CN116383865B - 联邦学习预测阶段隐私保护方法及系统 - Google Patents
联邦学习预测阶段隐私保护方法及系统 Download PDFInfo
- Publication number
- CN116383865B CN116383865B CN202211734280.XA CN202211734280A CN116383865B CN 116383865 B CN116383865 B CN 116383865B CN 202211734280 A CN202211734280 A CN 202211734280A CN 116383865 B CN116383865 B CN 116383865B
- Authority
- CN
- China
- Prior art keywords
- homomorphic
- value
- confusion
- federal
- predicted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000004364 calculation method Methods 0.000 claims description 41
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000012821 model calculation Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 17
- 230000003993 interaction Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种联邦学习预测阶段隐私保护方法及系统,其中,该方法包括:根据本地子模型计算目标预测用户ID的第一预测值,通过同态加密公钥及混淆因子依次对第一预测值进行混淆及同态加密,得到混淆同态密文;通过盲签名算法计算目标预测用户ID在第一同态密文集中对应的预测值同态密文,得到第二同态密文集;第一同态密文集由各数据服务方分别计算得到;根据第二同态密文集及混淆同态密文计算目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文;通过同态解密私钥及混淆因子对联邦预测值混淆同态密文进行解密及去混淆,得到目标预测用户ID的联邦预测值明文。提高了数据服务方及数据使用方交互过程中的隐私性及安全性。
Description
技术领域
本发明涉及联邦学习领域,尤其涉及一种联邦学习预测阶段隐私保护方法及系统。
背景技术
联邦学习Federated Learning-FL是一种分布式机器学习技术,核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练,在不需要交换本地个体或样本数据前提下,仅通过交换模型参数或中间结果的方式,构建基于虚拟融合数据下的全局模型,实现数据隐私保护和数据共享计算的平衡,即“数据可用不可见”、“数据不动模型动”的应用新范式。根据训练数据在不同参与方之间的数据特征空间和样本ID空间的分布情况,联邦学习可被分为横向联邦学习、纵向联邦学习、迁移联邦学习。
本发明解决的问题是:目前,现有纵向联邦学习技术侧重点在于实现模型训练阶段中数据集及模型相关敏感数据(如梯度、距离聚类中心的距离等)的隐私保护,却忽略了实际应用场景中使用最为频繁、体现联邦学习模型应用价值的联邦预测阶段敏感数据(如预测用户ID、单侧模型预测值)的隐私和安全问题。一方面,由于纵向联邦学习模型训练阶段结束后,各参与方只能得到联邦学习模型的一部分,因此在后续的预测阶段仍然需要各参与方共同联合参与完成;另一方面,在实际应用场景中,提出联邦预测需求的参与方往往不希望其他参与方知晓其想要预测用户ID,所以,有必要在联邦预测阶段考虑数据使用过程中的隐私问题。比如借贷机构和征信机构合作联邦预测某个借款人的信用,借贷机构并不想让对方知道该借款人有借款需求,否则征信机构可以将借款人的信息提供给其他借贷机构,同时,征信机构也不想让借贷机构知道其私有模型的预测值。
因此现有技术中联邦预测阶段敏感数据隐私性、安全性不足的问题就成为本领域技术人员亟待解决的一个问题。
发明内容
为解决上述问题,本发明提供联邦学习预测阶段隐私保护方法及系统,通过在预测阶段基于同态加密及盲签名算法对敏感数据进行加密等密码学处理,并实现了去中心化的计算服务,使数据服务方及数据使用方之间传输的敏感数据安全性及隐私性更高,以解决现有技术中联邦预测阶段敏感数据隐私性、安全性不足的问题。
为达到上述目的,本发明实施例提供了一种联邦学习预测阶段隐私保护方法,包括:根据本地子模型计算目标预测用户ID的第一预测值,通过同态加密公钥及混淆因子依次对所述第一预测值进行混淆及同态加密,得到混淆同态密文;通过盲签名算法计算目标预测用户ID在所有数据服务方的第一同态密文集中对应的预测值同态密文,得到第二同态密文集;其中,所述第一同态密文集由各数据服务方分别根据对应子模型计算所有用户ID的第二预测值,并通过所述同态加密公钥对所述第二预测值进行同态加密而得到;根据所述第二同态密文集及混淆同态密文计算目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文;通过同态解密私钥及混淆因子依次对所述联邦预测值混淆同态密文进行解密及去混淆,得到目标预测用户ID的联邦预测值明文。
进一步可选的,所述通过盲签名算法计算目标预测用户ID在所有数据服务方的第一同态密文集中对应的预测值同态密文,包括:根据盲因子计算目标预测用户ID的盲化值,并将所述盲化值发送至所述数据服务方;接收数据服务方发送的盲化值签名、第一同态密文集及被预测用户ID签名集;其中,所述盲化值签名由所述数据服务方对所述盲化值进行签名得到;所述被预测用户ID签名集由所述数据服务方预先对所有被预测用户ID进行签名得到;根据所述盲因子对所述盲化值签名进行脱盲计算,得到待匹配签名值;将所述待匹配签名值与所述被预测用户ID签名集中的预设签名值进行匹配,确定匹配成功的预设签名值对应的索引值;根据所述索引值在所述第一同态密文集中查询对应位置的预测值同态密文,将其作为所述目标预测用户ID对应的预测值同态密文。
