CN112560106B - 针对隐私矩阵进行处理的方法、装置和系统 - Google Patents
针对隐私矩阵进行处理的方法、装置和系统 Download PDFInfo
- Publication number
- CN112560106B CN112560106B CN202110192773.4A CN202110192773A CN112560106B CN 112560106 B CN112560106 B CN 112560106B CN 202110192773 A CN202110192773 A CN 202110192773A CN 112560106 B CN112560106 B CN 112560106B
- Authority
- CN
- China
- Prior art keywords
- matrix
- result
- party
- random
- convolution
- 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.)
- Active
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
- G06F21/62—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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Computer Security & Cryptography (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本说明书实施例提供一种针对隐私矩阵进行处理的方法、装置和系统。方法包括:第一方和第二方,各自基于其本地拥有的矩阵分片进行本地处理,各自得到本地差值结果,双方交换其本地差值结果;第一方和第二方,各自将双方的本地差值结果的对应项进行本地处理,双方均得到对应于隐私矩阵与第一随机矩阵差值的第一结果,和对应于卷积核与第二随机矩阵差值的第二结果;第一方和第二方,各自根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到联合卷积运算结果的本方结果分片。能够降低安全计算的通信量。
Description
技术领域
本说明书一个或多个实施例涉及计算机领域,尤其涉及针对隐私矩阵进行处理的方法、装置和系统。
背景技术
对于基于和共享形式存储于A、B两方的隐私矩阵x,需要A、B两方联合进行处理。现有技术中,安全计算的通信量较大。
因此,希望能有改进的方案,能够在针对隐私矩阵进行处理时,降低安全计算的通信量。
发明内容
本说明书一个或多个实施例描述了一种针对隐私矩阵进行处理的方法、装置和系统,能够在针对隐私矩阵进行处理时,降低安全计算的通信量。
第一方面,提供了一种针对隐私矩阵进行处理的方法,用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和所述卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方,方法包括:
第三方生成与所述隐私矩阵维度相同的第一随机矩阵,和与所述卷积核维度相同的第二随机矩阵,计算第一随机矩阵和第二随机矩阵的卷积运算结果,得到随机卷积矩阵;
所述第三方将所述第一随机矩阵、第二随机矩阵和随机卷积矩阵均拆分为和共享下的两个分片,将其中各个第一分片发送给所述第一方,将各个第二分片发送给所述第二方;
所述第一方和所述第二方,各自基于其本地拥有的矩阵分片进行本地处理,各自得到本地差值结果,双方交换其本地差值结果;
所述第一方和所述第二方,各自将双方的本地差值结果的对应项进行本地处理,双方均得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与所述第二随机矩阵差值的第二结果;
所述第一方和所述第二方,各自根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。
在一种可能的实施方式中,所述方法应用于卷积神经网络的卷积层,所述隐私矩阵是隐私样本的样本特征构成的矩阵,所述卷积核是卷积层中的参数矩阵。
进一步地,所述隐私样本是图片样本,所述隐私矩阵是特征图对应的特征矩阵。
第二方面,提供了一种针对隐私矩阵进行处理的方法,用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方,所述方法通过所述第一方执行,包括:
获取第一随机矩阵、第二随机矩阵和随机卷积矩阵各自的第一分片;其中,所述第一随机矩阵与所述隐私矩阵维度相同,所述第二随机矩阵与所述卷积核维度相同,所述随机卷积矩阵为所述第一随机矩阵和所述第二随机矩阵的卷积运算结果;
基于其本地拥有的矩阵分片进行本地处理,得到本地差值结果;
与所述第二方交换其本地差值结果;
将所述第一方和所述第二方双方的本地差值结果的对应项进行本地处理,得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与所述第二随机矩阵差值的第二结果;
根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。
在一种可能的实施方式中,所述基于其本地拥有的矩阵分片进行本地处理,得到本地差值结果,包括:
确定本地拥有的隐私矩阵的分片与第一随机矩阵的第一分片的第一差值,以及本地拥有的卷积核的分片与第二随机矩阵的第一分片的第二差值。
在一种可能的实施方式中,所述获取第一随机矩阵、第二随机矩阵和随机卷积矩阵各自的第一分片,包括:
从第三方接收所述第一随机矩阵的第一分片、所述第二随机矩阵的第一分片和所述随机卷积矩阵的第一分片。
