CN113239260B - 基于布谷鸟过滤器的多属性外包数据查询验证方法 - Google Patents

Abstract

本发明提供了一种基于布谷鸟过滤器的多属性外包数据查询验证方法，包括：步骤1，数据拥有者对外包数据集进行预处理并生成辅助信息，其中，辅助信息包括节点验证信息和多属性验证信息；步骤2，数据拥有者将生成的辅助信息发布给数据消费者，将外包数据集提供给外包数据服务提供商；步骤3，数据消费者向外包数据服务提供商发送查询条件；步骤4，外包数据服务提供商接收到数据消费者的查询条件，对查询条件进行处理后向数据消费者返回查询结果和辅助信息。本发明将多属性外包数据查询操作转化成基于布谷鸟过滤器的单属性查询结果的交集操作或单属性查询结果的并集操作，降低了计算开销，实现了对多属性外包数据查询结果的验证。

Description

基于布谷鸟过滤器的多属性外包数据查询验证方法

技术领域

本发明涉及数据处理技术领域，特别涉及一种基于布谷鸟过滤器的多属性外包数据查询验证方法。

背景技术

随着互联网的飞速发展和移动终端的快速普及，在线网络已经成为人们生活、工作和交流的重要平台。目前，全球的网络数据量正以前所未有的速度和规模进行增长。数据蕴含的潜在价值被发现并且得到重视，人们迎来了网络大数据时代。传统的获取数据方式通过数据拥有者提供的数据接口来获取数据。例如微博提供REST接口，可以获取获取微博、评论、官方分析数据等。但是以这种方式获得的数据通常不完整，较为片面甚至不正确。数据外包服务是高效访问和获取数据的一种新兴模式。这种服务模式由三个实体组成：数据拥有者、外包数据服务提供商以及数据消费者。在该外包服务中，第三方外包数据服务提供商向数据拥有者购买完整的数据集，并将其按需转售给数据消费者。然而并不是所有的第三方外包数据服务提供商都受到信任，第三方外包数据提供商在将数据转售给数据消费者的过程中，可能因为经济利益而对提供的数据进行增加、删除或者修改，返回错误的查询结果。当数据消费者使用这些虚假数据必将损害其合法权益。目前该问题解决方案的基本思路如下，首先由数据拥有者基于原始数据构造签名信息，然后将原始数据和辅助信息提供给外包数据服务提供商；当数据消费者向外包数据服务提供商查询数据时，后者返回查询数据以及对应的验证信息；最后数据消费者利用公钥检验签名信息，从而验证返回的查询结果的真实性。现有的方案主要分为基于签名链的查询验证方案以及基于MHT的查询方案。但是上述方案只适用于对单属性的外包数据的查询验证，目前仍未有对多属性外包数据提出查询验证方案。

发明内容

本发明提供了一种基于布谷鸟过滤器的多属性外包数据查询验证方法，其目的是为了传统的查询验证方法只适用于对单属性的外包数据的查询验证，计算开销大的问题。

为了达到上述目的，本发明的实施例提供了一种基于布谷鸟过滤器的多属性外包数据查询验证方法，包括：

步骤1，数据拥有者对外包数据集进行预处理并生成辅助信息，其中，辅助信息包括节点验证信息和多属性验证信息；

步骤2，数据拥有者将生成的辅助信息发布给数据消费者，将外包数据集提供给外包数据服务提供商；

步骤3，数据消费者向外包数据服务提供商发送查询条件；

步骤4，外包数据服务提供商接收到数据消费者的查询条件，对查询条件进行处理后向数据消费者返回查询结果和辅助信息；

步骤5，数据消费者通过Merkle树对外包数据服务提供商返回的查询结果进行真实性检验，当真实性验证通过时，返回的查询结果真实，执行步骤6；当真实性验证不通过时，返回的查询结果不真实，结束验证；

步骤6，对返回的查询结果进行节点集合的交集或并集操作的节点完整性验证，当返回的查询结果为节点集合交集采用基于布谷鸟过滤器的交集验证算法进行验证；当返回的查询结果为节点集合并集采用基于布谷鸟过滤器的并集验证算法进行验证；当对返回的查询结果中的所有交集或并集的验证均通过后，返回的查询结果中的节点为完整，执行步骤7；当对返回的查询结果中的所有交集或并集的验证中有一验证不通过时，返回的查询结果中的节点为不完整，结束验证；

步骤7，对返回的查询结果中的边进行边完整性验证，当边完整性验证通过时，返回的查询结果真实且完整，完成对返回的查询结果的验证；当边完整性验证不通过时，返回的查询结果不完整，结束验证。

其中，所述步骤1具体包括：

生成辅助信息的步骤如下：

步骤11，将外包数据建模为无向图，其中，无向图中的每个节点对应一个唯一的数据实体，其中，数据实体为具有多维特征的数据用户，每个节点具有多个特征属性，属性为实体标识，当数据实体间存在关系时，则两个节点之间存在一条边，其中，关系为数据实体之间的相关关系；数据拥有者分别将每个节点的标识信息与自身的属性值链接，得到p_i，p_i＝(ID_i||b_i,1||...||b_i,w)，p_i表示节点i的标识信息链接节点i的属性值，ID_i表示节点i的标识信息，b_i表示节点i的属性，b_i,w表示节点i的属性值，计算每个节点链接后的哈希值h_i，h_i＝H(p_i)；查找每个节点的所有邻居节点N_i，计算每个节点的标识信息链接每个节点相对应的所有邻居节点的标识信息的哈希值H(ID_i||ID_j)|j∈N_i，将H(ID_i||ID_j)存入布谷鸟过滤器F_i，其中，H(x)表示哈希函数，N_i表示节点i的所有邻居节点的集合，ID_j表示邻居节点的标识信息，F_i表示存储每个节点的标识信息链接每个节点相对应的所有邻居节点的标识信息的哈希值的布谷鸟过滤器；