进一步可选的,所述根据所述第二同态密文集及混淆同态密文集计算目标每个被预测用户ID在联邦学习模型下的联邦预测值混淆同态密文,包括:提取所述第二同态密文集中目标预测用户ID对应的在所有数据服务方对应的预测值同态密文及其所述混淆同态密文;通过聚合函数根据目标预测用户ID对应的预测值同态密文及混淆同态密文,计算得到目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文;其中,所述聚合函数根据模型计算需求及同态加密算法类型确定。
进一步可选的,所述通过同态解密私钥及混淆因子依次对所述联邦预测值混淆同态密文进行解密及去混淆,得到目标预测用户ID的联邦预测值明文,包括:将所述联邦预测值混淆同态密文发送至同态加密公钥所属数据服务方;接收所述同态加密公钥所属数据服务方发送的联邦预测值混淆明文;其中,所述联邦预测值混淆明文由所述同态加密公钥所属数据服务方通过所述同态解密私钥解密得到;通过所述混淆因子对所述联邦预测值混淆明文进行去混淆,得到目标预测用户ID的联邦预测值明文。
进一步可选的,所述同态加密采用以下任一种算法类型实现:加法同态加密算法、乘法同态加密算法及全同态算法。
另一方面,本发明实施例还提供了一种联邦学习预测阶段隐私保护系统,包括:加密模块,用于根据子模型计算目标预测用户ID的第一预测值,通过所述同态加密公钥及混淆因子对所述第一预测值进行混淆同态加密,得到混淆同态密文;同态密文获取模块,用于通过盲签名算法计算目标被预测用户ID在所有数据服务方的第一同态密文集中对应的预测值同态密文,得到第二同态密文集;其中,所述第一同态密文集由各数据服务方分别根据对应子模型计算所有用户ID的第二预测值,并通过同态加密公钥对所述第二预测值进行同态加密而得到;联邦混淆同态密文计算模块,用于根据所述第二同态密文集及混淆同态密文计算目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文;预测值明文计算模块,用于通过同态解密私钥及混淆因子依次对所述联邦预测值混淆同态密文进行解密及去混淆,得到目标预测用户ID的预测值明文。
进一步可选的,所述同态密文获取模块包括:盲化子模块,用于根据盲因子计算目标预测用户ID的盲化值,并将所述盲化值发送至所述数据服务方;信息接收子模块,用于分别接收所有数据服务方发送的盲化值签名、第一同态密文集及用户ID签名集;其中,所述盲化值签名由所述数据服务方对所述盲化值进行签名得到;所述用户ID签名集由所述数据服务方预先对所有用户ID进行签名得到;脱盲子模块,用于根据所述盲因子对所述盲化值签名进行脱盲计算,得到待匹配签名值;匹配子模块,用于将所述待匹配签名值与所述用户ID签名集中的预设签名值进行匹配,确定匹配成功的预设签名值对应的索引值;索引子模块,用于根据所述索引值在所述第一同态密文集中查询对应位置的预测值同态密文,将其作为所述目标预测用户ID对应的预测值同态密文。
进一步可选的,所述联邦混淆同态密文计算模块包括:数据提取子模块,用于提取所述第二同态密文集中目标预测用户ID在所有数据服务方对应的预测值同态密文及其所述混淆同态密文;联邦混淆同态密文确定子模块,用于通过聚合函数根据目标预测用户ID对应的所有预测值同态密文及混淆同态密文,计算得到目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文;其中,所述聚合函数根据模型计算需求及同态加密算法类型确定。
进一步可选的,所述预测值明文计算模块,包括:数据发送子模块,用于将所述联邦预测值混淆同态密文发送至同态加密公钥所属数据服务方;解密子模块,用于接收所述同态加密公钥所属数据服务方发送的联邦预测值混淆明文;其中,所述联邦预测值混淆明文由所述同态加密公钥所属数据服务方通过所述同态解密私钥解密得到;去混淆子模块,用于通过所述混淆因子对所述联邦预测值混淆明文进行去混淆,得到目标预测用户ID的联邦预测值明文。
另一方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的联邦学习预测阶段隐私保护方法。
上述技术方案具有如下有益效果:在联邦学习预测阶段,通过同态加密和盲签名技术进行交互,并在交互过程中对数据进行加密等密码学算法处理,提高了数据传输过程中的隐私性;另一方面,该方案是去中心化的不需要第三方提供计算服务,解决了联邦学习各参与方数据的安全与隐私问题,提高了安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的联邦学习预测阶段隐私保护方法的流程图;
图2是本发明实施例提供的预测值同态密文计算方法的流程图;
图3是本发明实施例提供的第一预测值混淆同态密文计算方法的流程图;
图4是本发明实施例提供的预测值明文计算方法的流程图;
图5是本发明实施例提供的联邦学习预测阶段隐私保护系统的结构示意图;
图6是本发明实施例提供的同态密文获取模块的结构示意图;
图7是本发明实施例提供的混淆同态密文计算模块的结构示意图;
图8是本发明实施例提供的预测值明文计算模块的结构示意图。
附图标记:100-加密模块;200-同态密文获取模块;2001-盲化子模块;2002-信息接收子模块;2003-脱盲子模块;2004-匹配子模块;2005-索引子模块;300-联邦混淆同态密文计算模块;3001-数据提取子模块;3002-联邦混淆同态密文确定子模块;400-联邦预测值明文计算模块;4001-数据发送子模块;4002-解密子模块;4003-去混淆子模块。
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,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为解决现有技术中联邦预测阶段敏感数据隐私性、安全性不足的问题,本发明实施例提供了一种联邦学习预测阶段隐私保护方法,图1是本发明实施例提供的联邦学习预测阶段隐私保护方法的流程图,如图1所示,包括:
S1、根据本地子模型计算目标预测用户ID的第一预测值,通过同态加密公钥及混淆因子依次对第一预测值进行混淆及同态加密,得到混淆同态密文;
在纵向联邦学习模型训练阶段结束后,联邦学习预测阶段任务的所有参与方数据量为N,即数据使用方A和数据服务方B={B1,B2,…,BN-1},N≥3,他们联邦学习子模型分别为ModelA,
数据服务方B={B1,B2,…,BN-1}的同态加密算法的公私钥对分别为
对于数据使用方A来说,通过本地关于特征y1,y2,…,yt的模型ModelA计算目标预测用户ID{yID,1,yID,2,…,yID,t}的第一预测值pvA,ID=ModelA(yID,1,yID,2,…,yID,t),其中,t为子模型ModelA的特征数量。
根据数据服务方B1的公钥基于同态加密算法HE计算第一预测值pvA,ID的混淆同态密文/>其中,R为随机选择的私密混淆因子。对目标预测用户ID的第一预测值进行混淆及同态加密后,得到混淆同态密文。
以上计算第一预测值及混淆同态密文的过程可在离线阶段预先进行。
S2、通过盲签名算法计算目标预测用户ID在所有数据服务方的第一同态密文集中对应的预测值同态密文,得到第二同态密文集;其中,第一同态密文集由各数据服务方分别根据对应子模型计算所有用户ID的第二预测值,并通过同态加密公钥对第二预测值进行同态加密而得到;
对于所有数据服务方来说,每个数据服务方{Bi}i∈[N-1]分别基于各自关于特征的模型/>计算所有用户/>的第二预测值/> ti、ni分别为/>特征数量、用户数量。
根据数据服务方B1公钥基于同态加密算法HE分别计算第二预测值/> 的预测值同态密文/>对所有第二预测值进行同态加密后,得到预测值同态密文组成的第一同态密文集。
以上计算第二预测值及预测值同态密文的过程可在离线阶段预先进行。
数据使用方A、数据服务方{Bi}i∈[N-1]分别作为数据隐匿查询服务的请求方、服务方进行基于盲签名算法实现数据隐匿查询进程。
在数据隐匿查询服务进程中,输入为:
数据使用方A,目标预测用户ID;
数据服务方{Bi}i∈[N-1],第一同态密文集
输出为:数据使用方A,目标预测用户ID在数据服务方{Bi}i∈[N-1]端(第一同态密文集中)的预测值同态密文
目标预测用户ID在所有数据服务方的第一同态密文集中对应的预测值同态密文的集合记为第二同态密文集。
上述数据隐匿查询进程采用数据使用方A分别和每个数据服务方{Bi}i∈[N-1]执行交互式密码学协议得到。
S3、根据第二同态密文集及混淆同态密文计算目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文;
数据使用方A端根据本地计算获得的混淆同态密文集,和从数据服务方{B.}i∈[N-1]进行隐匿查询获取的第二同态密文集,计算目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文。
S4、通过同态解密私钥及混淆因子依次对联邦预测值混淆同态密文进行解密及去混淆,得到目标预测用户ID的联邦预测值明文。
同态解密私钥与同态加密公钥相对应,采用同态加密公钥进行同态加密的数据可以通过同态解密私钥进行解密。
对本实施例中采用的公私钥对为数据服务方B1端的公私钥对,公钥为私钥为通过数据使用方A及数据服务方B1的数据交互,采用同态解密私钥对联邦预测值混淆同态密文进行解密后,再通过混淆因子进行去混淆,最终使数据使用方A获得联邦预测值明文,此时联邦学习模型预测阶段任务结束。
作为一种可选的实施方式,通过盲签名算法计算目标预测用户ID在所有数据服务方的第一同态密文集中对应的预测值同态密文,也即上述数据隐匿查询进程采用的密码学协议流程包括:
S201、根据盲因子计算目标预测用户ID的盲化值,并将盲化值发送至数据服务方;
数据使用方A基于盲签名算法计算目标预测用户ID的盲化值其中,r为数据查询节点(数据使用方)随机生成且私密保存的盲因子,数据使用方发送盲化值BID给数据服务方Bi。
S202、接收数据服务方发送的盲化值签名、第一同态密文集及被预测用户ID签名集;其中,盲化值签名由数据服务方对盲化值进行签名得到;所述被预测用户ID签名集由数据服务方预先对所有被预测用户ID进行签名得到;
数据服务方Bi接收到来自查询节点(数据使用方A)的盲化值BID,基于盲签名对盲化值BID进行签名,得到盲化值签名
此时,数据服务方B.还包括第一同态密文集和被预测用户ID签名集 其中,被预测用户ID签名集/>通过计算所有被预测用户集ID.(i=1,2,…,n.)得到,且该计算过程可在离线阶段预先进行。
被预测用户ID签名集和第一同态密文集存在映射关系,即可通过被预测用户ID签名集中某个用户ID对应的索引值,在第一同态密文集中找到相应用户ID对应的预测值同态密文。
数据服务方B.发送签名S=(sigj)、第一同态密文集CIPHER、盲化值签名BSID给数据使用方A。
S203、根据盲因子对盲化值签名进行脱盲计算,得到待匹配签名值;
数据使用方A接收到数据盲化值签名BSID、第一同态密文集CIPHER、被预测用户ID签名集SIG后,基于盲签名算法采用盲因子对盲化值签名BSID进行脱盲计算,得到待匹配签名值SID=offblindsig(BSID,r)。
S204、将待匹配签名值与被预测用户ID签名集中的预设签名值进行匹配,确定匹配成功的预设签名值对应的索引值;
将待匹配签名值SID与签名集SIG中预设签名值进行匹配,匹配成功后得到sigj对应索引值idx。
S205、根据索引值在第一同态密文集中查询对应位置的预测值同态密文,将其作为目标被预测用户ID对应的预测值同态密文。
匹配到的sigj对应索引值idx为子模型预测值同态密文在第一同态密文集CIPHER中的位置,即成功获取所需子模型预测值同态密文
至此,密码学协议结束。
作为一种可选的实施方式,根据第二同态密文集及混淆同态密文计算目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文,包括:
