；
所述1阶泰勒公式为[d]a＝[z]a/4+[0.5-y]a。
5.根据权利要求3所述的一种单密钥加密解密的3D打印多数据库共享优化算法，其特征在于：所述步骤S7中泰勒公式选择3阶泰勒公式；
所述3阶泰勒公式为[d]a＝[z]a/4+[0.5-y]a-[z^3]a/48。
6.根据权利要求1所述的一种单密钥加密解密的3D打印多数据库共享优化算法，其特征在于：共享的任意两个训练方在进行数据库共享时进行如下操作：
步骤S1：A初始化模型参数Wa，同时B初始化模型参数Wb；
步骤S2：A将公钥Pka给到B；
步骤S3：A将样本矩阵Xa通过公钥Pka加密形成密文[Xa]a给到B；
步骤S4：A通过同态相乘对模型参数Wa和样本矩阵Xa进行计算，得到同态加密中间值Ua，并用公钥Pka加密同态加密中间值Ua得到密文[Ua]a后给到B；
步骤S5：B通过同态相乘对模型参数Wb和样本矩阵Xb进行计算，得到同态加密中间值Ub，先用公钥Pka加密同态加密中间值Ub得到密文[Ub]a，再通过对密文[Ua]a和密文[Ub]a同态求和得到中间密文[z]a，即[z]a＝[Ua]a+[Ub]a；
步骤S6：B根据中间密文[z]a采用泰勒公式计算误差值d对应的密文[d]a；
其中，泰勒公式可以选择1阶泰勒公式或者3阶泰勒公式；
1阶泰勒公式为
3阶泰勒公式
步骤S7：B先根据[Gb]a＝[d]a*Xb对密文[d]a和样本矩阵Xb进行计算，得到梯度值Gb的密文[Gb]a；然后向梯度值Gb的密文[Gb]a添加与梯度值Gb维度相同的混码mask1的密文[mask1]a，即[Gb+mask1]a＝[Gb]a+[mask1]a，形成新的密文[Gb+mask1]a给到A；
步骤S8：A通过私匙Ska解密密文[Gb+mask1]a得到梯度值Gb与混码mask1之和(Gb+mask1)，给到B；
步骤S9：B通过Gb＝Gb+mask1-mask1更新梯度值Gb，并采用Wb-＝learning_rate*Gb更新模型Wb；
步骤S10：B向误差值d的密文[d]a添加与误差值d维度相同的混码mask2的密文[mask2]a，即[d+mask2]a＝[d]a+[mask2]a，形成新的密文[d+mask2]a给到A；
步骤S11：A通过私匙Ska解密密文[d+mask2]a得到误差值d与混码mask2之和(d+mask2)；
步骤S12：A将(d+mask2)和样本矩阵Xa相乘计算(d+mask2)*Xa，并通过公钥Pka对结果加密形成密文[(d+mask2)*Xa]a给到B；
步骤S13：B先根据混码mask2、A拥有的样本矩阵Xa对应密文[Xa]a计算得到[mask2*Xa]a，再通过[d*Xa]a＝[(d+mask2)*Xa]a-[mask2*Xa]a计算二者差值得到密文[d*Xa]a给A；
步骤S14：A通过私匙Ska解密密文[d*Xa]a得到梯度值Ga；其中，Ga＝d*Xa；
步骤S15：A根据梯度值Ga更新模型Wa；其中，Wa-＝learning_rate*Ga。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010839688.8A CN112131581A (zh) | 2020-08-19 | 2020-08-19 | 一种单密钥加密解密的3d打印多数据库共享优化算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010839688.8A CN112131581A (zh) | 2020-08-19 | 2020-08-19 | 一种单密钥加密解密的3d打印多数据库共享优化算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112131581A true CN112131581A (zh) | 2020-12-25 |
Family
ID=73851361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010839688.8A Pending CN112131581A (zh) | 2020-08-19 | 2020-08-19 | 一种单密钥加密解密的3d打印多数据库共享优化算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112131581A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113434878A (zh) * | 2021-06-25 | 2021-09-24 | 平安科技（深圳）有限公司 | 基于联邦学习的建模及应用方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110399742A (zh) * | 2019-07-29 | 2019-11-01 | 深圳前海微众银行股份有限公司 | 一种联邦迁移学习模型的训练、预测方法及装置 |
| CN111125735A (zh) * | 2019-12-20 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私数据进行模型训练的方法及系统 |
| CN111143878A (zh) * | 2019-12-20 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私数据进行模型训练的方法及系统 |
| CN111177791A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 保护数据隐私的双方联合训练业务预测模型的方法和装置 |
| CN111241570A (zh) * | 2020-04-24 | 2020-06-05 | 支付宝(杭州)信息技术有限公司 | 保护数据隐私的双方联合训练业务预测模型的方法和装置 |
-
2020
- 2020-08-19 CN CN202010839688.8A patent/CN112131581A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110399742A (zh) * | 2019-07-29 | 2019-11-01 | 深圳前海微众银行股份有限公司 | 一种联邦迁移学习模型的训练、预测方法及装置 |
| CN111125735A (zh) * | 2019-12-20 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私数据进行模型训练的方法及系统 |
| CN111143878A (zh) * | 2019-12-20 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私数据进行模型训练的方法及系统 |
| CN111177791A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 保护数据隐私的双方联合训练业务预测模型的方法和装置 |
| CN111241570A (zh) * | 2020-04-24 | 2020-06-05 | 支付宝(杭州)信息技术有限公司 | 保护数据隐私的双方联合训练业务预测模型的方法和装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113434878A (zh) * | 2021-06-25 | 2021-09-24 | 平安科技（深圳）有限公司 | 基于联邦学习的建模及应用方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jain et al. | A robust image encryption algorithm resistant to attacks using DNA and chaotic logistic maps | |
| Chai | An image encryption algorithm based on bit level Brownian motion and new chaotic systems | |
| CN112989368B (zh) | 多方联合进行隐私数据处理的方法及装置 | |
| Zhou et al. | Cascade chaotic system with applications | |
| Liang et al. | Quantum image encryption based on generalized affine transform and logistic map | |
| Li et al. | A Novel Image Encryption Algorithm Based on a Fractional‐Order Hyperchaotic System and DNA Computing | |
| Wu et al. | Secure and efficient outsourced k-means clustering using fully homomorphic encryption with ciphertext packing technique | |
| Amani et al. | A new approach in adaptive encryption algorithm for color images based on DNA sequence operation and hyper-chaotic system | |
| Hou et al. | Ciphergpt: Secure two-party gpt inference | |
| CN106571905A (zh) | 一种数值型数据同态保序加密方法 | |
| CN108199828B (zh) | 一种彩色图片加密方法及装置 | |
| Kengnou Telem et al. | A simple and robust gray image encryption scheme using chaotic logistic map and artificial neural network | |
| CN113591146A (zh) | 基于合作的高效安全两方计算系统及计算方法 | |
| CN107086913A (zh) | 一种高维混沌系统下的彩色二维码加解密方法 | |
| Li et al. | A new image encryption algorithm based on optimized Lorenz chaotic system | |
| CN113691362B (zh) | 基于超混沌系统和dna编码的位平面图像压缩加密方法 | |
| Fang et al. | A secure chaotic block image encryption algorithm using generative adversarial networks and DNA sequence coding | |
| CN104050625B (zh) | 一种明文构建初始密钥的复合混沌图像加密方法 | |
| Zhang et al. | Multiple-image encryption algorithm based on genetic central dogma | |
| Wang et al. | Chaotic image encryption algorithm based on dynamic spiral scrambling transform and deoxyribonucleic acid encoding operation | |
| CN112131581A (zh) | 一种单密钥加密解密的3d打印多数据库共享优化算法 | |
| CN111859440B (zh) | 基于混合协议的分布式隐私保护逻辑回归模型的样本分类方法 | |
| Gaid et al. | Secure translation using fully homomorphic encryption and sequence-to-sequence neural networks | |
| CN117034307A (zh) | 数据加密方法、装置、计算机设备和存储介质 | |
| CN116975906A (zh) | 一种基于安全多方计算的岭回归隐私保护算法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201225 |
|
| RJ01 | Rejection of invention patent application after publication |