步骤12，数据拥有者将每个节点链接后的哈希值h_i与布谷鸟过滤器F_i作为Merkle树的叶子节点，构建Merkle树T^θ并对Merkle树T^θ根节点签名；

步骤13，数据拥有者对每个节点的属性的属性值的辅助信息

进行计算，其中，1<j<k_m，j表示节点，m表示属性k中属性值的数量，v_k,j表示属性值，属性值升序排列，辅助信息

包括两个字段信息为

F_k,j表示存放属性值的所有节点的哈希值的布谷鸟过滤器，分别将一个属性值对应的所有节点的哈希值存入一个布谷鸟过滤器，得到多个布谷鸟过滤器F_k,j，所有布谷鸟过滤器F_k,j为同源布谷鸟过滤器，其中，同源布谷鸟过滤器表示布谷鸟过滤器具有相同的哈希函数、指纹生成函数和相同数目的桶；

步骤14，数据拥有者将每个属性的属性值v_k,j的辅助信息

作为Merkle树的叶子节点，构建Merkle树

并对Merkle树

根节点签名。

其中，所述步骤4具体包括：

步骤41，假设属性包括属性1和属性2，则查询条件为R_1ΘR₂，其中，Θ表示交集∩或并集∪，外包数据服务提供商接收到查询条件后，在外包数据集中查找满足范围查询条件R₁和满足范围查询条件R₂的节点，得到满足查询条件R₁的节点集合V₁与满足查询条件R₂的节点集合V₂，根据满足查询条件R₁的节点集合V₁与满足查询条件R₂的节点集合V₂，得到满足所有查询条件的节点集合V'，V'＝V₁ΘV₂，当查询条件为R₁∩R₂时，V'＝V₁∩V₂，当查询条件为R₁∪R₂时，V'＝V₁∪V₂；得到满足所有查询条件的节点集合V'对应的边集合为E'，E'＝{e_i,j|e_i,j∈E,i∈V',j∈V'}，E'表示满足所有查询条件的边集合，e_i,j表示满足查询条件的边，i表示满足查询条件的节点，j表示满足查询条件的节点，E表示原外交数据集无向图的边集合；将满足所有查询条件的节点和边的查询结果用子图G'＝(V',E')表示；

步骤42，外包数据服务提供商获得查询结果集合θ_i＝<p_i,F_i|i∈V'>，并将查询结果集合θ_i作为Merkle树的叶子节点，构建Merkle树T^θ并对Merkle树T^θ根节点签名；

步骤43，外包数据服务提供商在外包数据集中查询分别满足查询条件R₁的属性值集合和满足查询条件R₂的属性值集合，得到满足查询条件R₁的属性值集合

和满足查询条件R₂的属性值集合

外包数据服务提供商分别计算两个属性值集合中的属性值的辅助信息

其中，k表示属性，k＝1，2；j∈[x₁,y₁]或j∈[x₂,y₂]，v₁表示属性1，v_1,j表示属性1的属性值，x₁表示满足查询条件R₁的最小值端点，y₁表示满足查询条件R₁的最大值端点，v₂表示属性2，v_2,j表示属性2的属性值，x₂表示满足查询条件R₂的最小值端点，y₂表示满足查询条件R₂的最大值端点；

步骤44，外包数据服务提供商将满足查询条件R₁的属性值集合的属性值的辅助信息作为Merkle树的叶子节点构建Merkle树

将满足查询条件R₂的属性值集合的属性的辅助信息作为Merkle树的叶子节点构建Merkle树

并分别对Merkle树

和Merkle树

根节点签名；

步骤45，外包数据服务提供商向数据消费者返回查询结果，查询结果包括查询结果集合θ_i＝<p_i,F_i|i∈V'>，{(ID_i,IDj)|e_i,j∈E'}，Merkle树T^θ、Merkle树

和Merkle树

的内部节点信息和Merkle树T^θ、Merkle树

和Merkle树

的根节点签名信息，其中，{(ID_i,ID_j)|e_i,j∈E'}表示查询结果边集合的两个端点标识。

其中，所述步骤5具体包括：

步骤51，数据消费者对返回的查询结果中的满足所有查询条件的节点集合V'进行验证，分别对返回的查询结果中的满足所有查询条件的节点集合V'中的每个节点的标识信息与其自身的属性值链接后的哈希值h_i进行计算；并根据返回的查询结果中的Merkle树T^θ的内部节点信息，重新构建Merkle树T^θ的根节点；

步骤52，数据消费者对返回的查询结果中属性值的辅助信息

进行验证，数据消费者根据返回的查询结果中的Merkle树

和Merkle树

的内部节点信息，重新构建Merkle树

和Merkle树

的根节点；

步骤53，对重新构建的Merkle树T^θ、Merkle树

和Merkle树

的根节点进行判断，当根据返回的查询结果构造出所有的Merkle树根节点均正确时，数据消费者使用数据拥有者提供的签名对所有的Merkle树的根节点进行验证，当所有的Merkle树的根节点的验证均通过时，返回的查询结果为真实，当所有的Merkle树的根节点的验证中有一Merkle树的根节点的验证不通过时，返回的查询结果为不真实。

其中，所述步骤6具体包括：

步骤61，当查询条件为R₁∩R₂时，满足所有查询条件的节点集合V'＝V₁∩V₂，采用基于布谷鸟过滤器的交集验证算法对满足所有查询条件的节点集合V'进行节点完整性验证，当验证通过时，返回结果中的节点完整，当验证不通过时，返回结果中的节点不完整；当查询条件为R₁∪R₂时，满足所有查询条件的节点集合V'＝V₁∪V₂，采用基于布谷鸟过滤器的并集验证算法对满足所有查询条件的节点集合V'进行节点完整性验证，当验证通过时，返回结果中的节点完整，当验证不通过时，返回结果中的节点不完整。