S301、提取第二同态密文集中目标预测用户ID在所有数据服务方对应的预测值同态密文及其混淆同态密文;
S302、通过聚合函数根据目标预测用户ID对应的预测值同态密文及混淆同态密文,计算得到目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文;其中,聚合函数根据模型计算需求及同态加密算法类型确定。
对于目标预测用户ID,数据使用方A根据本地计算的混淆同态密文Cipher_confusionA,ID,及通过隐匿查询获得的第二同态密文集中的预测值同态密文基于联邦学习模型预测值的实际计算需求及同态算法计算规则的聚合函数f,计算目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文:
例如,线性回归模型等具有加法计算需求的联邦学习模型预测阶段任务下,聚合函数定义为对应联邦预测值混淆同态密文
作为一种可选的实施方式,通过同态解密私钥及混淆因子依次对联邦预测值混淆同态密文进行解密及去混淆,得到目标预测用户ID的联邦预测值明文,包括:
S401、将联邦预测值混淆同态密文发送至同态加密公钥所属数据服务方;
数据使用方A将联邦预测值混淆同态密文发送至同态加密公钥所属数据服务方,如本实施例中的数据服务方B1。
S402、接收同态加密公钥所属数据服务方发送的联邦预测值混淆明文;其中,联邦预测值混淆明文由同态加密公钥所属数据服务方通过同态解密私钥解密得到;
数据服务方B1接收数据使用方A发送的联邦预测值混淆同态密文,根据本地同态解密私钥基于同态解密算法,计算联邦学习模型下的联邦预测值混淆明文之后,数据服务方B1将联邦预测值混淆明文pv_confusionID发送给数据使用方A。
S403、通过混淆因子对联邦预测值混淆明文进行去混淆,得到目标预测用户ID的联邦预测值明文。
数据使用方A接收目标预测用户ID对应的联邦预测值混淆明文pv_confusionID后,根据私密的混淆因子R,计算目标预测用户ID在联邦学习模型下的联邦预测值明文pvID=pv_confusionID-R。
至此,联邦学习模型预测阶段任务结束。
作为一种可选的实施方式,同态加密采用以下任一种算法类型实现:
加法同态加密算法、乘法同态加密算法及全同态算法。
同态加密算法包含三类:
(1)Pailliar、改进ElGamal等加法同态算法;
(2)RSA、ElGamal等乘法同态算法;
(3)CKKS等全同态算法。
具体在实际使用中,需要使用哪种同态加密算法,需要根据联合预测节点联邦虚拟模型与各参与方子模型之间的实际计算需求决定。
例如,线性回归模型等具有“加法计算需求”的联邦学习模型预测阶段聚合任务下,选择使用加法同态算法类即可。
本发明实施例还提供了一种联邦学习预测阶段隐私保护系统,图5是本发明实施例提供的联邦学习预测阶段隐私保护系统的结构示意图,如图5所示,该系统包括:
加密模块100,用于根据子模型计算目标预测用户ID的第一预测值,通过同态加密公钥及混淆因子依次对第一预测值进行混淆及同态加密,得到混淆同态密文集;
在纵向联邦学习模型训练阶段结束后,联邦学习预测阶段任务的所有参与方数据量为N,即数据使用方A和数据服务方B={B1,B2,…,BN-1},N≥3,他们联邦学习子模型分别为ModelA,
数据服务方B={B1,B2,…,BN-1}的同态加密算法的公私钥对分别为
对于数据使用方A来说,通过本地关于特征y1,y2,…,yt的模型ModelA计算目标预测用户ID{yID,1,yID,2,…,yID,t}的第一预测值pvA,ID=ModelA(yID,1,yID,2,…,yID,t),其中,t为子模型ModelA的特征数量。
根据数据服务方B1的公钥基于同态加密算法HE计算第一预测值pvA,ID的混淆同态密文/>其中,R为随机选择的私密混淆因子。对目标预测用户ID的第一预测值进行混淆及同态加密,得到预测值混淆同态密文。
以上计算第一预测值及混淆同态密文的过程可在离线阶段预先进行。
同态密文获取模块200,用于通过盲签名算法计算目标预测用户ID在所有数据服务方的第一同态密文集中对应的预测值同态密文,得到第二同态密文集;其中,第一同态密文集由各数据服务方分别根据对应子模型计算所有用户ID的第二预测值,并通过同态加密公钥对第二预测值进行同态加密而得到;
对于所有数据服务方来说,每个数据服务方{Bi}i∈[N-1]分别基于各自关于特征的模型/>计算所有用户/>的第二预测值/> ti、ni分别为/>特征数量、用户数量。
根据数据服务方B1公钥基于同态加密算法HE分别计算第二预测值/> 的预测值同态密文/>对所有第二预测值进行同态加密后,得到预测值同态密文组成的第一同态密文集。
以上计算第二预测值及预测值同态密文的过程可在离线阶段预先进行。
数据使用方A、数据服务方{Bi}i∈[N-1]分别作为数据隐匿查询服务的请求方、服务方进行基于盲签名算法实现数据隐匿查询进程。
在数据隐匿查询服务进程中,输入为:
数据使用方A,目标预测用户ID;
数据服务方{Bi}i∈[N-1],第一同态密文集
输出为:数据使用方A,目标预测用户ID在数据服务方{Bi}i∈[N-1]端(第一同态密文集中)的预测值同态密文
目标预测用户ID在所有数据服务方的第一同态密文集中对应的预测值同态密文的集合记为第二同态密文集。
上述数据隐匿查询进程采用数据使用方A分别和每个数据服务方{Bi}i∈[N-1]执行交互式密码学协议得到。
联邦混淆同态密文计算模块300,用于根据第二同态密文集及混淆同态密文计算目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文;
数据使用方A端根据本地计算获得的混淆同态密文,和从数据服务方{Bi}i∈[N-1]进行隐匿查询获取的第二同态密文集,计算目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文。
联邦预测值明文计算模块400,用于通过同态解密私钥及混淆因子依次对联邦预测值混淆同态密文进行解密及去混淆,得到目标预测用户ID的联邦预测值明文。
同态解密私钥与同态加密公钥相对应,采用同态加密公钥进行同态加密的数据可以通过同态解密私钥进行解密。
对本实施例中采用的公私钥对为数据服务方B1端的公私钥对,公钥为私钥为通过数据使用方A及数据服务方B1的数据交互,采用同态解密私钥对联邦预测值混淆同态密文进行解密后,再通过混淆因子进行去混淆,最终使数据使用方A获得联邦预测值明文,此时联邦学习模型预测阶段任务结束。
作为一种可选的实施方式,图6是本发明实施例提供的同态密文获取模块的结构示意图,如图6所示,同态密文获取模块200包括:
盲化子模块2001,用于根据盲因子计算目标预测用户ID的盲化值,并将盲化值发送至数据服务方;
数据使用方A基于盲签名算法计算目标预测用户ID的盲化值其中,r为数据使用方A随机生成且私密保存的盲因子,数据使用方发送盲化值BID给数据服务方Bi。
信息接收子模块2002,用于接收数据服务方Bi发送的盲化值签名、第一同态密文集及被预测用户ID签名集;其中,盲化值签名由数据服务方Bi对盲化值进行签名得到;所述被预测用户ID签名集由数据服务方Bi预先对所有被预测用户ID进行签名得到;
数据服务方Bi接收到来自数据使用方A的盲化值BID,基于盲签名对盲化值BID进行签名,得到盲化值签名
此时,数据服务方Bi还包括第一同态密文集和被预测用户ID签名集 其中,被预测用户ID签名集/>通过计算所有被预测用户集IDi(i=1,2,…,ni)得到,且该计算过程可在离线阶段预先进行。
被预测用户ID签名集和第一同态密文集存在映射关系,即可通过被预测用户ID签名集中某个用户ID对应的索引值,在第一同态密文集中找到相应用户ID对应的预测值同态密文。
数据服务方Bi发送签名S=(sigj)、第一同态密文集CIPHER、盲化值签名BSID给数据使用方A。
脱盲子模块2003,用于根据盲因子对盲化值签名进行脱盲计算,得到待匹配签名值;
数据使用方A接收到数据盲化值签名BSID、第一同态密文集CIPHER、被预测用户ID签名集SIG后,基于盲签名算法采用盲因子对盲化值签名BSID进行脱盲计算,得到待匹配签名值SID=offblindsig(BSID,r)。
匹配子模块2004,用于将待匹配签名值与被预测用户ID签名集中的预设签名值进行匹配,确定匹配成功的预设签名值对应的索引值;
将待匹配签名值SID与签名集SIG中预设签名值进行匹配,匹配成功后得到sigj对应索引值idx。
索引子模块2005,用于根据索引值在第一同态密文集中查询对应位置的预测值同态密文,将其作为目标预测用户ID对应的预测值同态密文。
匹配到的sigj对应索引值idx为子模型预测值同态密文在第一同态密文集CIPHER中的位置,即成功获取所需子模型预测值同态密文
至此,密码学协议结束。
作为一种可选的实施方式,图7是本发明实施例提供的联邦混淆同态密文计算模块的结构示意图,如图7所示,联邦混淆同态密文计算模块300包括:
数据提取子模块3001,用于提取第二同态密文集中目标预测用户ID在所有数据服务方对应的预测值同态密文和混淆同态密文;
联邦混淆同态密文确定子模块3002,用于通过聚合函数根据目标预测用户ID对应的预测值同态密文及混淆同态密文,计算得到目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文;其中,聚合函数根据模型计算需求及同态加密算法类型确定。
对于目标预测用户ID,数据使用方A根据本地计算的预测值混淆同态密文Cipher_confusionA,ID,及通过隐匿查询获得的第二同态密文集中的所有预测值同态密文基于联邦学习模型预测值的实际计算需求及同态算法计算规则的聚合函数f,计算目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文:
例如,线性回归模型等具有加法计算需求的联邦学习模型预测阶段任务下,聚合函数定义为对应第一预测值混淆同态密文/>
作为一种可选的实施方式,图8是本发明实施例提供的联邦预测值明文计算模块的结构示意图,如图8所示,联邦预测值明文计算模块400包括:
数据发送子模块4001,用于将联邦预测值混淆同态密文发送至同态加密公钥所属数据服务方;
数据使用方A将联邦预测值混淆同态密文发送至同态加密公钥所属数据服务方,本实施例中为数据服务方B1。
解密子模块4002,用于接收同态加密公钥所属数据服务方发送的联邦预测值混淆明文;其中,联邦预测值混淆明文由同态加密公钥所属数据服务方通过同态解密私钥解密得到;
数据服务方B1接收数据使用方A发送的联邦预测值混淆同态密文,根据本地同态解密私钥基于同态解密算法,计算联邦学习模型下的联邦预测值混淆明文之后,数据服务方B1将联邦预测值混淆明文pv_confusionID发送给数据使用方A。
去混淆子模块4003,用于通过混淆因子对联邦预测值混淆明文进行去混淆,得到目标预测用户ID的联邦预测值明文。
数据使用方A接收目标预测用户ID对应的联邦预测值混淆明文pv_confusionID后,根据私密的混淆因子R,计算目标预测用户ID在联邦学习模型下的联邦预测值明文pvID=pv_confusionID-R。
至此,联邦学习模型预测阶段任务结束。
作为一种可选的实施方式,同态加密采用以下任一种算法类型实现:
加法同态加密算法、乘法同态加密算法及全同态算法。
同态加密算法包含三类:
(1)Pailliar、改进ElGamal等加法同态算法;
(2)RSA、ElGamal等乘法同态算法;
(3)CKKS等全同态算法。
具体在实际使用中,需要使用哪种同态加密算法,需要根据联合预测节点联邦虚拟模型与各参与方子模型之间的实际计算需求决定。
例如,线性回归模型等具有“加法计算需求”的联邦学习模型预测阶段聚合任务下,选择使用加法同态算法类即可。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现上述的联邦学习预测阶段隐私保护方法。
上述技术方案具有如下有益效果:在联邦学习预测阶段,通过同态加密和盲签名技术进行交互,并在交互过程中对数据进行加密等密码学算法处理,提高了数据传输过程中的隐私性;另一方面,该方案是去中心化的不需要第三方提供计算服务,解决了联邦学习各参与方数据的安全与隐私问题,提高了安全性。
以上发明的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上内容仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种联邦学习预测阶段隐私保护方法,其特征在于,包括:
根据本地子模型计算目标预测用户ID的第一预测值,通过同态加密公钥及混淆因子依次对所述第一预测值进行混淆及同态加密,得到混淆同态密文;
通过盲签名算法计算目标预测用户ID在所有数据服务方第一同态密文集中对应的预测值同态密文,得到第二同态密文集,包括:根据盲因子计算目标预测用户ID的盲化值,并将所述盲化值发送至所述数据服务方;接收数据服务方发送的盲化值签名、第一同态密文集及被预测用户ID签名集;其中,所述盲化值签名由所述数据服务方对所述盲化值进行签名得到;所述被预测用户ID签名集由所述数据服务方预先对所有被预测用户ID进行签名得到;根据所述盲因子对所述盲化值签名进行脱盲计算,得到待匹配签名值;将所述待匹配签名值与所述被预测用户ID签名集中的预设签名值进行匹配,确定匹配成功的预设签名值对应的索引值;根据所述索引值在所述第一同态密文集中查询对应位置的预测值同态密文,将其作为所述目标预测用户ID对应的预测值同态密文;其中,所述第一同态密文集由各数据服务方分别根据对应子模型计算所有用户ID的第二预测值,并通过所述同态加密公钥对所述第二预测值进行同态加密而得到;
根据所述第二同态密文集及混淆同态密文计算目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文;
通过同态解密私钥及混淆因子依次对所述联邦预测值混淆同态密文进行解密及去混淆,得到目标预测用户ID的联邦预测值明文。
2.根据权利要求1所述的联邦学习预测阶段隐私保护方法,其特征在于,所述根据所述第二同态密文集及混淆同态密文计算目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文,包括:
提取所述第二同态密文集中目标预测用户ID在所有数据服务方对应的预测值同态密文及其所述混淆同态密文;
通过聚合函数根据目标预测用户ID对应的预测值同态密文及混淆同态密文,计算得到目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文;其中,所述聚合函数根据模型计算需求及同态加密算法类型确定。
3.根据权利要求1所述的联邦学习预测阶段隐私保护方法,其特征在于,所述通过同态解密私钥及混淆因子依次对所述联邦预测值混淆同态密文进行解密及去混淆,得到目标预测用户ID的联邦预测值明文,包括:
将所述联邦预测值混淆同态密文发送至同态加密公钥所属数据服务方;
接收所述同态加密公钥所属数据服务方发送的联邦预测值混淆明文;其中,所述联邦预测值混淆明文由所述同态加密公钥所属数据服务方通过所述同态解密私钥解密得到;
通过所述混淆因子对所述联邦预测值混淆明文进行去混淆,得到目标预测用户ID的联邦预测值明文。
4.根据权利要求1所述的联邦学习预测阶段隐私保护方法,其特征在于,所述同态加密采用以下任一种算法类型实现:
加法同态加密算法、乘法同态加密算法及全同态算法。
5.一种联邦学习预测阶段隐私保护系统,其特征在于,包括:
加密模块,用于根据子模型计算目标预测用户ID的第一预测值,通过同态加密公钥及混淆因子依次对所述第一预测值进行混淆及同态加密,得到混淆同态密文;
同态密文获取模块,用于通过盲签名算法计算目标预测用户ID在所有数据服务方的第一同态密文集中对应的预测值同态密文,得到第二同态密文集;其中,所述第一同态密文集由各数据服务方分别根据对应子模型计算所有用户ID的第二预测值,并通过同态加密公钥对所述第二预测值进行同态加密而得到;所述同态密文获取模块包括:盲化子模块,用于根据盲因子计算目标预测用户ID的盲化值,并将所述盲化值发送至所述数据服务方;信息接收子模块,用于接收数据服务方发送的盲化值签名、第一同态密文集及用户ID签名集;其中,所述盲化值签名由所述数据服务方对所述盲化值进行签名得到;所述用户ID签名集由所述数据服务方预先对所有用户ID进行签名得到;脱盲子模块,用于根据所述盲因子对所述盲化值签名进行脱盲计算,得到待匹配签名值;匹配子模块,用于将所述待匹配签名值与所述用户ID签名集中的预设签名值进行匹配,确定匹配成功的预设签名值对应的索引值;索引子模块,用于根据所述索引值在所述第一同态密文集中查询对应位置的预测值同态密文,将其作为所述目标预测用户ID对应的预测值同态密文;
联邦混淆同态密文计算模块,用于根据所述第二同态密文集及混淆同态密文计算目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文;
联邦预测值明文计算模块,用于通过同态解密私钥及混淆因子依次对所述第一预测值混淆同态密文进行解密及去混淆,得到目标预测用户ID的联邦预测值明文。
6.根据权利要求5所述的联邦学习预测阶段隐私保护系统,其特征在于,所述联邦混淆同态密文计算模块包括:
数据提取子模块,用于提取所述第二同态密文集中目标预测用户ID在所有数据服务方对应的预测值同态密文及其所述混淆同态密文;
混淆同态密文确定子模块,用于通过聚合函数根据目标预测用户ID对应的预测值同态密文及混淆同态密文,计算得到目标预测用户ID在联邦学习模型下的联邦预测值混淆同态密文;其中,所述聚合函数根据模型计算需求及同态加密算法类型确定。
7.根据权利要求5所述的联邦学习预测阶段隐私保护系统,其特征在于,所述联邦预测值明文计算模块,包括:
数据发送子模块,用于将所述联邦预测值混淆同态密文发送至同态加密公钥所属数据服务方;
解密子模块,用于接收所述同态加密公钥所属数据服务方发送的联邦预测值混淆明文;其中,所述联邦预测值混淆明文由所述同态加密公钥所属数据服务方通过所述同态解密私钥解密得到;
去混淆子模块,用于通过所述混淆因子对所述联邦预测值混淆明文进行去混淆,得到目标预测用户ID的联邦预测值明文。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-4任一项所述的联邦学习预测阶段隐私保护方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211734280.XA CN116383865B (zh) | 2022-12-30 | 2022-12-30 | 联邦学习预测阶段隐私保护方法及系统 |
PCT/CN2023/077650 WO2024138854A1 (zh) | 2022-12-30 | 2023-02-22 | 联邦学习预测阶段隐私保护方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211734280.XA CN116383865B (zh) | 2022-12-30 | 2022-12-30 | 联邦学习预测阶段隐私保护方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116383865A CN116383865A (zh) | 2023-07-04 |
CN116383865B true CN116383865B (zh) | 2023-10-10 |
Family
ID=86966221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211734280.XA Active CN116383865B (zh) | 2022-12-30 | 2022-12-30 | 联邦学习预测阶段隐私保护方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116383865B (zh) |
WO (1) | WO2024138854A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117938355B (zh) * | 2024-03-21 | 2024-06-25 | 中国信息通信研究院 | 一种基于区块链的联合预测方法、介质及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245510A (zh) * | 2019-06-19 | 2019-09-17 | 北京百度网讯科技有限公司 | 用于预测信息的方法和装置 |
CN111177791A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 保护数据隐私的双方联合训练业务预测模型的方法和装置 |
CN111259443A (zh) * | 2020-01-16 | 2020-06-09 | 百融云创科技股份有限公司 | 一种基于psi技术保护联邦学习预测阶段隐私的方法 |
CN112583575A (zh) * | 2020-12-04 | 2021-03-30 | 华侨大学 | 一种车联网中基于同态加密的联邦学习隐私保护方法 |
CN113037460A (zh) * | 2021-03-03 | 2021-06-25 | 北京工业大学 | 基于同态加密和秘密共享的联邦学习隐私保护方法 |
WO2021184347A1 (zh) * | 2020-03-20 | 2021-09-23 | 云图技术有限公司 | 实现隐私保护的数据处理方法和装置 |
CN113537633A (zh) * | 2021-08-09 | 2021-10-22 | 中国电信股份有限公司 | 基于纵向联邦学习的预测方法、装置、设备、介质和系统 |
CN114448598A (zh) * | 2022-01-26 | 2022-05-06 | 腾讯科技(深圳)有限公司 | 密文压缩方法、密文解压缩方法、装置、设备和存储介质 |
CN115329387A (zh) * | 2022-10-17 | 2022-11-11 | 中国科学技术大学 | 基于差分隐私置乱模型的联邦协同蒸馏方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11139961B2 (en) * | 2019-05-07 | 2021-10-05 | International Business Machines Corporation | Private and federated learning |
CN110633806B (zh) * | 2019-10-21 | 2024-04-26 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
CN113824677B (zh) * | 2020-12-28 | 2023-09-05 | 京东科技控股股份有限公司 | 联邦学习模型的训练方法、装置、电子设备和存储介质 |
US20220255764A1 (en) * | 2021-02-06 | 2022-08-11 | SoterOne, Inc. | Federated learning platform and machine learning framework |
-
2022
- 2022-12-30 CN CN202211734280.XA patent/CN116383865B/zh active Active
-
2023
- 2023-02-22 WO PCT/CN2023/077650 patent/WO2024138854A1/zh unknown
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245510A (zh) * | 2019-06-19 | 2019-09-17 | 北京百度网讯科技有限公司 | 用于预测信息的方法和装置 |
CN111259443A (zh) * | 2020-01-16 | 2020-06-09 | 百融云创科技股份有限公司 | 一种基于psi技术保护联邦学习预测阶段隐私的方法 |
WO2021184347A1 (zh) * | 2020-03-20 | 2021-09-23 | 云图技术有限公司 | 实现隐私保护的数据处理方法和装置 |
CN111177791A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 保护数据隐私的双方联合训练业务预测模型的方法和装置 |
CN112583575A (zh) * | 2020-12-04 | 2021-03-30 | 华侨大学 | 一种车联网中基于同态加密的联邦学习隐私保护方法 |
CN113037460A (zh) * | 2021-03-03 | 2021-06-25 | 北京工业大学 | 基于同态加密和秘密共享的联邦学习隐私保护方法 |
CN113537633A (zh) * | 2021-08-09 | 2021-10-22 | 中国电信股份有限公司 | 基于纵向联邦学习的预测方法、装置、设备、介质和系统 |
CN114448598A (zh) * | 2022-01-26 | 2022-05-06 | 腾讯科技(深圳)有限公司 | 密文压缩方法、密文解压缩方法、装置、设备和存储介质 |
CN115329387A (zh) * | 2022-10-17 | 2022-11-11 | 中国科学技术大学 | 基于差分隐私置乱模型的联邦协同蒸馏方法及系统 |
Non-Patent Citations (2)
Title |
---|
Federated learning of predictive models from federated Electronic Health Records;Brisimi, TS;INTERNATIONAL JOURNAL OF MEDICAL INFORMATICS;第59-67页 * |
隐私保护机器学习的密码学方法;蒋瀚;刘怡然;宋祥福;王皓;郑志华;徐秋亮;;电子与信息学报(第05期);第1069-1078页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116383865A (zh) | 2023-07-04 |
WO2024138854A1 (zh) | 2024-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107196926B (zh) | 一种云外包隐私集合比较方法与装置 | |
CN105915520B (zh) | 基于公钥可搜索加密的文件存储、搜索方法及存储系统 | |
CN113127916A (zh) | 数据集合处理方法、数据处理方法、装置及存储介质 | |
CN110730064B (zh) | 一种群智感知网络中基于隐私保护的数据融合方法 | |
Vu et al. | An efficient approach for secure multi-party computation without authenticated channel | |
CN115269938B (zh) | 基于同态加密的关键词匿踪查询方法、系统及相关装置 | |
CN116383865B (zh) | 联邦学习预测阶段隐私保护方法及系统 | |
CN116743376B (zh) | 基于高效密文混淆技术的多方秘密分享数据隐私比较方法 | |
CN113536379A (zh) | 一种隐私数据的查询方法、装置及电子设备 | |
CN115834067A (zh) | 一种边云协同场景中密文数据共享方法 | |
CN112818369A (zh) | 一种联合建模方法及装置 | |
CN114640444A (zh) | 基于国产密码算法的隐私保护集合交集获取方法及装置 | |
Yang et al. | SFPM: A secure and fine-grained privacy-preserving matching protocol for mobile social networking | |
Tahat et al. | An efficient identity-based cryptographic model for Chebyhev chaotic map and integer factoring based cryptosystem | |
CN116681141A (zh) | 隐私保护的联邦学习方法、终端及存储介质 | |
CN111159727A (zh) | 一种面向多方协同的贝叶斯分类器安全生成系统及方法 | |
CN117675270A (zh) | 面向纵向联邦学习的多模态数据加密传输方法及系统 | |
CN110222092B (zh) | 一种基于差分隐私保护技术的多方统计查询方法 | |
Li et al. | Perturbation-based private profile matching in social networks | |
CN115412246B (zh) | 不经意传输方法、装置、设备和存储介质 | |
CN111859440A (zh) | 基于混合协议的分布式隐私保护逻辑回归模型的样本分类方法 | |
Li et al. | Efficient and traceable data sharing for the Internet of Things in smart cities | |
CN114629717B (zh) | 一种数据处理方法、装置、系统、设备及存储介质 | |
Li et al. | Two‐Party Attribute‐Based Key Agreement Protocol with Constant‐Size Ciphertext and Key | |
CN115225266A (zh) | 基于云服务器辅助的多方门限隐私集合求交方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |