CN114692201B - 一种多方安全计算方法及系统 - Google Patents
一种多方安全计算方法及系统 Download PDFInfo
- Publication number
- CN114692201B CN114692201B CN202210344164.0A CN202210344164A CN114692201B CN 114692201 B CN114692201 B CN 114692201B CN 202210344164 A CN202210344164 A CN 202210344164A CN 114692201 B CN114692201 B CN 114692201B
- Authority
- CN
- China
- Prior art keywords
- sampling
- party
- data set
- participant
- calculation
- 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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioethics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Alarm Systems (AREA)
Abstract
本发明实施例提供一种多方安全计算方法及系统。所述方法包括:参与多方安全计算的各参与方根据确定的第一采样信息对己方的原始数据集进行采样,得到采样数据集;基于得到的各所述参与方的所述采样数据集进行多方安全计算,得到多方安全计算结果。本发明实施例通过对多方安全计算的数据提供方的数据集进行采样,减少了多方安全计算的数据量,提高了多方安全计算的计算速度。
Description
技术领域
本发明涉及信息安全技术领域,尤其涉及一种多方安全计算方法及系统。
背景技术
随着人工智能和大数据的快速发展,数据安全成为了越来越重要的话题,而隐私计算是数据安全中一种重要应用方式。其中,隐私计算是指在保证数据提供方不泄露原始数据的前提下,对数据进行分析计算的一系列信息技术,保护数据在流通和融合过程中的可用不可见。多方安全计算是基于密码学的隐私计算技术。多方安全计算是指在无可信第三方的情况下,多个参与方共同计算一个目标函数,并且保证每一方仅获取自己的计算结果,无法通过计算过程中的交叉数据推测出其他任意一方的输入数据。多方安全计算中由于需要生成大质数来保证协议的安全性,而生成大量大质数是一个非常耗时的过程,加密后的单次通信量往往也比较大,会占据较大的通信带宽,而且在多方安全计算的过程中,往往需要多次通信,经历多次加密解密处理。因此现有技术中的多方安全计算存在计算量大,计算耗时长,计算速度较慢的问题。
发明内容
本发明实施例提供一种多方安全计算方法及系统,解决现有的现有技术中多方安全计算存在计算量大,计算耗时长,计算速度较慢的问题。
为解决上述技术问题,本发明提供一种多方安全计算方法,所述方法包括:
参与多方安全计算的各参与方根据确定的第一采样信息对己方的原始数据集进行采样,得到采样数据集;
基于得到的各所述参与方的所述采样数据集进行多方安全计算,得到多方安全计算结果。
可选的,上述方法中,所述参与多方安全计算的各参与方根据确定的第一采样信息对己方的原始数据集进行采样,得到采样数据集的步骤之前,所述方法还包括:
各所述参与方获取己方的原始数据集的数据特征信息;
基于所述数据特征信息确定所述第一采样信息;
其中,所述第一采样信息包括采样率和采样方法中至少一项。
可选的,上述方法还包括:
各所述参与方通过隐私查询获取参与多方安全计算的其他参与方对应的第二采样信息;
各所述参与方基于所述第二采样信息对所述多方安全计算的结果进行评估。
可选的,上述方法中,所述基于得到的各参与方的所述采样数据集进行多方安全计算,得到多方安全计算结果的步骤包括:
获取各所述参与方的采样数据集;
将各所述参与方的采样数据集进行隐私求交,得到公共采样数据集。
可选的,上述方法中,所述数据特征信息至少包括统计分布特征,所述基于所述数据特征信息确定所述第一采样信息的步骤包括:
根据所述统计分布特征,确定所述第一采样信息中的采样方法。
可选的,上述方法中,所述基于所述数据特征信息确定所述第一采样信息的步骤还包括:
若根据所述统计分析特征确定所述参与方的原始数据集为均匀分布,确定所述采样方法包括随机采样或等间隔采样;或者
若根据所述统计分析特征确所述参与方的原始数据集为非均匀分布,确定所述采样方法包括重要性采样或马尔可夫蒙特卡洛。