其中，所述步骤7具体包括：

对返回的查询结果中的满足所有查询条件的边集合{(ID_i,ID_j)|e_i,j∈E'}进行验证，当e_i,j∈E'时，数据消费者判断H(ID_i||ID_j)是否在布谷鸟过滤器F_i中和H(ID_j||ID_i)是否在布谷鸟过滤器F_j中；当

时，数据消费者判断H(ID_i||ID_j)是否不在布谷鸟过滤器F_i中和H(ID_j||ID_i)是否不在布谷鸟过滤器F_j中；当e_i,j∈E'和

的验证均成功时，返回的查询结果中的所有边的完整，其中，H(ID_i||ID_j)表示节点i的标识信息链接节点j的标识信息的哈希值，H(ID_j||ID_i)表示节点j的标识信息链接节点i的标识信息的哈希值，F_j表示存放节点j的标识信息分别链接所有邻居节点的标识信息的哈希值的布谷鸟过滤器。

其中，所述基于布谷鸟过滤器的交集验证包括：

当查询条件为R₁∩R₂时，验证满足所有查询条件的节点集合为V'＝V₁∩V₂，设I_1,j为包含属性1的属性值v_1,j的所有节点集合，则将节点集合V₁通过

表示，x₁≤j≤y₁；设I_2,m为包含属性2的属性值v_2,m的所有节点集合，则将节点集合V₂通过

表示，x₂≤m≤y₂，将I_1,j等效为F_1,j表示，将I_2,m等效为F_2,m表示，将满足所有查询条件的节点集合V'是否等于V₁∩V₂的判断转换为判断每个V_j∩m是否等于F_1,j∩F_2,m，其中，V'＝V_j∩m，V_j∩m表示查询结果中属性值v_1,j和v_2,m的交集；将V_j∪m、F_1,j和F_2,m输入至基于布谷鸟过滤器之间的交集验证算法中，判断集合V_j∩m中的每个元素e的指纹信息是否都出现在F_1,j和F_2,m中，当集合V_j∪m中的每个元素e的指纹信息均没有出现在F_1,j和F_2,m中时，返回输出结果错误，结束算法，返回结果中的节点不完整；当集合V_j∪m中的每个元素e的指纹信息均出现在F_1,j和F_2,m中时，从F_1,j和F_2,m中删除存在集合V_j∪m中的元素的指纹信息，判断F_1,j和F_2,m中是否有共同元素，当F_1,j和F_2,m中有共同元素时，返回输出结果错误，结束算法，返回结果中的节点不完整；当F_1,j和F_2,m中没有共同元素时，返回输出结果正确，结束算法，返回结果中的节点完整。

其中，所述基于布谷鸟过滤器的并集验证包括：

当查询条件为R₁∪R₂时，验证满足所有查询条件的节点集合为V'＝V₁∪V₂，设I_1,j为包含属性1的属性值v_1,j的所有节点集合，则将节点集合V₁通过

表示，x₁≤j≤y₁；设I_2,m为包含属性2的属性值v_2,m的所有节点集合，则将节点集合V₂通过

表示，x₂≤m≤y₂，将I_1,j等效为F_1,j表示，将I_2,m等效为F_2,m表示，将满足所有查询条件的节点集合V'是否等于V₁∩V₂的判断转换为判断每个V_j∪m是否等于F_1,j∪F_2,m，将V_j∪m、F_1,j和F_2,m输入至基于布谷鸟过滤器之间的并集验证算法中，判断集合V_j∪m中的每个元素e的指纹信息是否都出现在F_1,j和F_2,m中，当集合V_j∪m中的每个元素e的指纹信息均没有出现在F_1,j和F_2,m中时，返回输出结果错误，结束算法，返回结果中的节点不完整；当集合V_j∪m中的每个元素e的指纹信息均出现在F_1,j和F_2,m中时，从F_1,j和F_2,m中删除存在集合V_j∪m中的元素的指纹信息；判断F_1,j和F_2,m是否为空，当F_1,j和F_2,m不为空时，返回输出结果错误，结束算法，返回结果中的节点不完整；当F_1,j和F_2,m为空时，返回输出结果正确，结束算法，返回结果中的节点完整。

本发明的上述方案有如下的有益效果：

本发明的上述实施例所述的基于布谷鸟过滤器的多属性外包数据查询验证方法，将多属性外包数据查询操作转化成单属性查询结果的交集操作或单属性查询结果并集操作，并基于布谷鸟过滤器实现了交集、并集的可验证方法，降低了计算开销，实现了对多属性外包数据查询结果的验证。

附图说明

图1为本发明的流程图；

图2为本发明的结构示意图；

图3为本发明的无向图；

图4为本发明的基于布谷鸟过滤器的交集验证算法的流程图；

图5为本发明的基于布谷鸟过滤器的并集验证算法的流程图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的查询验证方法只适用于对单属性的外包数据的查询验证，计算开销大的问题，提供了一种基于布谷鸟过滤器的多属性外包数据查询验证方法。

