CN114938310A - 一种基于隐私保护的药物相似性计算方法 - Google Patents

Abstract

本发明属于多方安全计算技术领域，公开了一种基于隐私保护的药物相似性计算方法。首先在输入阶段对各大制药公司将其隐私数据利用RSA非对称加密算法进行加密，利用零知识证明对所有制药公司的密文数据进行验证，并使用HoneyBadger共识算法让各制药公司达成共识进入计算阶段；然后，在计算阶段利用同态加密对密文进行药物相似性计算；然后，将密文中间结果进行广播和验证，并使用共识算法让各制药公司达成共识，同时满足验证成功和达成共识这两个条件的参与方将密文中间结果进行求和，通过以上计算得出最终的密文药物相似性计算结果；最后，在输出阶段利用HoneyBadger共识算法使各参与方之间在最终密文结果上达成共识，利用阈值解密算法对密文进行解密得到明文药物相似性结果。

Description

一种基于隐私保护的药物相似性计算方法

技术领域

本发明涉及一种生物学信息学、多方安全计算技术领域，具体涉及的是一种基于隐私保护的药物相似性计算方法。

背景技术

药物相似性在现代生物学和医学中发挥着重要作用，它有助于科学家深入了解药物的治疗机制并进行湿实验，从而显著提高了药物研发的效率。各大制药公司可以提供大量的实验数据和其他化合物或药物相关信息，并开发了许多方法来计算药物之间的相似性，以研究药物、人类疾病、蛋白质(药物靶点)等之间的关联关系。然而，这些制药公司为了保护自身的隐私数据不愿意将其数据公开给其他制药公司。为了在不泄露隐私信息的情况下实现各大制药公司的药物相似性融合，多方安全计算(MPC)可以很好的解决这个问题，它允许多个参与者协作对其秘密数据进行计算，同时保护数据隐私不被泄漏。

现有的多方安全计算协议主要基于混淆电路，GMW等早期理论实现。从安全性的角度看，这些协议只能在半诚实模型下确保安全，协议的所有参与方都会遵守协议规则。一旦出现恶意的参与方不遵守协议规则，甚至篡改输入，则会严重影响协议的安全性，进而导致药物隐私数据的泄漏。其次，所有参与方的输入和在计算过程中的中间结果没有设置验证机制，这样会出现对手提前终止协议或者会得到不正确的结果。同时现有的技术会导致参与方输入数据的不一致性增加，最终，导致错误的药物相似性结果。

发明内容

为了克服上述技术的不足，本发明提出一种基于隐私保护的药物相似性计算方法。首先在输入阶段对各大制药公司将其隐私数据利用RSA非对称加密算法进行加密，利用零知识证明对所有制药公司的密文数据进行验证，并使用HoneyBadger共识算法让各制药公司达成共识进入计算阶段；然后，在计算阶段利用同态加密对密文进行药物相似性计算；然后，将密文中间结果进行广播和验证，并使用共识算法让各制药公司达成共识，同时满足验证成功和达成共识这两个条件的参与方将密文中间结果进行求和，通过以上计算得出最终的密文药物相似性计算结果；最后，在输出阶段利用HoneyBadger共识算法使各参与方之间在最终密文结果上达成共识，利用阈值解密算法对密文进行解密得到明文药物相似性结果。

本发明所采用的技术方案是：

一种基于隐私保护的药物相似性计算方法，包括以下步骤：

1)参数初始化，包括设置N个参与机构，N个参与机构用P＝{P₁，P₂，...，P_n}代表，其中每个参与机构提供一份私有的明文药物数据x_i∈{x_i|i＝1，2，...，n}；

2)在输入阶段，利用RSA非对称加密算法对各参与方提供的明文药物数据x_i∈{x_i|i＝ 1，2，...，n}进行加密Enc(x_i)，其中Enc(.)代表RSA非对称加密算法，进而得出各参与方的密文药物数据

将密文药物数据广播给其他所有的参与者，并且用零知识证明去证明各参与方的明文知识，同时使用HoneyBadger共识算法使得密文药物数据在各参与方中达成共识，选择证明成功且达成共识的参与方子集 P_sub1＝{P₁，P₂，…，P_m}，其中

进入步骤3)，其余参与方中止计算；

3)在计算阶段，每个参与方P_i，i∈{1，2，...，m}，进入步骤3.1)，利用同态加密分别生成x_i的秘密份额

4)在子集P_sub2中的每个参与者，其中参与方P_i，i∈{1，2，...，l}，利用同态加密进行Jaccard 相似性计算，进而得到各参与方的密文药物相似性结果

将

广播给其他参与方，并用零知识证明去检查所有的

是否有效，同时使用HoneyBadger共识算法使得各参与方达成共识，将证明成功又达成共识的参与方用子集P_sub3＝{P₁，P₂，...，P_k}表示，其中

5)对于子集P_sub3中的参与者，利用同态加密进行最终的Jaccard相似性计算

其中

进而得到各参与方的密文药物相似度

6)在输出阶段，各参与方利用HoneyBadger共识算法使各参与方在密文药物相似度

上达成共识，再利用阈值解密算法对其进行解密计算

其中Dec(.)代表阈值解密算法，最后得到明文药物相似度c；

7)将结果c返回给提供隐私数据的各参与方。

作为本发明的进一步改进，所述步骤3)通过以下步骤实现：

3.1)参与方P_i∈P_sub1，取一个明文随机数d_i，用RSA非对称加密算法进行加密Enc(d_i)，其中Enc(.)代表RSA非对称加密算法，进而得出密文

然后广播给其他参与方，并用零知识证明去检查P_i知道的明文知识，然后使用HoneyBadger共识算法使得密文输入在各参与方中达成共识；

3.2)用子集P_sub2＝{P₁，P₂，...，Pl}来表示在3.1)中零知识证明成功并达成共识的参与者，其中

在子集P_sub2中所有的参与者利用同态加密进行计算

其中

代表在子集P_sub2中每个参与者的明文随机数d_i的密文，得出密文结果

其中

代表密文随机数进行同态加密计算的密文结果，并且

其中

代表通过同态加密对密文求和计算得出的密文结果；

3.3)在子集P_sub2中的所有参与者，利用阈值解密算法计算得到明文e＝x_i+d，其中e代表通过阈值解密算法对密文

进行解密得到的明文结果；

3.4)在子集P_sub2中的一个最小索引的参与者设置

其中

代表第i个参与者的数据x_i的第j个秘密份额，子集P_sub2中其他参与者设置

因此在子集P_sub2中的每一个参与者都拥有

与现有技术相比，本发明的有益效果是：

通过将HoneyBadger共识算法和多方安全计算有机结合，能够使各参与机构在不透露任何隐私信息的前提下，进行药物相似性的计算，进而增强了各参与机构的隐私数据保护，同时能够减少在计算过程中数据的不一致性，使参与计算的各方数据保持一致，能够确保各参与机构得到正确的药物相似性计算结果。通过利用零知识证明验证各参与机构的明文药物数据和验证中间计算过程，进而保证药物相似性计算结果的有效性，促进药物研发领域的数据共享，加快药物研发的速度。

附图说明

图1是基于隐私保护的药物相似性计算方法的基本流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1，一种基于隐私保护的药物相似性计算方法，所述方法包括以下步骤：

1)参数初始化，包括设置N个参与机构，N个参与机构用P＝{P₁，P₂，...，P_n}代表，其中每个参与机构提供一份私有的明文药物数据x_i∈{x_i|i＝1，2，...，n}；

2)在输入阶段，利用RSA非对称加密算法对各参与方提供的明文药物数据x_i∈{x_i|i＝1，2，...，n}进行加密Enc(x_i)，其中Enc(.)代表RSA非对称加密算法，进而得出各参与方的密文药物数据

将密文药物数据广播给其他所有的参与者，并且用零知识证明去证明各参与方的明文知识，同时使用HoneyBadger共识算法使得密文药物数据在各参与方中达成共识，选择证明成功且达成共识的参与方子集 P_sub1＝{P₁，P₂，…，P_m}，其中

进入步骤3)，其余参与方中止计算；

3)在计算阶段，每个参与方P_i，i∈{1，2，...，m}，进入步骤3.1)，利用同态加密分别生成x_i的秘密份额

4)在子集P_sub2中的每个参与者，其中参与方P_i，i∈{1，2，...，l}，利用同态加密进行Jaccard 相似性计算，进而得到各参与方的密文药物相似性结果

将

广播给其他参与方，并用零知识证明去检查所有的

是否有效，同时使用HoneyBadger共识算法使得各参与方达成共识，将证明成功又达成共识的参与方用子集P_sub3＝{P₁，P₂，...，P_k}表示，其中

5)对于子集P_sub3中的参与者，利用同态加密进行最终的Jaccard相似性计算

其中

进而得到各参与方的密文药物相似度

6)在输出阶段，各参与方利用HoneyBadger共识算法使各参与方在密文药物相似度

上达成共识，再利用阈值解密算法对其进行解密计算

其中Dec(.)代表阈值解密算法，最后得到明文药物相似度c；

7)将结果c返回给提供隐私数据的各参与方。

作为本发明的进一步改进，所述步骤3)通过以下步骤实现：

3.1)参与方P_i∈P_sub1，取一个明文随机数d_i，用RSA非对称加密算法进行加密Enc(d_i)，其中Enc(.)代表RSA非对称加密算法，进而得出密文

然后广播给其他参与方，并用零知识证明去检查P_i知道的明文知识，然后使用HoneyBadger共识算法使得密文输入在各参与方中达成共识；

3.2)用子集P_sub2＝{P₁，P₂，...，P_l}来表示在3.1)中零知识证明成功并达成共识的参与者，其中

在子集P_sub2中所有的参与者利用同态加密进行计算

其中

代表在子集P_sub2中每个参与者的明文随机数d_i的密文，得出密文结果

其中

代表密文随机数进行同态加密计算的密文结果，并且

其中

代表通过同态加密对密文求和计算得出的密文结果；

3.3)在子集P_sub2中的所有参与者，利用阈值解密算法计算得到明文e＝x_i+d，其中e代表通过阈值解密算法对密文

进行解密得到的明文结果；

3.4)在子集P_sub2中的一个最小索引的参与者设置

其中

代表第i个参与者的数据x_i的第j个秘密份额，子集P_sub2中其他参与者设置

因此在子集P_sub2中的每一个参与者都拥确

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于隐私保护的药物相似性计算方法，其特征在于：所述方法包括以下步骤：

1)参数初始化，包括设置N个参与机构，N个参与机构用P＝{P₁，P₂，...，P_n}代表，其中每个参与机构提供一份私有的明文药物数据x_i∈{x_i|i＝1，2，...，n}；

2)在输入阶段，利用RSA非对称加密算法对各参与方提供的明文药物数据x_i∈{x_i|i＝1，2，...，n}进行加密Enc(x_i)，其中Enc(.)代表RSA非对称加密算法，进而得出各参与方的密文药物数据

将密文药物数据广播给其他所有的参与者，并且用零知识证明去证明各参与方的明文知识，同时使用HoneyBadger共识算法使得密文药物数据在各参与方中达成共识，选择证明成功且达成共识的参与方子集P_sub1＝{P₁，P₂，…，P_m}，其中

进入步骤3)，其余参与方中止计算；

3)在计算阶段，每个参与方P_i，i∈{1，2，...，m}，进入步骤3.1)，利用同态加密分别生成x_i的秘密份额

4)在子集P_sub2中的每个参与者，其中参与方P_i，i∈{1，2，...，l}，利用同态加密进行Jaccard相似性计算，进而得到各参与方的密文药物相似性结果

将

广播给其他参与方，并用零知识证明去检查所有的

是否有效，同时使用HoneyBadger共识算法使得各参与方达成共识，将证明成功又达成共识的参与方用子集P_sub3＝{P₁，P₂，...，P_k}表示，其中

5)对于子集P_sub3中的参与者，利用同态加密进行最终的Jaccard相似性计算

其中

进而得到各参与方的密文药物相似度

6)在输出阶段，各参与方利用HoneyBadger共识算法使各参与方在密文药物相似度

上达成共识，再利用阈值解密算法对其进行解密计算

其中Dec(.)代表阈值解密算法，最后得到明文药物相似度c；

7)将结果c返回给提供隐私数据的各参与方。

作为本发明的进一步改进，所述步骤3)通过以下步骤实现：

3.1)参与方P_i∈P_sub1，取一个明文随机数d_i，用RSA非对称加密算法进行加密Enc(d_i)，其中Enc(.)代表RSA非对称加密算法，进而得出密文

然后广播给其他参与方，并用零知识证明去检查P_i知道的明文知识，然后使用HoneyBadger共识算法使得密文输入在各参与方中达成共识；

3.2)用子集P_sub2＝{P₁，P₂，...，P_l}来表示在3.1)中零知识证明成功并达成共识的参与者，其中

在子集P_sub2中所有的参与者利用同态加密进行计算

其中

代表在子集P_sub2中每个参与者的明文随机数d_i的密文，得出密文结果

其中

代表密文随机数进行同态加密计算的密文结果，并且

其中

代表通过同态加密对密文求和计算得出的密文结果；

3.3)在子集P_sub2中的所有参与者，利用阈值解密算法计算得到明文e＝x_i+d，其中e代表通过阈值解密算法对密文

进行解密得到的明文结果；

3.4)在子集P_sub2中的一个最小索引的参与者设置

其中

代表第i个参与者的数据x_i的第j个秘密份额，子集P_sub2中其他参与者设置

因此在子集P_sub2中的每一个参与者都拥有

Images