可选的,上述方法中,所述数据特征信息至少包括基本特征和统计分布特征,所述基于所述基本特征和所述数据特征信息确定所述第一采样信息的步骤包括:
根据所述统计分布特征,确定所述第一采样信息中的采样率。
可选的,上述方法还包括:
各参与方根据确定的第N采样信息对己方的原始数据集进行第N次采样,得到第N次采样数据集;
基于得到的各所述参与方的所述N次采样数据集进行第N次多方安全计算,得到第N个多方安全计算结果;
将N次多方安全计算结果的平均值确定为所述多方安全计算结果;
其中,N为大于1的整数,N次采样数据集的数据之和<原始数据集的数据总数。
本发明实施例还提供了一种多方安全计算系统,所述系统包括:
第一采样模块,用于参与多方安全计算的各参与方根据确定的第一采样信息对乙方的原始数据集进行采样,得到采样数据集;
第一计算模块,用于得到的各所述参与方的所述采样数据集进行多方安全计算,得到多方安全计算结果。
可选的,上述系统还包括:
获取模块,用于各所述参与方获取己方的原始数据集的数据特征信息;
第一确定模块,用于基于所述数据特征信息确定所述第一采样信息;
其中,所述第一采样信息包括采样率和采样方法中至少一项。
可选的,上述系统还包括:
接收模块,用于各所述参与方通过隐私查询获取参与多方安全计算的其他参与方对应的第二采样信息;
评估模块,用于各所述参与方基于所述第二采样信息对所述多方安全计算的结果进行评估。
可选的,上述系统中,所述第一计算模块包括:
第一获取子模块,用于获取各所述参与方的采样数据集;
第一计算子模块,用于将各所述参与方的采样数据集进行隐私求交,得到公共采样数据集。
可选的,上述系统中,所述数据特征信息至少包括统计分布特征,所述第一确定模块具体用于:
根据所述统计分布特征,确定所述第一采样信息中的采样方法。
可选的,上述系统中,所述第一确定模块还具体用于:
若根据所述统计分析特征确定所述参与方的原始数据集为均匀分布,确定所述采样方法包括随机采样或等间隔采样;或者
若根据所述统计分析特征确定所述参与方的原始数据集为非均匀分布,确定所述采样方法包括重要性采样或马尔可夫蒙特卡洛。
可选的,上述系统中,所述数据特征信息至少包括基本特征和统计分布特征,所述第一确定模块具体用于:
根据所述基本特征和所述统计分布特征,确定所述第一采样信息中的采样率。
可选的,上述系统还包括:
第二采样模块,用于各参与方根据确定的第N采样信息对己方的原始数据集进行第N次采样,得到第N次采样数据集;
第二计算模块,用于基于得到的各所述参与方的所述N次采样数据集进行第N次多方安全计算,得到第N个多方安全计算结果;
第二确定模块,用于将N次多方安全计算结果的平均值确定为所述多方安全计算结果;其中,N为大于1的整数,N次采样数据集的数据之和<原始数据集的数据总数。
本发明实施例还提供了一种多方安全计算系统,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上述的多方安全计算方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上述的所述的多方安全计算方法的步骤。
本发明实施例通过对多方安全计算的各参与方的数据集进行采样,减少了多方安全计算的数据量,提高了多方安全计算的计算速度。进一步的,根据各参与方对应的己方的原始数据集的数据特征信息确定采样信息,从而能够提高采样的效率,进而进一步提高多方安全计算的计算速度。进一步的,基于N次采样进行N次多方安全计算,从而提高多方安全计算的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明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性的前提下,还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的一种多方安全计算方法的流程图;
图2是本发明实施例提供的一种多方安全计算系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
参见图1,图1是本发明实施例提供的多方安全计算方法的流程图,如图1所示,多方安全计算方法包括以下步骤:
步骤201,参与多方安全计算的各参与方根据确定的第一采样信息对己方的原始数据集进行采样,得到采样数据集。
其中,参与多方安全计算的各参与方既是数据的提供方,又是数据的使用方。本发明方案中,当各参与方作为数据的提供方时,在进行多方安全计算之前,各参与方分别对自己的原始数据集进行采样,得到采样数据集,然后各参与方利用自己的采样数据集参与多方安全计算。
