CN113704778A - 基于同态加密的机器学习线性模型预测方法 - Google Patents
基于同态加密的机器学习线性模型预测方法 Download PDFInfo
- Publication number
- CN113704778A CN113704778A CN202110803303.7A CN202110803303A CN113704778A CN 113704778 A CN113704778 A CN 113704778A CN 202110803303 A CN202110803303 A CN 202110803303A CN 113704778 A CN113704778 A CN 113704778A
- Authority
- CN
- China
- Prior art keywords
- model
- encrypted
- homomorphic encryption
- client
- prediction method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioethics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于同态加密的机器学习线性模型预测方法,包括如下步骤:服务器端公布已有的模型及输入和输出的字段参数;客户端向服务器端的发送需要使用的模型编号;服务器端根据接收得到的编号得到模型权重参数、训练数据预处理的参数;服务器端进行加密后得到加密的模型,同时生成一对公钥和私钥,将加密的模型和公钥发送给客户端;客户端使用公钥和加密的模型以及待预测的数据进行线性运算,得到加密的预测结果,发送给服务器端;服务器端接收到加密的预测结果,采用私钥进行解密得到预测结果返还给客户端,客户端得到预测结果。本申请的有益之处在于提供了一种保证原始模型和数据都不被他人获取进而保证隐私性的基于同态加密的机器学习线性模型预测方法。
Description
技术领域
本申请涉及机器学习领域,具体而言,涉及一种基于同态加密的机器学习线性模型预测方法。
背景技术
不久的将来医疗行业将融入更多人工智能、传感技术等高科技,使医疗服务走向真正意义的智能化,推动医疗事业的繁荣发展。在中国新医改的大背景下,智慧医疗正在走进寻常百姓的生活。医疗行业数据存在隐私保护的需要,因此将人工智能应用于医疗领域进行研究、模型训练和数据预测时,往往需要多个医疗机构通过联网和数据协同的方式进行。
但是现有技术方案并无法保证模型和数据的隐私性。
发明内容
为了解决现有技术的不足之处,本申请提供了一种基于同态加密的机器学习线性模型预测方法,包括如下步骤:服务器端公布已有的模型及输入和输出的字段参数;客户端向服务器端的发送需要使用的模型编号;服务器端根据接收得到的编号得到模型权重参数、训练数据预处理的参数;服务器端进行加密后得到加密的模型,同时生成一对公钥和私钥,将加密的模型和公钥发送给客户端;客户端使用公钥和加密的模型以及待预测的数据进行线性运算,得到加密的预测结果,发送给服务器端;服务器端接收到加密的预测结果,采用私钥进行解密得到预测结果返还给客户端,客户端得到预测结果。
进一步地,所述加密方法为paillier加密算法。
进一步地,所述待预测数据为医疗数据。
进一步地,所述模型包括人工神经网络模型。
进一步地,一个所述服务器端对应多个所述客户端。
进一步地,一个所述客户端通过所述服务器端向另一个所述客户端发送协同预测的请求。
进一步地,当协同的所述客户端同意请求时,所述服务器端向另一个所述客户端发送所述公钥和加密的模型。
进一步地,对于不同的所述客户端发送不同所述公钥。
进一步地,对于不同的所述客户端生成不同的所述私钥。
进一步地,一个所述客户端通过所述服务器端选定其他所述客户端中训练数据的范围。
本申请的有益之处在于:提供了一种保证原始模型和数据都不被他人获取进而保证隐私性的基于同态加密的机器学习线性模型预测方法。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请一种实施例的基于同态加密的机器学习线性模型预测方法的步骤示意框图;
图2是根据本申请一种实施例的基于同态加密的机器学习线性模型预测方法所应用的系统架构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
参照图1和图2所示,本申请的基于同态加密的机器学习线性模型预测方法,包括如下步骤:服务器端公布已有的模型及输入和输出的字段参数;客户端向服务器端的发送需要使用的模型编号;服务器端根据接收得到的编号得到模型权重参数、训练数据预处理的参数;服务器端进行加密后得到加密的模型,同时生成一对公钥和私钥,将加密的模型和公钥发送给客户端;客户端使用公钥和加密的模型以及待预测的数据进行线性运算,得到加密的预测结果,发送给服务器端;服务器端接收到加密的预测结果,采用私钥进行解密得到预测结果返还给客户端,客户端得到预测结果。
作为具体方案,加密方法为paillier加密算法。
作为具体方案,待预测数据为医疗数据。
作为具体方案,模型包括人工神经网络模型。
作为具体方案,一个服务器端对应多个客户端。一个客户端通过服务器端向另一个客户端发送协同预测的请求。当协同的客户端同意请求时,服务器端向另一个客户端发送公钥和加密的模型。对于不同的客户端发送不同公钥。对于不同的客户端生成不同的私钥。一个客户端通过服务器端选定其他客户端中训练数据的范围。
通过这样的方式,不同的客户端之间可以在保证数据隐私安全的基础上,实现模型训练的协作,从而满足机器学习的需要。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于同态加密的机器学习线性模型预测方法,其特征在于:
所述基于同态加密的机器学习线性模型预测方法包括如下步骤:
服务器端公布已有的模型及输入和输出的字段参数;
客户端向服务器端的发送需要使用的模型编号;
服务器端根据接收得到的编号得到模型权重参数、训练数据预处理的参数;
服务器端进行加密后得到加密的模型,同时生成一对公钥和私钥,将加密的模型和公钥发送给客户端;