第三方面,提供了一种针对隐私矩阵进行处理的方法,用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方,所述方法通过所述第二方执行,包括:
获取第一随机矩阵、第二随机矩阵和随机卷积矩阵各自的第二分片;其中,所述第一随机矩阵与所述隐私矩阵维度相同,所述第二随机矩阵与所述卷积核维度相同,所述随机卷积矩阵为所述第一随机矩阵和所述第二随机矩阵的卷积运算结果;
基于其本地拥有的矩阵分片进行本地处理,得到本地差值结果;
与所述第一方交换其本地差值结果;
将所述第一方和所述第二方双方的本地差值结果的对应项进行本地处理,得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与所述第二随机矩阵差值的第二结果;
根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。
在一种可能的实施方式中,所述基于其本地拥有的矩阵分片进行本地处理,得到本地差值结果,包括:
确定本地拥有的隐私矩阵的分片与第一随机矩阵的第二分片的第一差值,以及本地拥有的卷积核的分片与第二随机矩阵的第二分片的第二差值。
在一种可能的实施方式中,所述获取第一随机矩阵、第二随机矩阵和随机卷积矩阵各自的第二分片,包括:
从第三方接收所述第一随机矩阵的第二分片、所述第二随机矩阵的第二分片和所述随机卷积矩阵的第二分片。
第四方面,提供了一种针对隐私矩阵进行处理的系统,用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方,所述系统包括:
第三方,用于生成与所述隐私矩阵维度相同的第一随机矩阵,和与所述卷积核维度相同的第二随机矩阵,计算第一随机矩阵和第二随机矩阵的卷积运算结果,得到随机卷积矩阵;将所述第一随机矩阵、第二随机矩阵和随机卷积矩阵均拆分为和共享下的两个分片,将其中各个第一分片发送给所述第一方,将各个第二分片发送给所述第二方;
所述第一方和所述第二方,用于各自基于其本地拥有的矩阵分片进行本地处理,各自得到本地差值结果,双方交换其本地差值结果;各自将双方的本地差值结果的对应项进行本地处理,双方均得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与所述第二随机矩阵差值的第二结果;各自根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。
第五方面,提供了一种针对隐私矩阵进行处理的装置,用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方,所述装置设置于所述第一方,包括:
获取单元,用于获取第一随机矩阵、第二随机矩阵和随机卷积矩阵各自的第一分片;其中,所述第一随机矩阵与所述隐私矩阵维度相同,所述第二随机矩阵与所述卷积核维度相同,所述随机卷积矩阵为所述第一随机矩阵和所述第二随机矩阵的卷积运算结果;
差值运算单元,用于基于其本地拥有的矩阵分片进行本地处理,得到本地差值结果;
交换单元,用于与所述第二方交换其本地差值结果;
求和单元,用于将所述第一方和所述第二方双方的本地差值结果的对应项进行本地处理,得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与所述第二随机矩阵差值的第二结果;
结果运算单元,用于根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。
第六方面,提供了一种针对隐私矩阵进行处理的装置,用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方,所述装置设置于所述第二方,包括:
获取单元,用于获取第一随机矩阵、第二随机矩阵和随机卷积矩阵各自的第二分片;其中,所述第一随机矩阵与所述隐私矩阵维度相同,所述第二随机矩阵与所述卷积核维度相同,所述随机卷积矩阵为所述第一随机矩阵和所述第二随机矩阵的卷积运算结果;
差值运算单元,用于基于其本地拥有的矩阵分片进行本地处理,得到本地差值结果;
交换单元,用于与所述第一方交换其本地差值结果;
求和单元,用于将所述第一方和所述第二方双方的本地差值结果的对应项进行本地处理,得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与所述第二随机矩阵差值的第二结果;
结果运算单元,用于根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。
第七方面,提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行第一至三方面中任一方面的方法。
第八方面,提供了一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现第一至三方面中任一方面的方法。
