CN115941351A - 一种基于云服务和加密技术的可信隐私计算系统 - Google Patents

Abstract

本发明公开了一种基于云服务和加密技术的可信隐私计算系统，包括用户模块和云服务模块，用户模块与云服务模块相连，云服务模块连接有模型提供模块，用户模块存储有数据和公私钥生成器，用户模块向云服务模块提出请求服务，云服务模块提供计算资源和模型服务，完成用户模块提出的请求。本发明通过非对称的公钥加密、私钥解密机制来加强数据的安全性，避免被恶意截取，通过密文传输在服务端即服务模块进行密文计算，将密文结果反馈给用户，整个计算过程全密态，保护数据提供者隐私信息，最后使用区块链和智能合约技术完成云服务计算过程的记录，保证服务过程不可篡改，公开透明，从而增强服务计算模型的可信度。

Description

一种基于云服务和加密技术的可信隐私计算系统

技术领域

本发明涉及可信隐私计算技术领域，尤其是涉及一种基于云服务和加密技术的可信隐私计算系统。

背景技术

在当前移动互联网时代，数据量增长迅速，服务计算能力不断增强，数据隐私保护和服务环境可信成为备受关注的重要问题。人类社会已经步入了移动互联网时代，智能计算、移动便捷以及隐私安全成为重要的发展趋势，如何能在保护用户隐私信息的前提下，加强移动终端的计算能力，提高高智能计算服务体验，是一个亟待解决的问题。在这种背景下，利用云服务来完成人工智能计算的模式出现了，它既可解决边缘设备计算力不足的问题，又可发挥移动特性。然而传统云服务是由云供应商控制和维护的，包括服务和权益规则，以及交易和服务数据，缺乏有效的共同参与和管理机制，约束力和透明度不足，出现纠纷难于追责。同时，容易产生大的云服务商垄断、小的云服务商难以生存的现象，不利于市场良性发展和资源的有效整合。

为了应对上述问题，本发明提供一种基于云服务和加密技术的可信隐私计算系统，以典型应用为场景，利用加密技术，在保护用户隐私的前提下，有效利用计算资源为边缘设备提供算力服务，使得智能合约和区块链可加强服务权益管理的公开透明，有利于市场良性发展和资源的有效整合。

发明内容

本发明是为了克服现有技术的传统云服务是由云供应商控制和维护的，包括服务和权益规则，以及交易和服务数据，缺乏有效的共同参与和管理机制，约束力和透明度不足，出现纠纷难于追责，同时，容易产生大的云服务商垄断、小的云服务商难以生存的现象，不利于市场良性发展和资源的有效整合的问题，提供一种基于云服务和加密技术的可信隐私计算系统。

为了实现上述目的，本发明采用以下技术方案：

一种基于云服务和加密技术的可信隐私计算系统，包括用户模块和云服务模块，所述用户模块与云服务模块相连，所述云服务模块连接有模型提供模块，所述用户模块存储有数据和公私钥生成器，用户模块向云服务模块提出请求服务，所述云服务模块提供计算资源和模型服务，完成用户模块提出的请求。本发明的一种基于云服务和加密技术的可信隐私计算系统，通过非对称的公钥加密、私钥解密机制来加强数据的安全性，避免被恶意截取，通过密文传输在服务端即服务模块进行密文计算，将密文结果反馈给用户，整个计算过程全密态，保护数据提供者隐私信息，最后使用区块链和智能合约技术完成云服务计算过程的记录，保证服务过程不可篡改，公开透明，从而增强服务计算模型的可信度。

作为本发明的优选方案，所述用户模块生成公私钥，并将公私钥发送至云服务模块，然后在本地将数据通过公钥进行加密，将加密文件上传至云服务模块，云服务模块向用户模块提供加密文件的运算结果和分类标签，用户模块在本地通过私钥解密得到最终结果，最后用户模块收到云服务模块的权益分配结果，并提交服务费用。用户模块是服务计算的使用者，拥有数据预计公私钥生成器，用户模块向云服务模块提出需求，请求服务，并取得相应权限，进而开始整个服务流程。

作为本发明的优选方案，所述模型提供模块从云服务模块获取加密公钥，并将训练好的预测模型通过公钥加密后提供给云服务模块，同时提供分类标签，最后计算服务完成后，模型提供模块获得权益分配结果，取得相应费用。

作为本发明的优选方案，所述云服务模块接收用户模块公钥，并发送给模型提供模块，若使用云服务模块自有的预测模型，则直接加密，否则，云服务模块接收模型提供模块的加密模型和用户模块提供的加密数据，进行加密文件的卷积神经网络计算，将加密文件运算结果返回给用户模块。云服务模块提供强大的计算资源和模型服务，完成用户模块的请求。

作为本发明的优选方案，所述预测模型具体为卷积神经网络预测服务计算模型，包括加密模块和卷积神经网络预测模块，所述加密模与卷积神经网络预测模块相连，所述卷积神经网络预测模块连接有解密模块。卷积神经网络是深度学习的重要分支，计算复杂度高，被广泛应用于各个领域。卷积神经网络的隐私保护工作可在不同阶段进行，分别是训练阶段和预测阶段。在训练阶段，需要各参与方提供各自的数据来完成模型训练工作，这些数据可能包含隐私信息。

作为本发明的优选方案，所述加密模块对用户模块原始数据使用公钥进行加密，并对模型提供模块提供的预测模型用公钥进行加密，加密后的预测模型包括卷积核、剪辑偏移量、全连接矩阵和全连接偏移量。在预测阶段，终端用户待预测数据、服务器端训练好的特征模型都有隐私保护的需求，因此通过加密模块进行加密。

作为本发明的优选方案，所述卷积神经网络预测模块包括：卷积层：卷积核与加密数据矩阵作为卷积层的输入，在卷积层利用卷积核对数据矩阵进行卷积运算，得到一组线性输出c；激活层：线性输出c作为激活层的输入，在激活层通过激活函数完成非线性映射，生成加密文件数据a；池化层：加密文件数据a作为池化层的输入，在池化层进行加和池化对数据进行压缩并输出压缩数据p；全连接层：压缩数据p和全连接矩阵最为全连接层的输入，进行矩阵乘法，将上层的特征映射到样本空间进行分类，所有类别中值最大的一类即为加密文件运算结果。卷积层、激活层和池化层、全连接层各层之间存在前后级联关系，前一层的输出作为后一层的输入，是一个有机整体，共同完成密文数据的计算，有效提取数据特征，完成预测功能。

作为本发明的优选方案，所述解密模块通过私钥对获得的加密文件运算结果进行解密，根据分类标签获得最大的解密后的加密文件运算结果，即分类标签中的最大值，作为最终也测结果。

作为本发明的优选方案，所述加密模块的输入为用户模块的原始数据矩阵和模型提供模块提供的预测模型，所述加密模块的输出为原始数据矩阵加密后的加密数据矩阵和加密后的预测模型，解密模块的输入为云服务模块返回的加密文件的运算结果和分类标签，所述解密模块的输出为卷积神经网络预测模块的分类结果。

作为本发明的优选方案，在计算过程中，云服务模块的计算组员使用情况和服务提供情况均提交区块链存证，并自动通过区块链智能合约进行权益计算，分配云服务模块、用户模块和模型提供模块各自的费用和收益。区块链具有分布式管理、难以篡改的特点，可被广泛应用于医疗、交通、农业等多个领域，智能合约通常是运行于区块链上的公开透明的计算代码，本发明用区块链存储服务数据，并通过智能合约进行权益评估，公开透明并自动执行，加强交易的可信度。

因此，本发明具有以下有益效果：本发明的一种基于云服务和加密技术的可信隐私计算系统，通过非对称的公钥加密、私钥解密机制来加强数据的安全性，避免被恶意截取，通过密文传输在服务端即服务模块进行密文计算，将密文结果反馈给用户，整个计算过程全密态，保护数据提供者隐私信息，最后使用区块链和智能合约技术完成云服务计算过程的记录，保证服务过程不可篡改，公开透明，从而增强服务计算模型的可信度。

附图说明

图1是本发明的系统结构示意图；

图2是本发明的卷积神经网络预测服务计算流程图；

图3是本发明实施例的卷积神经网络预测模块各层关系示意图。

具体实施方式

下面结合附图与具体实施方式对本发明做进一步的描述。

一种基于云服务和加密技术的可信隐私计算系统，包括用户模块和云服务模块，用户模块与云服务模块相连，云服务模块连接有模型提供模块，用户模块存储有数据和公私钥生成器，用户模块向云服务模块提出请求服务，云服务模块提供计算资源和模型服务，完成用户模块提出的请求。本发明的一种基于云服务和加密技术的可信隐私计算系统，通过非对称的公钥加密、私钥解密机制来加强数据的安全性，避免被恶意截取，通过密文传输在服务端即服务模块进行密文计算，将密文结果反馈给用户，整个计算过程全密态，保护数据提供者隐私信息，最后使用区块链和智能合约技术完成云服务计算过程的记录，保证服务过程不可篡改，公开透明，从而增强服务计算模型的可信度。

用户模块生成公私钥，并将公私钥发送至云服务模块，然后在本地将数据通过公钥进行加密，将加密文件上传至云服务模块，云服务模块向用户模块提供加密文件的运算结果和分类标签，用户模块在本地通过私钥解密得到最终结果，最后用户模块收到云服务模块的权益分配结果，并提交服务费用。用户模块是服务计算的使用者，拥有数据预计公私钥生成器，用户模块向云服务模块提出需求，请求服务，并取得相应权限，进而开始整个服务流程。

模型提供模块从云服务模块获取加密公钥，并将训练好的预测模型通过公钥加密后提供给云服务模块，同时提供分类标签，最后计算服务完成后，模型提供模块获得权益分配结果，取得相应费用。

云服务模块接收用户模块公钥，并发送给模型提供模块，若使用云服务模块自有的预测模型，则直接加密，否则，云服务模块接收模型提供模块的加密模型和用户模块提供的加密数据，进行加密文件的卷积神经网络计算，将加密文件运算结果返回给用户模块。云服务模块提供强大的计算资源和模型服务，完成用户模块的请求。

预测模型具体为卷积神经网络预测服务计算模型，包括加密模块和卷积神经网络预测模块，加密模与卷积神经网络预测模块相连，卷积神经网络预测模块连接有解密模块。卷积神经网络是深度学习的重要分支，计算复杂度高，被广泛应用于各个领域。卷积神经网络的隐私保护工作可在不同阶段进行，分别是训练阶段和预测阶段。在训练阶段，需要各参与方提供各自的数据来完成模型训练工作，这些数据可能包含隐私信息。

加密模块对用户模块原始数据使用公钥进行加密，并对模型提供模块提供的预测模型用公钥进行加密，加密后的预测模型包括卷积核、剪辑偏移量、全连接矩阵和全连接偏移量。在预测阶段，终端用户待预测数据、服务器端训练好的特征模型都有隐私保护的需求，因此通过加密模块进行加密。

卷积神经网络预测模块包括：卷积层：卷积核与加密数据矩阵作为卷积层的输入，在卷积层利用卷积核对数据矩阵进行卷积运算，得到一组线性输出c；激活层：线性输出c作为激活层的输入，在激活层通过激活函数完成非线性映射，生成加密文件数据a；池化层：加密文件数据a作为池化层的输入，在池化层进行加和池化对数据进行压缩并输出压缩数据p；全连接层：压缩数据p和全连接矩阵最为全连接层的输入，进行矩阵乘法，将上层的特征映射到样本空间进行分类，所有类别中值最大的一类即为加密文件运算结果。卷积层、激活层和池化层、全连接层各层之间存在前后级联关系，前一层的输出作为后一层的输入，是一个有机整体，共同完成密文数据的计算，有效提取数据特征，完成预测功能。

解密模块通过私钥对获得的加密文件运算结果进行解密，根据分类标签获得最大的解密后的加密文件运算结果，即分类标签中的最大值，作为最终也测结果。

加密模块的输入为用户模块的原始数据矩阵和模型提供模块提供的预测模型，加密模块的输出为原始数据矩阵加密后的加密数据矩阵和加密后的预测模型，解密模块的输入为云服务模块返回的加密文件的运算结果和分类标签，解密模块的输出为卷积神经网络预测模块的分类结果。

系统在计算过程中，云服务模块的计算组员使用情况和服务提供情况均提交区块链存证，并自动通过区块链智能合约进行权益计算，分配云服务模块、用户模块和模型提供模块各自的费用和收益。区块链具有分布式管理、难以篡改的特点，可被广泛应用于医疗、交通、农业等多个领域，智能合约通常是运行于区块链上的公开透明的计算代码，本发明用区块链存储服务数据，并通过智能合约进行权益评估，公开透明并自动执行，加强交易的可信度。

实施例：

一种基于云服务和加密技术的可信隐私计算系统，如图1所示，主要可分为用户模块、模型提供模块、云服务模块，围绕计算、加密、可信权益等工作运转。

用户模块：用户模块是服务计算的使用者，拥有数据以及公私钥生成器，用户模块向云服务模块提出需求，请求服务，并取得相应权限(如认证、开通账户)，进而开始整个服务流程。首先，用户模块生成公私钥，并将公钥发送给云服务模块；其次，在本地将数据通过公钥加密，密文上传云服务模块；再次，用户模块得到云服务模块提供的密文运算结果及分类标签，并在本地通过私钥解密进而得到最终结果；最后，用户模块收到云服务模块的权益分配结果，并提交服务费用。

模型提供模块：首先，模型提供模块需要从云服务模块获取加密公钥(由用户模块提供给云服务模块)；其次，模型提供模块将训练好的预测模型使用公钥加密后提供给云服务模块，同时需要提供分类标签(无须加密，各个分类在结果向量中的顺序)；最后，计算服务完成后，模型提供模块获得权益分配结果，取得相应费用。

云服务模块：云服务模块提供强大的计算资源和模型服务，完成用户模块的请求。首先，云服务模块接收用户模块公钥，并将其发送给模型提供模块加密预测模型。其次，若使用云服务模块自有的预测模型，则直接加密。否则，云服务模块接收模型提供模块的加密模型以及用户模块提供的加密数据，进行密文的卷积神经网络计算，将密文结果返回给用户模块。隐私服务计算过程完毕。此外，在计算过程中，云服务模块计算资源使用及服务提供情况，连同云提供商信息提交区块链存证，并使用区块链智能合约实现权益计算模型并自动执行，分配云服务模块、用户模块、模型提供模块各自的费用和收益。通常是用户模块付费，云服务模块和模型提供模块获利。

实际中存在多个云服务商，提供不同的模型和服务。数据拥有者计算资源不足，选择合适的云服务商并借助其算力获得预测结果，但又要保护数据隐私。模型提供者(也可以是云服务商)在保护模型内容的前提下分享模型并获利，同态加密技术在此流程中起到保护数据和模型隐私的作用。另外，这种模式下，可信的运行环境和权益管理机制是破除垄断、提高服务质量的重要保证，区块链和智能合约技术恰能发挥作用。计算资源使用、服务提供情况以及云服务商信息都存证区块链系统，不可篡改，智能合约计算权益分配的规则透明公开、自动执行，并且可查询、追责。另外，模型提供者参与计算过程同样存证区块链系统。这样，可达到模型权属清晰、服务权责透明、权益公平可信的效果。同时，还存在一个监管单位的角色，监管单位可查看全部存证数据和使用规则，有效约束不良行为。

模型数据包括用户模块提供的数据矩阵D和模型提供模块提供的模型M(模型M包括卷积核K、卷积偏移量b1、全连接矩阵W和全连接偏移量b2)，模型组件可分为一下几个功能模块，具体如下：

同态加密模块：对用户模块的原始数据矩阵D使用公钥进行加密得到D^，，对模型提供模块提供的模型M使用公钥进行加密得到M^，(加密后的模型M^，包括卷积核K^，、卷积偏移量b1^，、全连接矩阵W^，及全连接偏移量b2^，)。

卷积神经网络预测模块：加密后的模型M^，和同态加密后的数据矩阵D^，成为卷积神经网络预测模块的输入。进一步，卷积神经网络预测模块各层次的关系和功能操作如图3所示。卷积核K^，和数据矩阵D^，作为卷积层的输入，在卷积层利用卷积核K^，对数据矩阵D^，进行卷积计算，得到一组线性输出c；线性输出c在激活层使用激活函数完成非线性映射操作，为了适应同态密文要求，这里激活函数使用平方函数进行计算，生成密文数据a；然后将密文数据a通过池化层进行加和池化，完成数据压缩，减少数据量，以简化计算的复杂度，进而输出数据p；最后将数据p和全连接矩阵W^，放入全连接层进行矩阵乘法，将上层的特征映射到样本空间来实现分类，所有类别中值最大的一类即为CNN的识别结果，表现为密文结果C。为了保护数据模型的隐私性，该模型根据需求可增加一个保护机制。那就是将密文C中各个元素都加上一个随机数r的密文态(r尽量选取较小的数，使用同一加密算法)，随机数的密文可表示为Cr，加和之后得到C^，(也就是Lock(C)函数)，即C^，＝Cr+C，随后将C^，连同分类标签(各个分类在结果向量中的顺序)发送给用户模块。从图3中可知，卷积层、激活层和池化层、全连接层各层之间存在前后级联关系，前一层的输出作为后一层的输入，是一个有机整体，共同完成密文数据的计算，有效提取数据特征，完成预测功能。

解密模块：用户利用私钥对获得的密文结果C^，进行解密得到T^，，根据分类标签获得max(T^，)对应的分类结果，max(T^，)是分类标签中的最大值，即预测结果。由于加密算法满足加法同态性，且最终是根据结果向量中元素的数值大小判断分类结果，因此即使卷积神经网络预测模块的结果加了Cr随机数，对最终的分类结果没有影响。然而，这样会影响分类概率，云端可根据需求设置，解密模块同样对于密文C适用。

另外，如图2所示，该模型还存在一个可信权益管理模型，在模型提供模块提供模型后用智能合约进行存证；记录云服务模块的服务明细；根据权益评估模型对用户模块、模型提供模块和云服务模块进行权益分配。整个流程主要由数据和模型的数据流以及权益交易流两个信息流组成，相辅相成，涉及模型各个环节，协同工作。

模型输入输出及算法涉及各个模块，具体如下。

同态加密模块：同态加密模块输入：用户模块的原始数据矩阵D。模型提供模块提供的模型M。

同态加密模块输出：原始数据矩阵D加密后的密文矩阵D^，及加密后的模型M^，(分别在用户模块和模型提供模块)。

同态加密模块涉及的核心函数描述如下：

(a)GenKey(·)：密钥生成函数。输出用户的私钥SK，公钥集合PK＝{pk_f，pk₀，pk₁，…pk_2k-1}，下标k为正整数。

(b)Encrypt(PK，D)，Encrypt(PK，M)：加密函数。输入公钥集合PK，将PK中的非初始的2k(即pk₀，pk₁，…pk_2k-1)个公钥平均分成两组，然后分别从两组公钥中各随机选择一个公钥相乘，重复这个过程a(0<a≤k²)次，最后把这a次相乘的结果加和得到S^，，将S^，作为参数，对D和M进行加密(S^，，D)和(S^，，M)操作，输出加密后的密文矩阵D^，加密后的模型和M^，。

卷积神经网络预测模块：

卷积神经网络预测模块输入：加密后的数据矩阵D^，和加密后的模型M^，。

卷积神经网络预测模块输出：返回给用户模块的结果矩阵C^，＝[c₁ ^，，c^， ₂…c_i ^，]和分类标签l＝{l₁，l₂…l_i}。

卷积神经网络预测模块涉及的算法描述如下：

卷积层Convolve(K^，，D^，)：卷积函数。卷积层涉及的是加和乘的基本运算，满足同态加密的要求，因此加密数据的卷积运算只需要将D^，和K^，转换成矩阵进行运算得到结果c。由于是矩阵运算，在此过程中，可利用并行化技术进行优化，加快运行效率。

激活层Activate(c)：平方函数。激活层的作用是为CNN提供非线性特征，常用的激活函数(如ReLU，Sigmoid等)需要最大值、除法、指数等运算，不适合使用同态加密方法密文的加和乘法实现。本发明选用CryptoNets使用的平方函数方法加以取代，计算结果为a。

池化层Pooling(a)：池化层主要的作用是下采样，对输入的特征图进行压缩，进一步减少参数数量，简化网络计算复杂度，提取主要特征。池化的方法很多，为了更好的支持同态加密计算，这里采用加和池化的方法，得到结果p。

全连接层Connect(p，W^，)：全连接层作用是将上层的特征映射到样本空间，从而实现分类。W^，为全连接矩阵，将池化层的输出p矩阵转换成向量，即可把全连接层视为矩阵乘法，从而计算C＝W^，*p+b2得到结果向量C。C中的值代表分类标签l＝{l₁，l₂…l_i}中对应类别的数值(数值越高，则预测结果是该类别的可能性越大)，为密文。

安全处理Lock(C)：生成随机数r(选择尽量小的数)，加密得到密文形成Cr，利用Cr对全连接得到的结果向量C进行加密得到C^，再发送给用户，从而使用户不会得到原始的模型输出结果，减少模型参数泄露的风险。云端可根据实际需求设置输出原始结果，这一部分为可选项。

解密模块：

解密模块输入：云服务模块返回的密文结果向量C^，(C同样适用)和分类标签l。

解密模块输出：卷积神经网络预测分类结果T。

解密模块涉及的算法描述如下：

(a)Decrypt(C^，，SK)：解密函数。C^，＝[c₁ ^，，c^， ₂…c_i ^，]为云服务模块返回的密文结果向量。利用私钥SK进行解密得到明文结果向量T^，＝[t^， ₁，t^， ₂…t_i ^，]。

(b)T＝p(max(T^，)，l)：max(T^，)为集合T^，中的最大值，即分类结果的数值。分类标签l和向量T^，存在一一映射的关系，T＝p(max(T^，)，l)代表max(T^，)在l中的映射，即为卷积神经网络的预测分类结果。

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，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明保护范围之内。

Claims (10)

1.一种基于云服务和加密技术的可信隐私计算系统，其特征是，包括用户模块和云服务模块，所述用户模块与云服务模块相连，所述云服务模块连接有模型提供模块，所述用户模块存储有数据和公私钥生成器，用户模块向云服务模块提出请求服务，所述云服务模块提供计算资源和模型服务，完成用户模块提出的请求。

2.根据权利要求1所述的一种基于云服务和加密技术的可信隐私计算系统，其特征是，所述用户模块生成公私钥，并将公私钥发送至云服务模块，然后在本地将数据通过公钥进行加密，将加密文件上传至云服务模块，云服务模块向用户模块提供加密文件的运算结果和分类标签，用户模块在本地通过私钥解密得到最终结果，最后用户模块收到云服务模块的权益分配结果，并提交服务费用。

3.根据权利要求1所述的一种基于云服务和加密技术的可信隐私计算系统，其特征是，所述模型提供模块从云服务模块获取加密公钥，并将训练好的预测模型通过公钥加密后提供给云服务模块，同时提供分类标签，最后计算服务完成后，模型提供模块获得权益分配结果，取得相应费用。

4.根据权利要求1所述的一种基于云服务和加密技术的可信隐私计算系统，其特征是，所述云服务模块接收用户模块公钥，并发送给模型提供模块，若使用云服务模块自有的预测模型，则直接加密，否则，云服务模块接收模型提供模块的加密模型和用户模块提供的加密数据，进行加密文件的卷积神经网络计算，将加密文件运算结果返回给用户端。

5.根据权利要求3或4所述的一种基于云服务和加密技术的可信隐私计算系统，其特征是，所述预测模型具体为卷积神经网络预测服务计算模型，包括加密模块和卷积神经网络预测模块，所述加密模与卷积神经网络预测模块相连，所述卷积神经网络预测模块连接有解密模块。

6.根据权利要求5所述的一种基于云服务和加密技术的可信隐私计算系统，其特征是，所述加密模块对用户模块原始数据使用公钥进行加密，并对模型提供模块提供的预测模型用公钥进行加密，加密后的预测模型包括卷积核、剪辑偏移量、全连接矩阵和全连接偏移量。

7.根据权利要求5所述的一种基于云服务和加密技术的可信隐私计算系统，其特征是，所述卷积神经网络预测模块包括：

卷积层：卷积核与加密数据矩阵作为卷积层的输入，在卷积层利用卷积核对数据矩阵进行卷积运算，得到一组线性输出c；

激活层：线性输出c作为激活层的输入，在激活层通过激活函数完成非线性映射，生成加密文件数据a；

池化层：加密文件数据a作为池化层的输入，在池化层进行加和池化对数据进行压缩并输出压缩数据p；

全连接层：压缩数据p和全连接矩阵最为全连接层的输入，进行矩阵乘法，将上层的特征映射到样本空间进行分类，所有类别中值最大的一类即为加密文件运算结果。

8.根据权利要求5所述的一种基于云服务和加密技术的可信隐私计算系统，其特征是，所述解密模块通过私钥对获得的加密文件运算结果进行解密，根据分类标签获得最大的解密后的加密文件运算结果，即分类标签中的最大值，作为最终也测结果。

9.根据权利要求6任一项所述的一种基于云服务和加密技术的可信隐私计算系统，其特征是，所述加密模块的输入为用户模块的原始数据矩阵和模型提供模块提供的预测模型，所述加密模块的输出为原始数据矩阵加密后的加密数据矩阵和加密后的预测模型，解密模块的输入为云服务模块返回的加密文件的运算结果和分类标签，所述解密模块的输出为卷积神经网络预测模块的分类结果。

10.根据权利要求1-9任一项所述的一种基于云服务和加密技术的可信隐私计算系统，其特征是，在计算过程中，云服务模块的计算组员使用情况和服务提供情况均提交区块链存证，并自动通过区块链智能合约进行权益计算，分配云服务模块、用户模块和模型提供模块各自的费用和收益。

Images