客户端使用公钥和加密的模型以及待预测的数据进行线性运算,得到加密的预测结果,发送给服务器端;
服务器端接收到加密的预测结果,采用私钥进行解密得到预测结果返还给客户端,客户端得到预测结果。
2.根据权利要求1所述的基于同态加密的机器学习线性模型预测方法,其特征在于:
所述加密方法为paillier加密算法。
3.根据权利要求2所述的基于同态加密的机器学习线性模型预测方法,其特征在于:
所述待预测数据为医疗数据。
4.根据权利要求3所述的基于同态加密的机器学习线性模型预测方法,其特征在于:
所述模型包括人工神经网络模型。
5.根据权利要求4所述的基于同态加密的机器学习线性模型预测方法,其特征在于:
一个所述服务器端对应多个所述客户端。
6.根据权利要求5所述的基于同态加密的机器学习线性模型预测方法,其特征在于:
一个所述客户端通过所述服务器端向另一个所述客户端发送协同预测的请求。
7.根据权利要求6所述的基于同态加密的机器学习线性模型预测方法,其特征在于:
当协同的所述客户端同意请求时,所述服务器端向另一个所述客户端发送所述公钥和加密的模型。
8.根据权利要求7所述的基于同态加密的机器学习线性模型预测方法,其特征在于:
对于不同的所述客户端发送不同所述公钥。
9.根据权利要求8所述的基于同态加密的机器学习线性模型预测方法,其特征在于:
对于不同的所述客户端生成不同的所述私钥。
10.根据权利要求9所述的基于同态加密的机器学习线性模型预测方法,其特征在于:
一个所述客户端通过所述服务器端选定其他所述客户端中训练数据的范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110803303.7A CN113704778A (zh) | 2021-07-16 | 2021-07-16 | 基于同态加密的机器学习线性模型预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110803303.7A CN113704778A (zh) | 2021-07-16 | 2021-07-16 | 基于同态加密的机器学习线性模型预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113704778A true CN113704778A (zh) | 2021-11-26 |
Family
ID=78648731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110803303.7A Pending CN113704778A (zh) | 2021-07-16 | 2021-07-16 | 基于同态加密的机器学习线性模型预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113704778A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108259158A (zh) * | 2018-01-11 | 2018-07-06 | 西安电子科技大学 | 一种云计算环境下高效和隐私保护的单层感知机学习方法 |
CN110572253A (zh) * | 2019-09-16 | 2019-12-13 | 济南大学 | 一种联邦学习训练数据隐私性增强方法及系统 |
CN110719158A (zh) * | 2019-09-11 | 2020-01-21 | 南京航空航天大学 | 基于联合学习的边缘计算隐私保护系统及保护方法 |
CN110874648A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 联邦模型的训练方法、系统和电子设备 |
CN110955907A (zh) * | 2019-12-13 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的模型训练方法 |
CN111081337A (zh) * | 2020-03-23 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种协同任务预测方法及计算机可读存储介质 |
CN111986804A (zh) * | 2020-08-31 | 2020-11-24 | 平安医疗健康管理股份有限公司 | 基于体温数据进行模型训练的方法、装置和计算机设备 |
CN112016120A (zh) * | 2020-08-26 | 2020-12-01 | 支付宝(杭州)信息技术有限公司 | 基于用户隐私保护的事件预测方法和装置 |
CN112231756A (zh) * | 2020-10-29 | 2021-01-15 | 湖南科技学院 | 一种fl-em-gmm的医疗用户隐私保护方法及系统 |
CN112347495A (zh) * | 2020-11-15 | 2021-02-09 | 北京物资学院 | 一种基于区块链的可信隐私智能服务计算系统及方法 |
CN112383396A (zh) * | 2021-01-08 | 2021-02-19 | 索信达(北京)数据技术有限公司 | 一种联邦学习模型训练方法及系统 |
-
2021
- 2021-07-16 CN CN202110803303.7A patent/CN113704778A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108259158A (zh) * | 2018-01-11 | 2018-07-06 | 西安电子科技大学 | 一种云计算环境下高效和隐私保护的单层感知机学习方法 |
CN110719158A (zh) * | 2019-09-11 | 2020-01-21 | 南京航空航天大学 | 基于联合学习的边缘计算隐私保护系统及保护方法 |
CN110572253A (zh) * | 2019-09-16 | 2019-12-13 | 济南大学 | 一种联邦学习训练数据隐私性增强方法及系统 |
CN110955907A (zh) * | 2019-12-13 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的模型训练方法 |
CN110874648A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 联邦模型的训练方法、系统和电子设备 |
CN111081337A (zh) * | 2020-03-23 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种协同任务预测方法及计算机可读存储介质 |
CN112016120A (zh) * | 2020-08-26 | 2020-12-01 | 支付宝(杭州)信息技术有限公司 | 基于用户隐私保护的事件预测方法和装置 |
CN111986804A (zh) * | 2020-08-31 | 2020-11-24 | 平安医疗健康管理股份有限公司 | 基于体温数据进行模型训练的方法、装置和计算机设备 |
CN112231756A (zh) * | 2020-10-29 | 2021-01-15 | 湖南科技学院 | 一种fl-em-gmm的医疗用户隐私保护方法及系统 |
CN112347495A (zh) * | 2020-11-15 | 2021-02-09 | 北京物资学院 | 一种基于区块链的可信隐私智能服务计算系统及方法 |
CN112383396A (zh) * | 2021-01-08 | 2021-02-19 | 索信达(北京)数据技术有限公司 | 一种联邦学习模型训练方法及系统 |
Non-Patent Citations (2)
Title |
---|
周俊;沈华杰;林中允;曹珍富;董晓蕾;: "边缘计算隐私保护研究进展", 计算机研究与发展, no. 10, 9 October 2020 (2020-10-09) * |
李娟;马飞;: "基于同态加密的分布式隐私保护线性回归分析模型", 微电子学与计算机, no. 01, 5 January 2016 (2016-01-05) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9894043B2 (en) | Cryptographically secure cross-domain information sharing | |
CN113127916B (zh) | 数据集合处理方法、数据处理方法、装置及存储介质 | |
Parameshachari et al. | Secure partial image encryption scheme using scan based algorithm | |
Liang et al. | Research on neural network chaotic encryption algorithm in wireless network security communication | |
CN103986723B (zh) | 一种保密通信控制、保密通信方法及装置 | |
CN112232518B (zh) | 一种轻量级分布式联邦学习系统及方法 | |
Wu et al. | Towards efficient secure aggregation for model update in federated learning | |
Sicari et al. | A NFP model for internet of things applications | |
CN102484655A (zh) | 专用网络中的公用机器人管理 | |
CN111767411A (zh) | 知识图谱表示学习优化方法、设备及可读存储介质 | |
KR101968417B1 (ko) | 스마트 홈 서비스 시스템의 메시지 보안 전송 시스템 및 방법 | |
CN104318353B (zh) | 高端电子病历装置和管理系统 | |
CN103997405B (zh) | 一种密钥生成方法及装置 | |
Noor et al. | Securing wireless body area network with efficient secure channel free and anonymous certificateless signcryption | |
CN116502732B (zh) | 基于可信执行环境的联邦学习方法以及系统 | |
CN113704778A (zh) | 基于同态加密的机器学习线性模型预测方法 | |
CN103354637A (zh) | 一种物联网终端m2m通信加密方法 | |
CN112100145A (zh) | 数字化模型共享学习系统及方法 | |
Kortoçi et al. | Federated split gans | |
Wong et al. | Latency-aware optimisation framework for cloudlet placement | |
Ogiela et al. | Data understanding techniques for management application and cryptography | |
Elavarasan et al. | Data sharing attribute-based secure with efficient revocation in cloud computing | |
CN113362168A (zh) | 一种风险预测方法及装置、存储介质及电子设备 | |
CN112232807A (zh) | 一种基于联盟链的链上治理系统及方法 | |
CN116506123B (zh) | 基于公约协议的多主体数据共同体构建方法、介质及系统 |
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 |