通过本说明书实施例提供的方法、装置和系统,首先第三方生成与所述隐私矩阵维度相同的第一随机矩阵,和与所述卷积核维度相同的第二随机矩阵,计算第一随机矩阵和第二随机矩阵的卷积运算结果,得到随机卷积矩阵;接着第三方将所述第一随机矩阵、第二随机矩阵和随机卷积矩阵均拆分为和共享下的两个分片,将其中各个第一分片发送给第一方,将各个第二分片发送给第二方;然后第一方和第二方,各自基于其本地拥有的矩阵分片进行本地处理,各自得到本地差值结果,双方交换其本地差值结果;第一方和第二方,各自将双方的本地差值结果的对应项进行本地处理,双方均得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与所述第二随机矩阵差值的第二结果;最后第一方和第二方,各自根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。由上可见,本说明书实施例中,利用了卷积的双线性性质,将隐私矩阵与卷积核的卷积运算,转换为求解三项卷积运算结果之和,这三项卷积运算结果可以由第一方和第二方,各自将第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片求和,得到所述联合卷积运算的本方结果分片,整个运算过程中仅涉及第三方向第一方或第二方传输第一随机矩阵、第二随机矩阵和随机卷积矩阵的分片,以及第一方和第二方之间交换其本地差值结果,也就是说,通信量取决于第一随机矩阵的维度、第二随机矩阵的维度、随机卷积矩阵的维度和本地差值结果的维度,由于上述维度相对于隐私矩阵和卷积核的维度变化不大,因此能够在针对隐私矩阵进行处理时,降低安全计算的通信量。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本说明书披露的一个实施例的实施场景示意图;
图2示出根据一个实施例的针对隐私矩阵进行处理的方法交互示意图;
图3示出根据另一个实施例的针对隐私矩阵进行处理的方法交互示意图;
图4示出根据一个实施例的针对隐私矩阵进行处理的系统的示意性框图;
图5示出根据一个实施例的针对隐私矩阵进行处理的装置的示意性框图;
图6示出根据另一个实施例的针对隐私矩阵进行处理的装置的示意性框图。
具体实施方式
下面结合附图,对本说明书提供的方案进行描述。
图1为本说明书披露的一个实施例的实施场景示意图。该实施场景涉及针对隐私矩阵进行处理,用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和所述卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方。参照图1,针对隐私矩阵x进行处理,也就是确定隐私矩阵x与卷积核y的卷积运算结果Conv(x,y)。第一方11具有隐私矩阵x的第一分片<x>1和卷积核y的第一分片<y>1,第二方12具有隐私矩阵x的第二分片<x>2和卷积核y的第二分片<y>2。经过联合卷积运算后,第一方11获得Conv(x,y)的第一分片 <Conv(x,y)>1, 第二方12获得Conv(x,y)的第二分片<Conv(x,y)>2。
本说明书实施例,针对隐私矩阵进行处理属于安全多方计算。安全多方计算又称为多方安全计算,即多方共同计算出一个函数的结果,而不泄露这个函数各方的输入数据,计算的结果公开给其中的一方或多方。安全多方计算一个典型的应用是隐私保护的多方数据的联合统计分析和机器学习。安全多方计算能让参与的各方在不暴露各自原始数据的情况下,能够计算出基于各方联合数据的统计结果、机器学习结果。这其中多方安全计算的函数可以包括针对隐私矩阵进行联合卷积运算。
和共享形式: 在双方安全计算中,经常需要把一个0~N-1的整数x以x=x_L+x_Rmod N的形式分布式储存在A、B两方。使得A不知道x_R, B不知道x_L。
和共享形式的安全计算: 保持和共享形式进行计算,计算过程中A方始终无法推断出x_R, B方始终无法推断出x_L。
可以理解的是,对于隐私矩阵x的和共享形式,A方具有隐私矩阵x的第一分片<x>1,B方具有隐私矩阵x的第二分片<x>2,x=<x>1+<x>2,A方不知道<x>2, B方不知道<x>1。
在一个示例中,A、B是参与双方安全计算的两方,令G是一个有限阿贝尔群(Abelian group),G中的和共享形式是指将一个元素x in G以a+b的形式存储在A、B两方。其中,a in G存储于A方,对B不可见;b in G存储于B方,对A不可见;a+b中的加法是指阿贝尔群G中的加法。和共享形式下的安全计算要求A、B之间通过一些安全的交互,计算出x在f:G1→G2的值,依然以和共享的形式存储于A、B两方。
其中,第一方和第二方仅为对两方的区分,还可以将第一方称为P1方,将第二方称为P2方,或者将第一方称为A方,将第二方称为B方等。
可以理解的是,隐私矩阵可以是任何不便于公开的数据,可以但不限于代表隐私样本的样本特征构成的矩阵等。
本说明书实施例,利用了卷积的双线性性质,将隐私矩阵与卷积核的卷积运算,转换为求解三项卷积运算结果之和,整个运算过程中各方之间需要传输的矩阵的维度相对于隐私矩阵和卷积核的维度变化不大,因此能够在针对隐私矩阵进行联合卷积运算时,降低安全计算的通信量。
图2示出根据一个实施例的针对隐私矩阵进行处理的方法交互示意图,该方法用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和所述卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方,该方法可以基于图1所示的实施场景。如图2所示,该实施例中针对隐私矩阵进行联合卷积运算的方法包括以下步骤:步骤21,第三方生成与所述隐私矩阵维度相同的第一随机矩阵,和与所述卷积核维度相同的第二随机矩阵,计算第一随机矩阵和第二随机矩阵的卷积运算结果,得到随机卷积矩阵;步骤22,第三方将所述第一随机矩阵、第二随机矩阵和随机卷积矩阵均拆分为和共享下的两个分片,将其中各个第一分片发送给所述第一方,将各个第二分片发送给所述第二方;步骤23,第一方和第二方,各自基于其本地拥有的矩阵分片进行本地处理,各自得到本地差值结果,双方交换其本地差值结果;步骤24,第一方和第二方,各自将双方的本地差值结果的对应项进行本地处理,双方均得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与所述第二随机矩阵差值的第二结果;步骤25,第一方和第二方,各自根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。下面描述以上各个步骤的具体执行方式。
首先在步骤21,第三方生成与所述隐私矩阵维度相同的第一随机矩阵,和与所述卷积核维度相同的第二随机矩阵,计算第一随机矩阵和第二随机矩阵的卷积运算结果,得到随机卷积矩阵。可以理解的是,第三方具有第一随机矩阵和第二随机矩阵,因此可以通过单方进行的卷积运算得到第一随机矩阵和第二随机矩阵的卷积运算结果,该卷积运算不需要其他方的参与。
在一个示例中,所述方法应用于卷积神经网络的卷积层,所述隐私矩阵是隐私样本的样本特征构成的矩阵,所述卷积核是卷积层中的参数矩阵。
进一步地,所述隐私样本是图片样本,所述隐私矩阵是特征图对应的特征矩阵。
可以理解的是,卷积神经网络是一种重要的神经网络,其中重要组件为卷积层。如何在和共享形式下进行卷积计算在隐私保护机器学习中具有重要意义。
举例来说,第三方可以生成第一随机矩阵u,第二随机矩阵v,计算随机卷积矩阵b=Conv(u,v)。第一随机矩阵u可以拆分为和共享下的两个分片u0和u1,也就是说,u=u0+u1;第二随机矩阵v可以拆分为和共享下的两个分片v0和v1,也就是说,v=v0+v1;随机卷积矩阵b可以拆分为和共享下的两个分片b0和b1。
然后在步骤22,第三方将所述第一随机矩阵、第二随机矩阵和随机卷积矩阵均拆分为和共享下的两个分片,将其中各个第一分片发送给所述第一方,将各个第二分片发送给所述第二方。可以理解的是,第一方和第二方均只能获取第一随机矩阵、第二随机矩阵和随机卷积矩阵的一个分片,因此第一随机矩阵、第二随机矩阵和随机卷积矩阵对于第一方和第二方是保密的。
举例来说,第一随机矩阵u可以拆分为和共享下的两个分片u0和u1,也就是说,u=u0+u1;第二随机矩阵v可以拆分为和共享下的两个分片v0和v1,也就是说,v=v0+v1;随机卷积矩阵b可以拆分为和共享下的两个分片b0和b1。第三方可以将u0、v0、b0发送给第一方,将u1、v1、b1发送给第二方。
可以理解的是,与第三方的动作相对应,第一方可以从第三方接收所述第一随机矩阵的第一分片、所述第二随机矩阵的第一分片和所述随机卷积矩阵的第一分片;第二方可以从第三方接收所述第一随机矩阵的第二分片、所述第二随机矩阵的第二分片和所述随机卷积矩阵的第二分片。
接着在步骤23,第一方和第二方,各自基于其本地拥有的矩阵分片进行本地处理,各自得到本地差值结果,双方交换其本地差值结果。可以理解的是,上述本地处理具体可以为本地差值运算,第一方具有隐私矩阵的一个分片、第一随机矩阵的第一分片、卷积核的一个分片、第二随机矩阵的第一分片,第二方具有隐私矩阵的另一个分片、第一随机矩阵的第二分片、卷积核的另一个分片、第二随机矩阵的第二分片。
本说明书实施例,第一方基于其本地拥有的矩阵分片进行本地处理,得到本地差值结果,包括:
第一方确定本地拥有的隐私矩阵的分片与第一随机矩阵的第一分片的第一差值,以及本地拥有的卷积核的分片与第二随机矩阵的第一分片的第二差值。
举例来说,第一方确定本地拥有的隐私矩阵的分片x0与第一随机矩阵的第一分片u0的第一差值dx0,dx0=x0-u0,以及本地拥有的卷积核的分片y0与第二随机矩阵的第一分片v0的第二差值dy0,dy0=y0-v0。
本说明书实施例,第二方基于其本地拥有的矩阵分片进行本地处理,得到本地差值结果,包括:
第二方确定本地拥有的隐私矩阵的分片与第一随机矩阵的第二分片的第一差值,以及本地拥有的卷积核的分片与第二随机矩阵的第二分片的第二差值。
举例来说,第二方确定本地拥有的隐私矩阵的分片x1与第一随机矩阵的第二分片u1的第一差值dx1,dx1=x1-u1,以及本地拥有的卷积核的分片y1与第二随机矩阵的第二分片v1的第二差值dy1,dy1=y1-v1。
可以理解的是,双方交换其本地差值结果具体可以包括:第一方向第二方发送第一差值dx0和第二差值dy0,第二方向第一方发送第一差值dx1和第二差值dy1。
再在步骤24,第一方和第二方,各自将双方的本地差值结果的对应项进行本地处理,双方均得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与所述第二随机矩阵差值的第二结果。可以理解的是,上述本地处理具体可以为本地求和运算,双方的本地差值结果为上述第一结果或第二结果的分片,通过对应项求和,可以得到上述第一结果或第二结果。
举例来说,在双方交换本地差值结果后,第一方具有原有的第一差值dx0和第二差值dy0,以及从第二方接收的第一差值dx1和第二差值dy1,将dx0与dx1求和得到上述第一结果,将dy0与dy1求和得到上述第二结果;第二方具有原有的第一差值dx1和第二差值dy1,以及从第一方接收的第一差值dx0和第二差值dy0,将dx0与dx1求和得到上述第一结果,将dy0与dy1求和得到上述第二结果。
最后在步骤25,第一方和第二方,各自根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。可以理解的是,上述本地处理具体可以为本地求和运算,随机卷积矩阵分片为第一方或第二方从第三方接收的,其余两项卷积运算结果可以通过单方计算得到。
举例来说,第一方对第一结果dx与其保有的卷积核分片y0进行卷积运算,得到卷积运算结果Conv(dx,y0),第一方对其保有的第一随机矩阵分片u0与第二结果dy进行卷积运算,得到卷积运算结果Conv(u0,dy),第一方其保有的随机卷积矩阵分片为b0,这三项求和,得到所述联合卷积运算结果的本方结果分片z0= Conv(dx,y0)+Conv(u0,dy)+b0。第二方对第一结果dx与其保有的卷积核分片y1进行卷积运算,得到卷积运算结果Conv(dx,y1),第二方对其保有的第一随机矩阵分片u1与第二结果dy进行卷积运算,得到卷积运算结果Conv(u1,dy),第二方其保有的随机卷积矩阵分片为b1,这三项求和,得到所述联合卷积运算结果的本方结果分片z1=Conv(dx,y1)+Conv(u1,dy)+b1。
针对上述示例,可以验证:
z0+z1=Conv(dx,y0)+Conv(u0,dy)+b0+Conv(dx,y1)+Conv(u1,dy)+b1= Conv(dx,y0+y1)+Conv(u0+u1,dy)+Conv(u0+u1,v0+v1)= Conv(x0+x1-u0-u1,y0+y1)+Conv(u0+u1,y0+y1-v0-v1)+Conv(u0+u1,v0+v1)= Conv(x0+x1,y0+y1)。
图3示出根据另一个实施例的针对隐私矩阵进行处理的方法交互示意图。参照图3,x为隐私矩阵,其维度为m×n,y为卷积核,其维度为p×q,x和y均以和共享形式存储于第一方和第二方,第一方具有x的分片x0和y的分片y0,第二方具有x的分片x1和y的分片y1。第三方服务器生成u0,u1,v0,v1,b0,并计算b1=Conv(u0+u1,v0+v1)- b0,其中u0和u1为第一隐私矩阵的分片,v0和v1为第二隐私矩阵的分片,b0和b1为随机卷积矩阵的分片。第三方服务器向第一方发送u0,v0,b0,向第二方发送u1,v1,b1。第一方计算dx0=x0-u0,以及计算dy0=y0-v0,第二方计算dx1= x1-u1,以及计算dy1=y1-v1。第一方和第二方双方交换dx0,dx1,dy0,dy1,也就是说,第一方向第二方发送dx0和dy0,第二方向第一方发送dx1和dy1。第一方和第二方各自计算dx:=dx0+dx1,dy:=dy0+dy1。第一方计算联合卷积运算结果的本方结果分片z0:= Conv(dx,y0)+Conv(u0,dy)+b0。第二方计算联合卷积运算结果的本方结果分片z1:=Conv(dx,y1)+Conv(u1,dy)+b1。整个过程中的通信量=2(mn+pq+(m-p+1)(n-q+1))+2(mn+np)。
通过本说明书实施例提供的方法,首先第三方生成与所述隐私矩阵维度相同的第一随机矩阵,和与所述卷积核维度相同的第二随机矩阵,计算第一随机矩阵和第二随机矩阵的卷积运算结果,得到随机卷积矩阵;接着三方将所述第一随机矩阵、第二随机矩阵和随机卷积矩阵均拆分为和共享下的两个分片,将其中各个第一分片发送给第一方,将各个第二分片发送给第二方;然后第一方和第二方,各自基于其本地拥有的矩阵分片进行本地处理,各自得到本地差值结果,双方交换其本地差值结果;第一方和第二方,各自将双方的本地差值结果的对应项进行本地处理,双方均得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与所述第二随机矩阵差值的第二结果;最后第一方和第二方,各自根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。由上可见,本说明书实施例中,利用了卷积的双线性性质,将隐私矩阵与卷积核的卷积运算,转换为求解三项卷积运算结果之和,这三项卷积运算结果可以由第一方和第二方,各自将第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片求和,得到所述联合卷积运算结果的本方结果分片,整个运算过程中仅涉及第三方向第一方或第二方传输第一随机矩阵、第二随机矩阵和随机卷积矩阵的分片,以及第一方和第二方之间交换其本地差值结果,也就是说,通信量取决于第一随机矩阵的维度、第二随机矩阵的维度、随机卷积矩阵的维度和本地差值结果的维度,由于上述维度相对于隐私矩阵和卷积核的维度变化不大,因此能够在针对隐私矩阵进行处理时,降低安全计算的通信量。
根据另一方面的实施例,还提供一种针对隐私矩阵进行处理的系统,用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方,该系统用于执行本说明书实施例提供的方法。图4示出根据一个实施例的针对隐私矩阵进行处理的系统的示意性框图。如图4所示,该系统400包括:
第三方43,用于生成与所述隐私矩阵维度相同的第一随机矩阵,和与所述卷积核维度相同的第二随机矩阵,计算第一随机矩阵和第二随机矩阵的卷积运算结果,得到随机卷积矩阵;将所述第一随机矩阵、第二随机矩阵和随机卷积矩阵均拆分为和共享下的两个分片,将其中各个第一分片发送给所述第一方41,将各个第二分片发送给所述第二方42;
所述第一方41和所述第二方42,用于各自基于其本地拥有的矩阵分片进行本地处理,各自得到本地差值结果,双方交换其本地差值结果;各自将双方的本地差值结果的对应项进行本地处理,双方均得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与所述第二随机矩阵差值的第二结果;各自根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。
可选地,作为一个实施例,所述系统应用于卷积神经网络的卷积层,所述隐私矩阵是隐私样本的样本特征构成的矩阵,所述卷积核是卷积层中的参数矩阵。
进一步地,所述隐私样本是图片样本,所述隐私矩阵是特征图对应的特征矩阵。
根据另一方面的实施例,还提供一种针对隐私矩阵进行处理的装置,用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方,所述装置设置于所述第一方,用于执行本说明书方法实施例中第一方的动作。图5示出根据一个实施例的针对隐私矩阵进行处理的装置的示意性框图。如图5所示,该装置500包括:
获取单元51,用于获取第一随机矩阵、第二随机矩阵和随机卷积矩阵各自的第一分片;其中,所述第一随机矩阵与所述隐私矩阵维度相同,所述第二随机矩阵与所述卷积核维度相同,所述随机卷积矩阵为所述第一随机矩阵和所述第二随机矩阵的卷积运算结果;