具体的,在进行多方安全计算之前,参与多方安全计算的各参与方根据确定的第一采样信息对己方的原始数据集进行采样,得到采样数据集。所述第一采样信息包括采样率和采样方法中至少一项,其中,采样方式包括采用的采样方式以及对应的采样参数。各参与方根据确定的各自的采样率、采样方法和采样方法的参数等采样信息对各自的原始数据集进行采样,得到各参与方的采样数据集。
可选的,所述方法还包括:
各所述参与方通过隐私查询获取参与多方安全计算的其他参与方对应的第二采样信息;
各所述参与方基于所述第二采样信息对所述多方安全计算的结果进行评估。
具体的,为保证数据隐私性和安全性,各参与方可以互相交互采样信息。在各参与方交换采样信息时,通过隐私查询来按需查询采样信息,示例性的,A参与方和B参与方生成各自的采样信息后,开放隐私查询(PIR)接口给对方,从而便于各参与方对多方安全计算的中间结果和最终结果进行评估和审计。
各所述参与方基于所述第二采样信息对所述多方安全计算的结果进行评估的步骤包括:各参与方基于所述第二采样信息,验证其他参与方参与多方安全计算的采样数据集是否为所述其他参与方声明原始数据集对应的采样集。具体的,第一参与方获取第二参与方对应的第二采样信息,第一参与方利用所述第二采样信息对第二参与方提供的参与多方计算的采样数据集进行分析,得到该采样数据集对应的样貌特征,第一参与方比较该采样数据集对应的样貌特征以及第二参与方声明原始数据集对应的样貌特征,若经过比较显示,该采样数据集对应的样貌特征以及第二参与方声明原始数据集对应的样貌特征符合同一数据集的统计规律,则确定其他参与方参与多方安全计算的采样数据集是所述其他参与方声明原始数据集对应的采样集;否则,确定其他参与方参与多方安全计算的采样数据集不是所述其他参与方声明原始数据集对应的采样集,生成风险事件审计记录。示例性的,第二采样信息包括原始数据集的大小N、均值μ0,和显著性水平α,第一参与方利用所述原始数据集的大小N、均值μ0,和显著性水平α等对第二参与方提供的参与多方计算的采样数据集进行分析,得到该采样数据集对应的样貌特征,从而验证采样数据集对应的样貌特征以及第二参与方声明原始数据集对应的样貌特征是否符合同一数据集的统计规律。
所述参与多方安全计算的各参与方根据确定的第一采样信息对己方的原始数据集进行采样,得到采样数据集的步骤201之前,所述方法还包括:
各所述参与方获取对应的己方的原始数据集的数据特征信息;
基于所述数据特征信息确定所述第一采样信息;
其中,所述第一采样信息包括采样率和采样方法中至少一项。
具体的,采样方式包括采用的采样方式以及对应的采样参数。所述采样方法的参数包括但不限于己方概率密度p(x),统计量的积分形式f(x)等。
可选的,所述数据特征信息至少包括统计分布特征,所述基于所述数据特征信息确定所述第一采样信息的步骤包括:
根据所述统计分布特征,确定所述第一采样信息中的采样方法。
可选的,所述基于所述数据特征信息确定所述第一采样信息的步骤还包括:
若根据所述统计分析特征确定所述参与方的原始数据集为均匀分布,确定所述采样方法包括随机采样或等间隔采样;或者
若根据所述统计分析特征确定所述参与方的原始数据集为非均匀分布,确定所述采样方法包括重要性采样或马尔可夫蒙特卡洛。
具体的,在原始数据集的统计分析特征不同的情况下,对应的采样方法不同。若各参与方的原始数据集为均匀分布,所述采样方法可以包括随机采样或等间隔采样。若所述各参与方的原始数据集为非均匀分布,所述采样方法包括重要性采样或马尔可夫蒙特卡洛。
可选的,所述数据特征信息至少包括基本特征和统计分布特征,所述基于所述数据特征信息确定所述第一采样信息的步骤包括:
根据所述基本特征和所述统计分布特征,确定所述第一采样信息中的采样率。
具体的,所述基本特征包括行数、列数、各列类型、各列名称及数据样本等;统计分布特征包括最大值、最小值、中位数、平均数、众数、极差、标准差、分位数、方差、累计分布函数、经验密度图、正态检验等。各参与方可以根据己方的原始数据集的基本特征和统计分布特征确定采样率。
本发明实施根据各参与方对应的己方的原始数据集的数据特征信息确定采样信息,从而能够提高采样的效率,进而提高多方安全计算的计算速度。
本发明实施例可选的是,为保证采样数据能够准确的反映原始数据集,从而保证书后续基于采样数据集进行多方安全计算的准确性,基于此,参与方在获取己方的原始数据集的数据特征信息之前,各个参与方都需要先在明文域完成对各自数据集的维护工作。所述维护工作包括:对数据清理,设定合理的大小,对于矩阵数据给出数据的下标等。参与多方安全计算的各参与方在明文域完成各自数据集的维护工作之后,可以对各自的数据集进行分析和统计,得到各参与方各自数据集的基本特征、质量特征和统计分布特征等数据特征信息。其中,所述质量特征包括缺失率、异常值等。
参与多方安全计算的各参与方在明文域完成各自数据集的维护工作之后,对各自的数据集进行分析和统计,得到各参与方各自数据集的基本特征、质量特征和统计分布特征等数据特征信息更准确,从而使用基于该数据特征信息确定出的采样信息也更准确,进而提供了基于该采样信息进行采样计算,得到的采样数据集也更符合原始数据集的样貌。
步骤202,基于得到的各所述参与方的所述采样数据集进行多方安全计算,得到多方安全计算结果。
具体的,各参与方己方的原始数据集进行采样后得到各参与方的采样数据集,各参与方直接使用该采样数据集进行多方安全计算,得到多方安全计算结果。
可选的,基于得到的各所述参与方的所述采样数据集进行多方安全计算,得到多方安全计算结果的步骤202包括:
获取各所述参与方的采样数据集;
将各所述参与方的采样数据集进行隐私求交,得到公共采样数据集。
示例性的,假定使用随机采样方法,进行失信人员平均欠款的多方安全计算的过程,具体多方安全计算过程如下所示:
首先,A参与方和B参与方可以约定好一个采样率S,并互相通知对方。进一步的,A参与方和B参与方依据采样率S,各自生成采样下标整数集。生成方法可以采用通用的线性同余随机数生成器:rand.nextInteger(0,N),其中N为各自原始数据集的大小。A参与方和B参与方把生成的各自的采样数据集Sa,Sb作为隐私求交的输入,实现隐私求交,获得公共交集:Sab。在公共交集Sab上,通过联合分析求得金额的和SUM(Sab),并且发布结果。计算出均值的近似值,AVE(Sab)。如果要计算其他统计量,直接是使用Sa,Sb参与原有的多方安全计算协议,即可获得多方安全计算结果。
可选的,所述方法还包括:
各参与方根据确定的第N采样信息对己方的原始数据集进行第N次采样,得到第N次采样数据集;
基于得到的各所述参与方的所述N次采样数据集进行第N次多方安全计算,得到第N个多方安全计算结果;
将N次多方安全计算结果的平均值作为所述多方安全计算结果;
其中,N为大于1的整数,N次采样数据集的数据之和<原始数据集的数据总数。
具体的,为了获得精确值的最佳估计,本发明实施例可以重复执行步骤201-202的流程N次,N次的平均结果作为最终的安全计算结果。其中,N次采样数据集的数据之和<原始数据集的数据总数。
本发明实施例基于N次采样进行N次多方安全计算,将将N次多方安全计算结果的平均值作为所述多方安全计算结果,从而提高了多方安全计算的准确性。
本发明实施例通过对多方安全计算的各参与方的数据集进行采样,减少了多方安全计算的数据量,提高了多方安全计算的计算速度。
基于以上实施例提供的多方安全计算方法,本发明实施例还提供了实施上述方法的多方安全计算系统,请参照图2本发明实施例提供的多方安全计算系统包括:
第一采样模块201,用于参与多方安全计算的各参与方根据确定的第一采样信息对乙方的原始数据集进行采样,得到采样数据集;
第一计算模块202,用于得到的各所述参与方的所述采样数据集进行多方安全计算,得到多方安全计算结果。
可选的,所述系统还包括:
获取模块,用于各所述参与方获取己方的原始数据集的数据特征信息;
第一确定模块,用于基于所述数据特征信息确定所述第一采样信息;
其中,所述第一采样信息包括采样率和采样方法至少一项。
可选的,所述系统还包括:
接收模块,用于各所述参与方通过隐私查询获取参与多方安全计算的其他参与方对应的第二采样信息;
评估模块,用于各所述参与方基于所述第二采样信息对所述多方安全计算的结果进行评估。
可选的,所述第一计算模块201包括:
第一获取子模块,用于获取各所述参与方的采样数据集;
第一计算子模块,用于将各所述参与方的采样数据集进行隐私求交,得到公共采样数据集。
可选的,所述数据特征信息至少包括基本特征和统计分布特征,所述第一确定模块具体用于:
根据所述基本特征和所述统计分布特征,确定所述第一采样信息中的采样方法。
可选的,所述第一确定模块还具体用于:
若根据所述统计分析特征确定所述参与方的原始数据集为均匀分布,确定所述采样方法包括随机采样或等间隔采样;或者
若根据所述统计分析特征确定所述参与方的原始数据集为非均匀分布,确定所述采样方法包括重要性采样或马尔可夫蒙特卡洛。
可选的,所述系统还包括:
第二采样模块,用于各参与方根据确定的第N采样信息对己方的原始数据集进行第N次采样,得到第N次采样数据集;
第二计算模块,用于基于得到的各所述参与方的所述N次采样数据集进行第N次多方安全计算,得到第N个多方安全计算结果;
第二确定模块,用于将N次多方安全计算结果的平均值确定为所述多方安全计算结果;
其中,N为大于1的整数,N次采样数据集的数据之和<原始数据集的数据总数。
本发明实施例还提供了一种多方安全计算系统,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上述实施例所述的多方安全计算方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上述实施例所述的多方安全计算验证方法的步骤。
本发明实施例还提供一种可读存储介质,可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述多方安全计算方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种多方安全计算方法,其特征在于,所述方法包括:
参与多方安全计算的各参与方根据确定的第一采样信息对己方的原始数据集进行采样,得到采样数据集;
基于得到的各所述参与方的所述采样数据集进行多方安全计算,得到多方安全计算结果;
所述基于得到的各参与方的所述采样数据集进行多方安全计算,得到多方安全计算结果的步骤包括:
获取各所述参与方的采样数据集;
将各所述参与方的采样数据集进行隐私求交,得到公共采样数据集;
所述参与多方安全计算的各参与方根据确定的第一采样信息对己方的原始数据集进行采样,得到采样数据集的步骤之前,所述方法还包括:
各所述参与方获取己方的原始数据集的数据特征信息;
基于所述数据特征信息确定所述第一采样信息;
其中,所述第一采样信息包括采样率和采样方法中至少一项。
2.根据权利要求1所述的多方安全计算方法,其特征在于,所述方法还包括:
各所述参与方通过隐私查询获取参与多方安全计算的其他参与方对应的第二采样信息;
各所述参与方基于所述第二采样信息对所述多方安全计算的结果进行评估。
3.根据权利要求1所述的多方安全计算方法,其特征在于,所述数据特征信息至少包括统计分布特征,所述基于所述数据特征信息确定所述第一采样信息的步骤包括:
根据所述统计分布特征,确定所述第一采样信息中的采样方法。
4.根据权利要求3所述的多方安全计算方法,其特征在于,所述基于所述数据特征信息确定所述第一采样信息的步骤还包括:
若根据所述统计分布特征确定所述参与方的原始数据集为均匀分布,确定所述采样方法包括随机采样或等间隔采样;或者
若根据所述统计分布特征确定所述参与方的原始数据集为非均匀分布,确定所述采样方法包括重要性采样或马尔可夫蒙特卡洛。
5.根据权利要求1所述的多方安全计算方法,其特征在于,所述数据特征信息至少包括基本特征和统计分布特征,所述基于所述数据特征信息确定所述第一采样信息的步骤包括:
根据所述基本特征和统计分布特征,确定所述第一采样信息中的采样率。
6.根据权利要求1所述的多方安全计算方法,其特征在于,所述方法还包括:
各参与方根据确定的第N采样信息对己方的原始数据集进行第N次采样,得到第N次采样数据集;
基于得到的各所述参与方的所述N次采样数据集进行第N次多方安全计算,得到第N个多方安全计算结果;
将N次多方安全计算结果的平均值确定为所述多方安全计算结果;
其中,N为大于1的整数,N次采样数据集的数据之和<原始数据集的数据总数。
7.一种多方安全计算系统,其特征在于,所述系统包括:
第一采样模块,用于参与多方安全计算的各参与方根据确定的第一采样信息对乙方的原始数据集进行采样,得到采样数据集;
第一计算模块,用于得到的各所述参与方的所述采样数据集进行多方安全计算,得到多方安全计算结果;
所述第一计算模块包括:
第一获取子模块,用于获取各所述参与方的采样数据集;
第一计算子模块,用于将各所述参与方的采样数据集进行隐私求交,得到公共采样数据集;
获取模块,用于各所述参与方获取己方的原始数据集的数据特征信息;
第一确定模块,用于基于所述数据特征信息确定所述第一采样信息;
其中,所述第一采样信息包括采样率和采样方法中至少一项。
8.根据权利要求7所述的多方安全计算系统,其特征在于,所述系统还包括:
接收模块,用于各所述参与方通过隐私查询获取参与多方安全计算的其他参与方对应的第二采样信息;
评估模块,用于各所述参与方基于所述第二采样信息对所述多方安全计算的结果进行评估。
9.根据权利要求7所述的多方安全计算系统,其特征在于,所述数据特征信息至少包括统计分布特征,所述第一确定模块具体用于:
根据所述统计分布特征,确定所述第一采样信息中的采样方法。
10.根据权利要求7所述的多方安全计算系统,其特征在于,所述第一确定模块还具体用于:
若根据所述统计分布特征确定所述参与方的原始数据集为均匀分布,确定所述采样方法包括随机采样或等间隔采样;或者
若根据所述统计分布特征确定所述参与方的原始数据集为非均匀分布,确定所述采样方法包括重要性采样或马尔可夫蒙特卡洛。
11.根据权利要求7所述的多方安全计算系统,其特征在于,所述数据特征信息至少包括基本特征和统计分布特征,所述第一确定模块具体用于:
根据所述基本特征和统计分布特征,确定所述第一采样信息中的采样率。
12.根据权利要求7所述的多方安全计算系统,其特征在于,所述系统还包括:
第二采样模块,用于各参与方根据确定的第N采样信息对己方的原始数据集进行第N次采样,得到第N次采样数据集;
第二计算模块,用于基于得到的各所述参与方的所述N次采样数据集进行第N次多方安全计算,得到第N个多方安全计算结果;
第二确定模块,用于将N次多方安全计算结果的平均值确定为所述多方安全计算结果;
其中,N为大于1的整数,N次采样数据集的数据之和<原始数据集的数据总数。
13.一种多方安全计算系统,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-6任一项所述的多方安全计算方法的步骤。
14.一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项的多方安全计算验证方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344164.0A CN114692201B (zh) | 2022-03-31 | 2022-03-31 | 一种多方安全计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344164.0A CN114692201B (zh) | 2022-03-31 | 2022-03-31 | 一种多方安全计算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114692201A CN114692201A (zh) | 2022-07-01 |
CN114692201B true CN114692201B (zh) | 2023-03-31 |
Family
ID=82140191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210344164.0A Active CN114692201B (zh) | 2022-03-31 | 2022-03-31 | 一种多方安全计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692201B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115688185B (zh) * | 2022-12-30 | 2023-04-28 | 成方金融科技有限公司 | 多方隐私求和方法、装置、电子设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065162A (zh) * | 2021-04-25 | 2021-07-02 | 支付宝(杭州)信息技术有限公司 | 和共享形式的隐私数据的处理方法和装置 |
CN114239860A (zh) * | 2021-12-07 | 2022-03-25 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的模型训练方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170359321A1 (en) * | 2016-06-13 | 2017-12-14 | Microsoft Technology Licensing, Llc | Secure Data Exchange |
US11818255B2 (en) * | 2018-03-09 | 2023-11-14 | Koninklijke Philips N.V. | Batch-wise verification of multiparty computations |
US20210406386A1 (en) * | 2018-05-28 | 2021-12-30 | Royal Bank Of Canada | System and method for multiparty secure computing platform |
CN113095514A (zh) * | 2021-04-26 | 2021-07-09 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备、存储介质及程序产品 |
CN114553593B (zh) * | 2022-03-22 | 2024-05-28 | 杭州博盾习言科技有限公司 | 多方安全计算隐私求交方法、装置、设备及存储介质 |
-
2022
- 2022-03-31 CN CN202210344164.0A patent/CN114692201B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065162A (zh) * | 2021-04-25 | 2021-07-02 | 支付宝(杭州)信息技术有限公司 | 和共享形式的隐私数据的处理方法和装置 |
CN114239860A (zh) * | 2021-12-07 | 2022-03-25 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的模型训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114692201A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428881B (zh) | 识别模型的训练方法、装置、设备及可读存储介质 | |
CN110851869B (zh) | 敏感信息处理方法、设备及可读存储介质 | |
Zhang et al. | Cryptographic public verification of data integrity for cloud storage systems | |
CN110555299A (zh) | 电子合同签订和存储方法、装置、计算机设备及存储介质 | |
CN110022531B (zh) | 一种本地化差分隐私城市垃圾数据报告和隐私计算方法 | |
CN107018138B (zh) | 用于确定权限的方法和装置 | |
CN111340453A (zh) | 联邦学习开发方法、装置、设备及存储介质 | |
CN114884680B (zh) | 一种基于上下文认证的多服务器可持续信任评估方法 | |
CN115884110B (zh) | 短信验证码的判断方法及系统 | |
CN112199412B (zh) | 基于区块链的支付账单处理方法和区块链账单处理系统 | |
CN114692201B (zh) | 一种多方安全计算方法及系统 | |
CN112613601A (zh) | 神经网络模型更新方法、设备及计算机存储介质 | |
CN113553377A (zh) | 基于区块链和联邦学习的数据共享方法及装置 | |
CN112039730A (zh) | 一种加密算法的性能评估方法及存储介质 | |
CN114692149B (zh) | 一种多方安全计算验证方法及系统 | |
Azad et al. | Decentralized privacy-aware collaborative filtering of smart spammers in a telecommunication network | |
CN115361229A (zh) | 一种政府公共数据的安全分享方法以及系统 | |
CN112036884B (zh) | 一种签名方法及相关设备 | |
Quintal et al. | Sensory data-driven modeling of adversaries in mobile crowdsensing platforms | |
CN109740369B (zh) | 一种信息隐写的检测方法及装置 | |
Gorbenko et al. | Analysis of Potential Post-Quantum Schemes of Hash-Based Digital Signatur | |
CN113726763A (zh) | 一种基于手机号的挑战应答身份认证技术 | |
CN113486398B (zh) | 一种信息比对方法、装置及电子设备 | |
Monschein et al. | mPSAuth: Privacy-Preserving and Scalable Authentication for Mobile Web Applications | |
CN116975935B (zh) | 数据比较方法、存储介质及电子设备 |
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 |