如图1至图5所示，本发明的实施例提供了一种基于布谷鸟过滤器的多属性外包数据查询验证方法，包括：步骤1，数据拥有者对外包数据集进行预处理并生成辅助信息，其中，辅助信息包括节点验证信息和多属性验证信息；步骤2，数据拥有者将生成的辅助信息发布给数据消费者，将外包数据集提供给外包数据服务提供商；步骤3，数据消费者向外包数据服务提供商发送查询条件；步骤4，外包数据服务提供商接收到数据消费者的查询条件，对查询条件进行处理后向数据消费者返回查询结果和辅助信息；步骤5，数据消费者通过Merkle树对外包数据服务提供商返回的查询结果进行真实性检验，当真实性验证通过时，返回的查询结果真实，执行步骤6；当真实性验证不通过时，返回的查询结果不真实，结束验证；步骤6，对返回的查询结果进行节点集合的交集或并集操作的节点完整性验证，当返回的查询结果为节点集合交集采用基于布谷鸟过滤器的交集验证算法进行验证；当返回的查询结果为节点集合并集采用基于布谷鸟过滤器的并集验证算法进行验证；当对返回的查询结果中的所有交集或并集的验证均通过后，返回的查询结果中的节点为完整，执行步骤7；当对返回的查询结果中的所有交集或并集的验证中有一验证不通过时，返回的查询结果中的节点为不完整，结束验证；步骤7，对返回的查询结果中的边进行边完整性验证，当边完整性验证通过时，返回的查询结果真实且完整，完成对返回的查询结果的验证；当边完整性验证不通过时，返回的查询结果不完整，结束验证。

本发明的上述实施例所述的基于布谷鸟过滤器的多属性外包数据查询验证方法，多属性查询是多个单属性查询的和或者多个单属性查询的组合，因此，多属性查询的结果可以视为多个满足单属性查询结果的交集或并集操作，所述基于布谷鸟过滤器的多属性外包数据查询验证方法，提出了基于布谷鸟过滤器实现交集、并集的可验证方法，降低了计算开销，允许数据消费者对多属性的外包数据查询结果进行真实性检验，查询结果满足以下两个要求即表示数据真实性被证明：1、数据正确性：查询数据满足数据消费者提供的查询条件；2、数据完整性：查询数据必须是完整的，而不是满足查询条件下完整的查询数据集中截取的一段子集。

其中，所述步骤1具体包括：生成辅助信息的步骤如下：步骤11，将外包数据建模为无向图，其中，无向图中的每个节点对应一个唯一的数据实体，其中，数据实体为具有多维特征的数据用户，每个节点具有多个特征属性，属性为实体标识，当数据实体间存在关系时，则两个节点之间存在一条边，其中，关系为数据实体之间的相关关系；数据拥有者分别将每个节点的标识信息与自身的属性值链接，得到p_i，p_i＝(ID_i||b_i,1||...||b_i,w)，p_i表示节点i的标识信息链接节点i的属性值，ID_i表示节点i的标识信息，b_i表示节点i的属性，b_i,w表示节点i的属性值，计算每个节点链接后的哈希值h_i，h_i＝H(p_i)；查找每个节点的所有邻居节点N_i，计算每个节点的标识信息链接每个节点相对应的所有邻居节点的标识信息的哈希值H(ID_i||ID_j)|j∈N_i，将H(ID_i||ID_j)存入布谷鸟过滤器F_i，其中，H(x)表示哈希函数，N_i表示节点i的所有邻居节点的集合，ID_j表示邻居节点的标识信息，F_i表示存储每个节点的标识信息链接每个节点相对应的所有邻居节点的标识信息的哈希值的布谷鸟过滤器；步骤12，数据拥有者将每个节点链接后的哈希值h_i与布谷鸟过滤器F_i作为Merkle树的叶子节点，构建Merkle树T^θ并对Merkle树T^θ根节点签名；步骤13，数据拥有者对每个节点的属性的属性值的辅助信息

进行计算，其中，1<j<k_m，j表示节点，m表示属性k中属性值的数量，v_k,j表示属性值，属性值升序排列，辅助信息

包括两个字段信息为

F_k,j表示存放属性值的所有节点的哈希值的布谷鸟过滤器，分别将一个属性值对应的所有节点的哈希值存入一个布谷鸟过滤器，得到多个布谷鸟过滤器F_k,j，所有布谷鸟过滤器F_k,j为同源布谷鸟过滤器，其中，同源布谷鸟过滤器表示布谷鸟过滤器具有相同的哈希函数、指纹生成函数和相同数目的桶；步骤14，数据拥有者将每个属性的属性值v_k,j的辅助信息

作为Merkle树的叶子节点，构建Merkle树

并对Merkle树

根节点签名。

本发明的上述实施例所述的基于布谷鸟过滤器的多属性外包数据查询验证方法，将外包数据建模为无向图，其中，无向图中的每个节点对应一个唯一的数据实体，其中，数据实体为具有多维特征的数据用户，例如社交网络中的用户，物联网中的边缘设备等。每个节点具有多个特征属性，例如实体标识等，当数据实体间存在关系时，则两个节点之间存在一条边，其中，关系就是数据实体之间的相关关系，例如社交网络里的好友关系，物联网里的设备互联等，当且仅当两个布谷鸟过滤器具有相同的哈希函数、指纹生成函数及相同数目的桶时，这两个布谷鸟过滤器则是同源的。

其中，所述步骤4具体包括：步骤41，假设属性包括属性1和属性2，则查询条件为R₁ΘR₂，其中，Θ表示交集∩或并集∪，外包数据服务提供商接收到查询条件后，在外包数据集中查找满足范围查询条件R₁和满足范围查询条件R₂的节点，得到满足查询条件R₁的节点集合V₁与满足查询条件R₂的节点集合V₂，根据满足查询条件R₁的节点集合V₁与满足查询条件R₂的节点集合V₂，得到满足所有查询条件的节点集合V'，V'＝V₁ΘV₂，当查询条件为R₁∩R₂时，V'＝V₁∩V₂，当查询条件为R₁∪R₂时，V'＝V₁∪V₂；得到满足所有查询条件的节点集合V'对应的边集合为E'，E'＝{e_i,j|e_i,j∈E,i∈V',j∈V'}，E'表示满足所有查询条件的边集合，e_i,j表示满足查询条件的边，i表示满足查询条件的节点，j表示满足查询条件的节点，E表示原外交数据集无向图的边集合；将满足所有查询条件的节点和边的查询结果用子图G'＝(V',E')表示；步骤42，外包数据服务提供商获得查询结果集合θ_i＝<p_i,F_i|i∈V'>，并将查询结果集合θ_i作为Merkle树的叶子节点，构建Merkle树T^θ并对Merkle树T^θ根节点签名；步骤43，外包数据服务提供商在外包数据集中查询分别满足查询条件R₁的属性值集合和满足查询条件R₂的属性值集合，得到满足查询条件R₁的属性值集合

和满足查询条件R₂的属性值集合

外包数据服务提供商分别计算两个属性值集合中的属性值的辅助信息

其中，k表示属性，k＝1，2；j∈[x₁,y₁]或j∈[x₂,y₂]，v₁表示属性1，v_1,j表示属性1的属性值，x₁表示满足查询条件R₁的最小值端点，y₁表示满足查询条件R₁的最大值端点，v₂表示属性2，v_2,j表示属性2的属性值，x₂表示满足查询条件R₂的最小值端点，y₂表示满足查询条件R₂的最大值端点；步骤44，外包数据服务提供商将满足查询条件R₁的属性值集合的属性值的辅助信息作为Merkle树的叶子节点构建Merkle树

将满足查询条件R₂的属性值集合的属性的辅助信息作为Merkle树的叶子节点构建Merkle树

并分别对Merkle树

和Merkle树

根节点签名；步骤45，外包数据服务提供商向数据消费者返回查询结果，查询结果包括查询结果集合θ_i＝<p_i,F_i|i∈V'>，{(ID_i,ID_j)|e_i,j∈E'}，Merkle树T^θ、Merkle树

和Merkle树

的内部节点信息和Merkle树T^θ、Merkle树

和Merkle树

的根节点签名信息，其中，{(ID_i,ID_j)|e_i,j∈E'}表示查询结果边集合的两个端点标识。

本发明的上述实施例所述的基于布谷鸟过滤器的多属性外包数据查询验证方法，任何子集和相等性查询可以转换为范围查询，因此将对返回的查询结果的多属性外包数据的查询可以转为成单属性范围查询结果的交集或并集操作R₁ΘR₂Θ...R_w，其中，w为属性数目，R为查询条件，Θ可以为∩或者∪，当属性包括1,2,....W时，查询条件为R₁ΘR₂Θ...R_w，两个查询条件以上的范围查询可以以类似的方式实现，为了不失一般性，以查询条件R₁和查询条件R₂举例。

其中，所述步骤5具体包括：步骤51，数据消费者对返回的查询结果中的满足所有查询条件的节点集合V'进行验证，分别对返回的查询结果中的满足所有查询条件的节点集合V'中的每个节点的标识信息与其自身的属性值链接后的哈希值h_i进行计算；并根据返回的查询结果中的Merkle树T^θ的内部节点信息，重新构建Merkle树T^θ的根节点；步骤52，数据消费者对返回的查询结果中属性值的辅助信息

进行验证，数据消费者根据返回的查询结果中的Merkle树

和Merkle树

的内部节点信息，重新构建Merkle树

和Merkle树

的根节点；步骤53，对重新构建的Merkle树T^θ、Merkle树

和Merkle树

的根节点进行判断，当根据返回的查询结果构造出所有的Merkle树根节点均正确时，数据消费者使用数据拥有者提供的签名对所有的Merkle树的根节点进行验证，当所有的Merkle树的根节点的验证均通过时，返回的查询结果为真实，当所有的Merkle树的根节点的验证中有一Merkle树的根节点的验证不通过时，返回的查询结果为不真实。

其中，所述步骤6具体包括：步骤61，当查询条件为R₁∩R₂时，满足所有查询条件的节点集合V'＝V₁∩V₂，采用基于布谷鸟过滤器的交集验证算法对满足所有查询条件的节点集合V'进行节点完整性验证，当验证通过时，返回结果中的节点完整，当验证不通过时，返回结果中的节点不完整；当查询条件为R₁∪R₂时，满足所有查询条件的节点集合V'＝V₁∪V₂，采用基于布谷鸟过滤器的并集验证算法对满足所有查询条件的节点集合V'进行节点完整性验证，当验证通过时，返回结果中的节点完整，当验证不通过时，返回结果中的节点不完整。

其中，所述步骤7具体包括：对返回的查询结果中的满足所有查询条件的边集合{(ID_i,ID_j)|e_i,j∈E'}进行验证，当e_i,j∈E'时，数据消费者判断H(ID_i||ID_j)是否在布谷鸟过滤器F_i中和H(ID_j||ID_i)是否在布谷鸟过滤器F_j中；当

时，数据消费者判断H(ID_i||ID_j)是否不在布谷鸟过滤器F_i中和H(ID_j||ID_i)是否不在布谷鸟过滤器F_j中；当e_i,j∈E'和

的验证均成功时，返回的查询结果中的所有边的完整，其中，H(ID_i||ID_j)表示节点i的标识信息链接节点j的标识信息的哈希值，H(ID_j||ID_i)表示节点j的标识信息链接节点i的标识信息的哈希值，F_j表示存放节点j的标识信息分别链接所有邻居节点的标识信息的哈希值的布谷鸟过滤器。

其中，所述基于布谷鸟过滤器的交集验证包括：当查询条件为R₁∩R₂时，验证满足所有查询条件的节点集合为V'＝V₁∩V₂，设I_1,j为包含属性1的属性值v_1,j的所有节点集合，则将节点集合V₁通过

表示，x₁≤j≤y₁；设I_2,m为包含属性2的属性值v_2,m的所有节点集合，则将节点集合V₂通过

表示，x₂≤m≤y₂，将I_1,j等效为F_1,j表示，将I_2,m等效为F_2,m表示，将满足所有查询条件的节点集合V'是否等于V₁∩V₂的判断转换为判断每个V_j∩m是否等于F_1,j∩F_2,m，其中，V'＝V_j∩m，V_j∩m表示查询结果中属性值v_1,j和v_2,m的交集；将V_j∩m、F_1,j和F_2,m输入至基于布谷鸟过滤器之间的交集验证算法中，判断集合V_j∩m中的每个元素e的指纹信息是否都出现在F_1,j和F_2,m中，当集合V_j∩m中的每个元素e的指纹信息均没有出现在F_1,j和F_2,m中时，返回输出结果错误，结束算法，返回结果中的节点不完整；当集合V_j∩m中的每个元素e的指纹信息均出现在F_1,j和F_2,m中时，从F_1,j和F_2,m中删除存在集合V_j∩m中的元素的指纹信息，判断F_1,j和F_2,m中是否有共同元素，当F_1,j和F_2,m中有共同元素时，返回输出结果错误，结束算法，返回结果中的节点不完整；当F_1,j和F_2,m中没有共同元素时，返回输出结果正确，结束算法，返回结果中的节点完整。

其中，所述基于布谷鸟过滤器的并集验证包括：当查询条件为R₁∪R₂时，验证满足所有查询条件的节点集合为V'＝V₁∪V₂，设I_1,j为包含属性1的属性值v_1,j的所有节点集合，则将节点集合V₁通过

表示，x₁≤j≤y₁；设I_2,m为包含属性2的属性值v_2,m的所有节点集合，则将节点集合V₂通过

表示，x₂≤m≤y₂，将I_1,j等效为F_1,j表示，将I_2,m等效为F_2,m表示，将满足所有查询条件的节点集合V'是否等于V₁∩V₂的判断转换为判断每个V_j∪m是否等于F_1,j∪F_2,m，将V_j∪m、F_1,j和F_2,m输入至基于布谷鸟过滤器之间的并集验证算法中，判断集合V_j∪m中的每个元素e的指纹信息是否都出现在F_1,j和F_2,m中，当集合V_j∪m中的每个元素e的指纹信息均没有出现在F_1,j和F_2,m中时，返回输出结果错误，结束算法，返回结果中的节点不完整；当集合V_j∪m中的每个元素e的指纹信息均出现在F_1,j和F_2,m中时，从F_1,j和F_2,m中删除存在集合V_j∪m中的元素的指纹信息；判断F_1,j和F_2,m是否为空，当F_1,j和F_2,m不为空时，返回输出结果错误，结束算法，返回结果中的节点不完整；当F_1,j和F_2,m为空时，返回输出结果正确，结束算法，返回结果中的节点完整。

本发明的上述实施例所述的基于布谷鸟过滤器的多属性外包数据查询验证方法，数据拥有者对原始数据集进行预处理，并构建辅助信息(节点验证信息及多属性验证信息)，将生成的辅助信息发布给数据消费者，并将原始数据集提供给第三方外包数据服务提供商，第三方外包数据服务提供商接收到数据消费者的查询条件，并对查询条件进行处理，向数据消费者返回查询结果及辅助验证信息，数据消费者通过Merkle树对查询结果进行真实性检验，基于布谷鸟过滤器实现的交集、并集的验证方法验证返回的多属性外包数据查询结果的正确性与完整性，实现将多属性外包数据查询操作转化成单属性查询结果的交集操作或单属性查询结果并集操作，并基于布谷鸟过滤器实现了交集、并集的可验证方法，降低了计算开销，实现了对多属性外包数据查询结果的验证。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于布谷鸟过滤器的多属性外包数据查询验证方法，其特征在于，包括：

步骤1，数据拥有者对外包数据集进行预处理并生成辅助信息，其中，辅助信息包括节点验证信息和多属性验证信息；

步骤2，数据拥有者将生成的辅助信息发布给数据消费者，将外包数据集提供给外包数据服务提供商；

步骤3，数据消费者向外包数据服务提供商发送查询条件；

步骤4，外包数据服务提供商接收到数据消费者的查询条件，对查询条件进行处理后向数据消费者返回查询结果和辅助信息；

步骤5，数据消费者通过Merkle树对外包数据服务提供商返回的查询结果进行真实性检验，当真实性验证通过时，返回的查询结果真实，执行步骤6；当真实性验证不通过时，返回的查询结果不真实，结束验证；

步骤6，对返回的查询结果进行节点集合的交集或并集操作的节点完整性验证，当返回的查询结果为节点集合交集采用基于布谷鸟过滤器的交集验证算法进行验证；当返回的查询结果为节点集合并集采用基于布谷鸟过滤器的并集验证算法进行验证；当对返回的查询结果中的所有交集或并集的验证均通过后，返回的查询结果中的节点为完整，执行步骤7；当对返回的查询结果中的所有交集或并集的验证中有一验证不通过时，返回的查询结果中的节点为不完整，结束验证；

步骤7，对返回的查询结果中的边进行边完整性验证，当边完整性验证通过时，返回的查询结果真实且完整，完成对返回的查询结果的验证；当边完整性验证不通过时，返回的查询结果不完整，结束验证。

2.根据权利要求1所述的基于布谷鸟过滤器的多属性外包数据查询验证方法，其特征在于，所述步骤1具体包括：

生成辅助信息的步骤如下：

步骤11，将外包数据建模为无向图，其中，无向图中的每个节点对应一个唯一的数据实体，其中，数据实体为具有多维特征的数据用户，每个节点具有多个特征属性，属性为实体标识，当数据实体间存在关系时，则两个节点之间存在一条边，其中，关系为数据实体之间的相关关系；数据拥有者分别将每个节点的标识信息与自身的属性值链接，得到p_i，p_i＝(ID_i||b_i,1||...||b_i,w)，p_i表示节点i的标识信息链接节点i的属性值，ID_i表示节点i的标识信息，b_i表示节点i的属性，b_i,w表示节点i的属性值，计算每个节点链接后的哈希值h_i，h_i＝H(p_i)；查找每个节点的所有邻居节点N_i，计算每个节点的标识信息链接每个节点相对应的所有邻居节点的标识信息的哈希值H(ID_i||ID_j)|j∈N_i，将H(ID_i||ID_j)存入布谷鸟过滤器F_i，其中，H(x)表示哈希函数，N_i表示节点i的所有邻居节点的集合，ID_j表示邻居节点的标识信息，Fi表示存储每个节点的标识信息链接每个节点相对应的所有邻居节点的标识信息的哈希值的布谷鸟过滤器；

步骤12，数据拥有者将每个节点链接后的哈希值h_i与布谷鸟过滤器F_i作为Merkle树的叶子节点，构建Merkle树T^θ并对Merkle树T^θ根节点签名；

步骤13，数据拥有者对每个节点的属性的属性值的辅助信息

进行计算，其中，1<j<k_m，j表示节点，m表示属性k中属性值的数量，v_k,j表示属性值，属性值升序排列，辅助信息

包括两个字段信息为

F_k,j表示存放属性值的所有节点的哈希值的布谷鸟过滤器，分别将一个属性值对应的所有节点的哈希值存入一个布谷鸟过滤器，得到多个布谷鸟过滤器F_k,j，所有布谷鸟过滤器F_k,j为同源布谷鸟过滤器，其中，同源布谷鸟过滤器表示布谷鸟过滤器具有相同的哈希函数、指纹生成函数和相同数目的桶；

步骤14，数据拥有者将每个属性的属性值v_k,j的辅助信息

作为Merkle树的叶子节点，构建Merkle树

并对Merkle树

根节点签名。

3.根据权利要求2所述的基于布谷鸟过滤器的多属性外包数据查询验证方法，其特征在于，所述步骤4具体包括：

步骤41，假设属性包括属性1和属性2，则查询条件为R_1ΘR₂，其中，Θ表示交集∩或并集∪，外包数据服务提供商接收到查询条件后，在外包数据集中查找满足范围查询条件R₁和满足范围查询条件R₂的节点，得到满足查询条件R₁的节点集合V₁与满足查询条件R₂的节点集合V₂，根据满足查询条件R₁的节点集合V₁与满足查询条件R₂的节点集合V₂，得到满足所有查询条件的节点集合V'，V'＝V₁ΘV₂，当查询条件为R₁∩R₂时，V'＝V₁∩V₂，当查询条件为R₁∪R₂时，V'＝V₁∪V₂；得到满足所有查询条件的节点集合V'对应的边集合为E'，E'＝{e_i,j|e_i,j∈E,i∈V',j∈V'}，E'表示满足所有查询条件的边集合，e_i,j表示满足查询条件的边，i表示满足查询条件的节点，j表示满足查询条件的节点，E表示原外交数据集无向图的边集合；将满足所有查询条件的节点和边的查询结果用子图G'＝(V',E')表示；

步骤42，外包数据服务提供商获得查询结果集合θ_i＝<p_i,F_i|i∈V'>，并将查询结果集合θ_i作为Merkle树的叶子节点，构建Merkle树T^θ并对Merkle树T^θ根节点签名；

步骤43，外包数据服务提供商在外包数据集中查询分别满足查询条件R₁的属性值集合和满足查询条件R₂的属性值集合，得到满足查询条件R₁的属性值集合

和满足查询条件R₂的属性值集合

外包数据服务提供商分别计算两个属性值集合中的属性值的辅助信息

其中，k表示属性，k＝1，2；j∈[x₁,y₁]或j∈[x₂,y₂]，v₁表示属性1，v_1,j表示属性1的属性值，x₁表示满足查询条件R₁的最小值端点，y₁表示满足查询条件R₁的最大值端点，v₂表示属性2，v_2,j表示属性2的属性值，x₂表示满足查询条件R₂的最小值端点，y₂表示满足查询条件R₂的最大值端点；

步骤44，外包数据服务提供商将满足查询条件R₁的属性值集合的属性值的辅助信息作为Merkle树的叶子节点构建Merkle树

将满足查询条件R₂的属性值集合的属性的辅助信息作为Merkle树的叶子节点构建Merkle树

并分别对Merkle树

和Merkle树

根节点签名；

步骤45，外包数据服务提供商向数据消费者返回查询结果，查询结果包括查询结果集合θ_i＝<p_i,F_i|i∈V'>，{(ID_i,ID_j)|e_i,j∈E'}，Merkle树T^θ、Merkle树

和Merkle树

的内部节点信息和Merkle树T^θ、Merkle树

和Merkle树

的根节点签名信息，其中，{(ID_i,ID_j)|e_i,j∈E'}表示查询结果边集合的两个端点标识。

4.根据权利要求3所述的基于布谷鸟过滤器的多属性外包数据查询验证方法，其特征在于，所述步骤5具体包括：

步骤51，数据消费者对返回的查询结果中的满足所有查询条件的节点集合V'进行验证，分别对返回的查询结果中的满足所有查询条件的节点集合V'中的每个节点的标识信息与其自身的属性值链接后的哈希值h_i进行计算；并根据返回的查询结果中的Merkle树T^θ的内部节点信息，重新构建Merkle树T^θ的根节点；

步骤52，数据消费者对返回的查询结果中属性值的辅助信息

进行验证，数据消费者根据返回的查询结果中的Merkle树

和Merkle树

的内部节点信息，重新构建Merkle树

和Merkle树

的根节点；

步骤53，对重新构建的Merkle树T^θ、Merkle树

和Merkle树

的根节点进行判断，当根据返回的查询结果构造出所有的Merkle树根节点均正确时，数据消费者使用数据拥有者提供的签名对所有的Merkle树的根节点进行验证，当所有的Merkle树的根节点的验证均通过时，返回的查询结果为真实，当所有的Merkle树的根节点的验证中有一Merkle树的根节点的验证不通过时，返回的查询结果为不真实。

5.根据权利要求4所述的基于布谷鸟过滤器的多属性外包数据查询验证方法，其特征在于，所述步骤6具体包括：

步骤61，当查询条件为R₁∩R₂时，满足所有查询条件的节点集合V'＝V₁∩V₂，采用基于布谷鸟过滤器的交集验证算法对满足所有查询条件的节点集合V'进行节点完整性验证，当验证通过时，返回结果中的节点完整，当验证不通过时，返回结果中的节点不完整；当查询条件为R₁∪R₂时，满足所有查询条件的节点集合V'＝V₁∪V₂，采用基于布谷鸟过滤器的并集验证算法对满足所有查询条件的节点集合V'进行节点完整性验证，当验证通过时，返回结果中的节点完整，当验证不通过时，返回结果中的节点不完整。

6.根据权利要求5所述的基于布谷鸟过滤器的多属性外包数据查询验证方法，其特征在于，所述步骤7具体包括：

对返回的查询结果中的满足所有查询条件的边集合{(ID_i,ID_j)|e_i,j∈E'}进行验证，当e_i,j∈E'时，数据消费者判断H(ID_i||ID_j)是否在布谷鸟过滤器F_i中和H(ID_j||ID_i)是否在布谷鸟过滤器F_j中；当

时，数据消费者判断H(ID_i||ID_j)是否不在布谷鸟过滤器F_i中和H(ID_j||ID_i)是否不在布谷鸟过滤器F_j中；当e_i,j∈E'和

的验证均成功时，返回的查询结果中的所有边的完整，其中，H(ID_i||ID_j)表示节点i的标识信息链接节点j的标识信息的哈希值，H(ID_j||ID_i)表示节点j的标识信息链接节点i的标识信息的哈希值，F_j表示存放节点j的标识信息分别链接所有邻居节点的标识信息的哈希值的布谷鸟过滤器。

7.根据权利要求6所述的基于布谷鸟过滤器的多属性外包数据查询验证方法，其特征在于，所述基于布谷鸟过滤器的交集验证包括：

当查询条件为R₁∩R₂时，验证满足所有查询条件的节点集合为V'＝V₁∩V₂，设I_1,j为包含属性1的属性值v_1,j的所有节点集合，则将节点集合V₁通过

表示，x₁≤j≤y₁；设I_2,m为包含属性2的属性值v_2,m的所有节点集合，则将节点集合V₂通过

表示，x₂≤m≤y₂，将I_1,j等效为F_1,j表示，将I_2,m等效为F_2,m表示，将满足所有查询条件的节点集合V'是否等于V₁∩V₂的判断转换为判断每个V_j∩m是否等于F_1,j∩F_2,m，其中，V'＝V_j∩m，V_j∩m表示查询结果中属性值v_1,j和v_2,m的交集；将V_j∩m、F_1,j和F_2,m输入至基于布谷鸟过滤器之间的交集验证算法中，判断集合V_j∩m中的每个元素e的指纹信息是否都出现在F_1,j和F_2,m中，当集合V_j∩m中的每个元素e的指纹信息均没有出现在F_1,j和F_2,m中时，返回输出结果错误，结束算法，返回结果中的节点不完整；当集合V_j∩m中的每个元素e的指纹信息均出现在F_1,j和F_2,m中时，从F_1,j和F_2,m中删除存在集合V_j∩m中的元素的指纹信息，判断F_1,j和F_2,m中是否有共同元素，当F_1,j和F_2,m中有共同元素时，返回输出结果错误，结束算法，返回结果中的节点不完整；当F_1,j和F_2,m中没有共同元素时，返回输出结果正确，结束算法，返回结果中的节点完整。

8.根据权利要求7所述的基于布谷鸟过滤器的多属性外包数据查询验证方法，其特征在于，所述基于布谷鸟过滤器的并集验证包括：

当查询条件为R₁∪R₂时，验证满足所有查询条件的节点集合为V'＝V₁∪V₂，设I_1,j为包含属性1的属性值v_1,j的所有节点集合，则将节点集合V₁通过

表示，x₁≤j≤y₁；设I_2,m为包含属性2的属性值v_2,m的所有节点集合，则将节点集合V₂通过

表示，x₂≤m≤y₂，将I_1,j等效为F_1,j表示，将I_2,m等效为F_2,m表示，将满足所有查询条件的节点集合V'是否等于V₁∩V₂的判断转换为判断每个V_j∪m是否等于F_1,j∪F_2,m，将V_j∪m、F_1,j和F_2,m输入至基于布谷鸟过滤器之间的并集验证算法中，判断集合V_j∪m中的每个元素e的指纹信息是否都出现在F_1,j和F_2,m中，当集合V_j∪m中的每个元素e的指纹信息均没有出现在F_1,j和F_2,m中时，返回输出结果错误，结束算法，返回结果中的节点不完整；当集合V_j∪m中的每个元素e的指纹信息均出现在F_1,j和F_2,m中时，从F_1,j和F_2,m中删除存在集合V_j∪m中的元素的指纹信息；判断F_1,j和F_2,m是否为空，当F_1,j和F_2,m不为空时，返回输出结果错误，结束算法，返回结果中的节点不完整；当F_1,j和F_2,m为空时，返回输出结果正确，结束算法，返回结果中的节点完整。

Images