差值运算单元52,用于基于其本地拥有的矩阵分片进行本地处理,得到本地差值结果;
交换单元53,用于与所述第二方交换其本地差值结果;
求和单元54,用于将所述第一方和所述第二方双方的本地差值结果的对应项进行本地处理,得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与所述第二随机矩阵差值的第二结果;
结果运算单元55,用于根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。
可选地,作为一个实施例,所述差值运算单元52,具体用于确定本地拥有的隐私矩阵的分片与第一随机矩阵的第一分片的第一差值,以及本地拥有的卷积核的分片与第二随机矩阵的第一分片的第二差值。
可选地,作为一个实施例,所述获取单元51,具体用于从第三方接收所述第一随机矩阵的第一分片、所述第二随机矩阵的第一分片和所述随机卷积矩阵的第一分片。
根据另一方面的实施例,还提供一种针对隐私矩阵进行处理的装置,用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方,所述装置设置于所述第二方,用于执行本说明书方法实施例中第二方的动作。图6示出根据另一个实施例的针对隐私矩阵进行处理的装置的示意性框图。如图6所示,该装置600包括:
获取单元61,用于获取第一随机矩阵、第二随机矩阵和随机卷积矩阵各自的第二分片;其中,所述第一随机矩阵与所述隐私矩阵维度相同,所述第二随机矩阵与所述卷积核维度相同,所述随机卷积矩阵为所述第一随机矩阵和所述第二随机矩阵的卷积运算结果;
差值运算单元62,用于基于其本地拥有的矩阵分片进行本地处理,得到本地差值结果;
交换单元63,用于与所述第一方交换其本地差值结果;
求和单元64,用于将所述第一方和所述第二方双方的本地差值结果的对应项进行本地处理,得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与所述第二随机矩阵差值的第二结果;
结果运算单元65,用于根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。
可选地,作为一个实施例,所述差值运算单元62,具体用于确定本地拥有的隐私矩阵的分片与第一随机矩阵的第二分片的第一差值,以及本地拥有的卷积核的分片与第二随机矩阵的第二分片的第二差值。
可选地,作为一个实施例,所述获取单元61,具体用于从第三方接收所述第一随机矩阵的第二分片、所述第二随机矩阵的第二分片和所述随机卷积矩阵的第二分片。
根据另一方面的实施例,还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行结合图2所描述的方法。
根据再一方面的实施例,还提供一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现结合图2所描述的方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (14)
1.一种针对隐私矩阵进行处理的方法,用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和所述卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方,所述方法包括:
第三方生成与所述隐私矩阵维度相同的第一随机矩阵,和与所述卷积核维度相同的第二随机矩阵,计算第一随机矩阵和第二随机矩阵的卷积运算结果,得到随机卷积矩阵;
所述第三方将所述第一随机矩阵、第二随机矩阵和随机卷积矩阵均拆分为和共享下的两个分片,将其中各个第一分片发送给所述第一方,将各个第二分片发送给所述第二方;
所述第一方和所述第二方,各自基于其本地拥有的隐私矩阵与第一随机矩阵的矩阵分片进行本地处理得到第一本地差值结果,各自基于其本地拥有的卷积核与第二随机矩阵的矩阵分片进行本地处理得到第二本地差值结果,双方交换其第一和第二本地差值结果;
所述第一方和所述第二方,各自将双方的本地差值结果的对应项进行本地处理,双方均得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与第二随机矩阵差值的第二结果;
所述第一方和所述第二方,各自根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。
2.如权利要求1所述的方法,其中,所述方法应用于卷积神经网络的卷积层,所述隐私矩阵是隐私样本的样本特征构成的矩阵,所述卷积核是卷积层中的参数矩阵。
3.如权利要求2所述的方法,其中,所述隐私样本是图片样本,所述隐私矩阵是特征图对应的特征矩阵。
4.一种针对隐私矩阵进行处理的方法,用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方,所述方法通过所述第一方执行,包括:
获取第一随机矩阵、第二随机矩阵和随机卷积矩阵各自的第一分片;其中,所述第一随机矩阵与所述隐私矩阵维度相同,所述第二随机矩阵与所述卷积核维度相同,所述随机卷积矩阵为所述第一随机矩阵和所述第二随机矩阵的卷积运算结果;
基于其本地拥有的隐私矩阵与第一随机矩阵的矩阵分片进行本地处理,得到第一本地差值结果,基于其本地拥有的卷积核与第二随机矩阵的矩阵分片进行本地处理,得到第二本地差值结果;
与所述第二方交换其第一和第二本地差值结果;
将所述第一方和所述第二方双方的本地差值结果的对应项进行本地处理,得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与第二随机矩阵差值的第二结果;
根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。
5.如权利要求4所述的方法,其中,所述基于其本地拥有的隐私矩阵与第一随机矩阵的矩阵分片进行本地处理,得到第一本地差值结果,基于其本地拥有的卷积核与第二随机矩阵的矩阵分片进行本地处理,得到第二本地差值结果,包括:
确定本地拥有的隐私矩阵的分片与第一随机矩阵的第一分片的第一差值,作为所述第一本地差值结果,以及确定本地拥有的卷积核的分片与第二随机矩阵的第一分片的第二差值,作为所述第二本地差值结果。
6.如权利要求4所述的方法,其中,所述获取第一随机矩阵、第二随机矩阵和随机卷积矩阵各自的第一分片,包括:
从第三方接收所述第一随机矩阵的第一分片、所述第二随机矩阵的第一分片和所述随机卷积矩阵的第一分片。
7.一种针对隐私矩阵进行处理的系统,用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方,所述系统包括:
第三方,用于生成与所述隐私矩阵维度相同的第一随机矩阵,和与所述卷积核维度相同的第二随机矩阵,计算第一随机矩阵和第二随机矩阵的卷积运算结果,得到随机卷积矩阵;将所述第一随机矩阵、第二随机矩阵和随机卷积矩阵均拆分为和共享下的两个分片,将其中各个第一分片发送给所述第一方,将各个第二分片发送给所述第二方;
所述第一方和所述第二方,用于各自基于其本地拥有的隐私矩阵与第一随机矩阵的矩阵分片进行本地处理得到第一本地差值结果,各自基于其本地拥有的卷积核与第二随机矩阵的矩阵分片进行本地处理得到第二本地差值结果,双方交换其第一和第二本地差值结果;各自将双方的本地差值结果的对应项进行本地处理,双方均得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与第二随机矩阵差值的第二结果;各自根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。
8.如权利要求7所述的系统,其中,所述系统应用于卷积神经网络的卷积层,所述隐私矩阵是隐私样本的样本特征构成的矩阵,所述卷积核是卷积层中的参数矩阵。
9.如权利要求8所述的系统,其中,所述隐私样本是图片样本,所述隐私矩阵是特征图对应的特征矩阵。
10.一种针对隐私矩阵进行处理的装置,用于确定隐私矩阵与卷积核的联合卷积运算结果,所述隐私矩阵和卷积核均基于和共享的方式被拆分成两个分片,分布于第一方和第二方,所述装置设置于所述第一方,包括:
获取单元,用于获取第一随机矩阵、第二随机矩阵和随机卷积矩阵各自的第一分片;其中,所述第一随机矩阵与所述隐私矩阵维度相同,所述第二随机矩阵与所述卷积核维度相同,所述随机卷积矩阵为所述第一随机矩阵和所述第二随机矩阵的卷积运算结果;
差值运算单元,用于基于其本地拥有的隐私矩阵与第一随机矩阵的矩阵分片进行本地处理,得到第一本地差值结果,基于其本地拥有的卷积核与第二随机矩阵的矩阵分片进行本地处理,得到第二本地差值结果;
交换单元,用于与所述第二方交换其第一和第二本地差值结果;
求和单元,用于将所述第一方和所述第二方双方的本地差值结果的对应项进行本地处理,得到对应于所述隐私矩阵与第一随机矩阵差值的第一结果,和对应于所述卷积核与第二随机矩阵差值的第二结果;
结果运算单元,用于根据第一结果与其保有的卷积核分片的卷积运算结果、其保有的第一随机矩阵分片与第二结果的卷积运算结果,以及其保有的随机卷积矩阵分片进行本地处理,得到所述联合卷积运算结果的本方结果分片。
11.如权利要求10所述的装置,其中,所述差值运算单元,具体用于确定本地拥有的隐私矩阵的分片与第一随机矩阵的第一分片的第一差值,作为所述第一本地差值结果,以及确定本地拥有的卷积核的分片与第二随机矩阵的第一分片的第二差值,作为所述第二本地差值结果。
12.如权利要求10所述的装置,其中,所述获取单元,具体用于从第三方接收所述第一随机矩阵的第一分片、所述第二随机矩阵的第一分片和所述随机卷积矩阵的第一分片。
13.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-6中任一项的所述的方法。
14.一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-6中任一项的所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192773.4A CN112560106B (zh) | 2021-02-20 | 2021-02-20 | 针对隐私矩阵进行处理的方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192773.4A CN112560106B (zh) | 2021-02-20 | 2021-02-20 | 针对隐私矩阵进行处理的方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560106A CN112560106A (zh) | 2021-03-26 |
CN112560106B true CN112560106B (zh) | 2021-05-18 |
Family
ID=75034448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110192773.4A Active CN112560106B (zh) | 2021-02-20 | 2021-02-20 | 针对隐私矩阵进行处理的方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560106B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688425A (zh) * | 2021-09-14 | 2021-11-23 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的两方联合特征处理方法、装置和系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020077573A1 (en) * | 2018-10-17 | 2020-04-23 | Alibaba Group Holding Limited | Secret sharing with no trusted initializer |
CN110998579B (zh) * | 2019-01-11 | 2023-08-22 | 创新先进技术有限公司 | 隐私保护的分布式多方安全模型训练框架 |
CN111324870B (zh) * | 2020-01-22 | 2022-10-11 | 武汉大学 | 一种基于安全双方计算的外包卷积神经网络隐私保护系统 |
CN111539026B (zh) * | 2020-06-19 | 2020-09-29 | 支付宝(杭州)信息技术有限公司 | 针对隐私数据进行安全运算的方法和装置 |
CN111523145B (zh) * | 2020-07-03 | 2020-09-29 | 支付宝(杭州)信息技术有限公司 | 针对隐私数据进行安全运算的方法和装置 |
CN112199702A (zh) * | 2020-10-16 | 2021-01-08 | 鹏城实验室 | 一种基于联邦学习的隐私保护方法、存储介质及系统 |
-
2021
- 2021-02-20 CN CN202110192773.4A patent/CN112560106B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112560106A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906044B (zh) | 多方安全计算方法、装置、设备及存储介质 | |
Wang et al. | Securely outsourcing exponentiations with single untrusted program for cloud storage | |
CN112800478B (zh) | 保护隐私数据的共有数据确定方法、装置和系统 | |
CN112506469B (zh) | 针对隐私数据进行处理的方法和装置 | |
CN111523144B (zh) | 针对多方的隐私数据进行安全运算的方法和装置 | |
CN112560107B (zh) | 针对隐私数据进行处理的方法和装置 | |
AU2020274492A1 (en) | System and method for performing equality and less than operations on encrypted data with quasigroup operations | |
CN107888385B (zh) | Rsa模数生成方法、rsa密钥生成方法、计算机设备及介质 | |
CN112560106B (zh) | 针对隐私矩阵进行处理的方法、装置和系统 | |
US11290265B2 (en) | Server device, secret equality determination system, secret equality determination method and secret equality determination program recording medium | |
CN114139197A (zh) | 一种代理安全多方计算方法、系统、处理设备及存储介质 | |
CN115982747B (zh) | 基于参与方与可信第三方通信的安全多方乘法运算方法 | |
US11102179B2 (en) | System and method for anonymous message broadcasting | |
US11290456B2 (en) | Secret equality determination system, secret equality determination method and secret equality determination program recording medium | |
CN116248266A (zh) | 基于秘密分享的安全多方计算方法及系统 | |
CN116681141A (zh) | 隐私保护的联邦学习方法、终端及存储介质 | |
CN114239811B (zh) | 基于隐私保护的多方联合卷积处理方法、装置和系统 | |
CN114611150A (zh) | 隐私数值的安全模转换方法及装置 | |
CN113836595A (zh) | 两方安全比较的方法、装置和系统 | |
Lochter | Blockchain as cryptanalytic tool | |
CN117009723B (zh) | 一种多方计算方法、装置、设备及存储介质 | |
US11962562B2 (en) | Anonymous message board server verification | |
CN110837633B (zh) | 智能凭证实现方法、系统及可读存储介质 | |
CN115459924A (zh) | 一种数字签名方法、装置及电子设备 | |
CN116318613A (zh) | 两方联合的数据处理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |