KR102103731B1 - 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템 - Google Patents

비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템 Download PDF

Info

Publication number
KR102103731B1
KR102103731B1 KR1020180038223A KR20180038223A KR102103731B1 KR 102103731 B1 KR102103731 B1 KR 102103731B1 KR 1020180038223 A KR1020180038223 A KR 1020180038223A KR 20180038223 A KR20180038223 A KR 20180038223A KR 102103731 B1 KR102103731 B1 KR 102103731B1
Authority
KR
South Korea
Prior art keywords
data
machine learning
user
encrypted
classification result
Prior art date
Application number
KR1020180038223A
Other languages
English (en)
Other versions
KR20190115323A (ko
Inventor
박희진
평 김
이윤호
Original Assignee
서울과학기술대학교 산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 서울과학기술대학교 산학협력단 filed Critical 서울과학기술대학교 산학협력단
Priority to KR1020180038223A priority Critical patent/KR102103731B1/ko
Publication of KR20190115323A publication Critical patent/KR20190115323A/ko
Application granted granted Critical
Publication of KR102103731B1 publication Critical patent/KR102103731B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템에 관한 것으로, 입력 데이터를 암호화하고, 암호화된 입력 데이터에 따라 생성된 분류결과를 외부로부터 전달받아 해독하여 분류 값을 추출하는 사용자; 그리고, 데이터 제공자로부터 기계학습 모델을 생성하고 있고, 상기 사용자로부터 암호화된 입력 데이터를 전달받아, 이를 기계학습 모델에서 분류하여 분류 결과를 생성하고, 생성된 상기 분류 결과를 상기 사용자에게 전달하는 서버;를 포함한다. 이로 인해, 서버에서 암호화된 데이터를 기계학습을 이용하여 처리한 결과의 정확성이 향상되는 효과가 있다. 또한, 서버 내에 데이터가 암호화된 데이터 상태로 존재하는 구조를 가지므로, 서버의 운영 비용이 절감되는 효과가 있다.

Description

비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템{SYSTEM FOR MACHINE LEARNING OF ENCYRPTED DATA USING NON-INTERACTIVE COMMUNICATION}
본 발명은 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템에 관한 것이다.
데이터들을 수집하고, 수집된 데이터를 기계학습(machine learning)하여 데이터로부터 분류결과를 산출하는 기술이 개시되고 있다.
그러나, 의료 데이터와 같이 프라이버시가 보존되어야 하는 데이터의 기계학습을 수행함에 있어서, 프라이버시 보존을 위해 암호화된 데이터를 기계학습하는 경우 원 데이터의 정확도를 떨어뜨리거나, 암호 알고리즘이 적용된 데이터에 대해서는 기계학습이 제한되고, 데이터의 소유자들간에 있어 많은 상호 작용이 발생하는 문제점이 있다.
이에 따라, 시스템을 이용하는 사용자간 상호작용을 줄일 수 있고, 기계학습에 따라 도출되는 결과의 정확성을 향상할 수 있는 기계학습 시스템의 개발이 필요한 실정이다.
대한민국 공개특허공보 제10-2014-7014500(의료 진단 절차들에 관한 정보를 수집하고 보고하고 관리하는 방법들 및 기법들)
본 발명이 이루고자 하는 기술적 과제는 암호 알고리즘이 적용된 데이터를 기계학습할 때의 정확성을 향상하고, 데이터 소유자간 상호작용을 줄인 기계학습 시스템을 제공하는 것이다.
본 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템은 입력 데이터를 암호화하고, 암호화된 입력 데이터에 따라 생성된 분류결과를 외부로부터 전달받아 해독하여 분류 값을 추출하는 사용자; 그리고, 데이터 제공자로부터 기계학습 모델을 생성하고 있고, 상기 사용자로부터 암호화된 입력 데이터를 전달받아, 이를 기계학습 모델에서 분류하여 분류 결과를 생성하고, 생성된 상기 분류 결과를 상기 사용자에게 전달하는 서버;를 포함하는 것을 특징으로 한다.
상기 서버는 FHE(fully homomorphic encryption)의 자기동형을 이용하고, 의료 데이터를 상기 입력 데이터로서 생성하며, 상기 서버는 암호화된 상기 의료 데이터에 따라 진단결과를 분류 결과로서 생성하는 것을 특징으로 한다.
상기 서버는 암호문 형태의 데이터를 이용하여 상기 암호화된 입력 데이터로부터 분류결과를 생성하는 것을 특징으로 한다.
본 발명의 다른 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템은 데이터 제공자로부터 기계학습 모델을 생성하고 있고, 입력 데이터에 따라, 이를 기계학습 모델에서 분류하여 분류 결과를 생성하고, 생성된 상기 분류 결과를 상기 외부로 전달하는 사용자; 그리고, 상기 사용자로부터 상기 분류 결과를 전달받아 순환시켜 상기 사용자에게 다시 전달하는 서버;를 포함하고, 상기 사용자는 상기 서버로부터 다시 전달받은 분류 결과로부터 최종 분류 결과를 추출하는 것을 특징으로 한다.
상기 사용자는 FHE(fully homomorphic encryption)의 자기동형을 이용하고, 의료 데이터를 상기 입력 데이터로서 생성하며, 상기 사용자는 암호화된 상기 의료 데이터에 따라 진단결과를 분류 결과로서 생성하는 것을 특징으로 한다.
상기 사용자는 암호문 형태의 데이터를 이용하여 상기 입력 데이터로부터 분류결과를 생성하는 것을 특징으로 한다.
이러한 특징에 따르면, 본원 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 서버에서 암호화된 데이터를 기계학습을 이용하여 처리한 결과의 정확성이 향상되는 효과가 있다.
또한, 본원 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템에서, 서버 내에 데이터가 암호화된 데이터 상태로 존재하는 구조를 가지므로, 서버의 운영 비용이 절감되는 효과가 있다.
도 1은 본 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 개략적인 구조를 나타낸 도면이다.
도 2는 본 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템에서 이용하는 데이터 생성 구조를 나타낸 도면이다.
도 3은 본 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템에서 이용하는 데이터 암호화 구조를 나타낸 도면이다.
도 4는 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템에서 이용하는 데이터 구조를 나타낸 도면이다.
도 5는 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템에서 이용하는 데이터 구조를 나타낸 도면이다.
도 6은 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 선택부의 개략적인 구조를 나타낸 도면이다.
도 7은 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 선택부의 개략적인 구조를 나타낸 도면이다.
도 8은 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 선택부의 개략적인 구조를 나타낸 도면이다.
도 9는 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 선택부의 개략적인 구조를 나타낸 도면이다.
도 10은 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 선택부의 개략적인 구조를 나타낸 도면이다.
도 11은 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 분류부의 개략적인 구조를 나타낸 도면이다.
도 12는 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 분류부의 개략적인 구조를 나타낸 도면이다.
도 13은 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 분류부의 개략적인 구조를 나타낸 도면이다.
도 14는 본 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 전체적인 구조를 나타낸 도면이다.
도 15는 본 발명의 다른 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 개략적인 구조를 나타낸 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 본 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 개략적인 구조를 나타낸 도면이고, 도 2는 본 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템에서 이용하는 데이터 생성 구조를 나타낸 도면이고, 도 3은 본 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템에서 이용하는 데이터 암호화 구조를 나타낸 도면이고, 도 4는 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템에서 이용하는 데이터 구조를 나타낸 도면이고, 도 5는 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템에서 이용하는 데이터 구조를 나타낸 도면이고, 도 6은 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 선택부의 개략적인 구조를 나타낸 도면이고, 도 7은 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 선택부의 개략적인 구조를 나타낸 도면이고, 도 8은 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 선택부의 개략적인 구조를 나타낸 도면이고, 도 9는 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 선택부의 개략적인 구조를 나타낸 도면이고, 도 10은 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 선택부의 개략적인 구조를 나타낸 도면이고, 도 11은 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 분류부의 개략적인 구조를 나타낸 도면이고, 도 12는 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 분류부의 개략적인 구조를 나타낸 도면이고, 도 13은 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 분류부의 개략적인 구조를 나타낸 도면이고, 도 14는 본 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 전체적인 구조를 나타낸 도면이다.
본 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템(S)은 서버 중심 개념으로서, 서버(100)와 사용자(200)를 포함하고, 서버(100)와 사용자(200)는 네트워크로 연결되도록 구성될 수 있다.
한 예에서, 서버(100)와 사용자(200)는 인터넷을 통해 연결될 수 있고, 사용자(200)는 서버(100)에 접속되는 단말일 수 있다.
서버(100)는 사용자의 공개키(pk, public key)를 이용하여 암호화된 정보를 저장하는 부분으로서, 제1 암호화부(110)와 선택부(120), 그리고 분류부(130)를 포함한다. 제1 암호화부(110)는 데이터 제공자(DP; Data Provider)로부터 수집한 정보를 기계학습하여 모델(w)을 생성하고 이를 암호화하여 선택부(120) 및 분류부(130)로 각각 전달한다.
선택부(120)는 사용자(220)의 제2 암호화부(210)로부터 전달받은 사용자 데이터(U)를 테이블(T)로 생성하여 분류부(130)로 전달한다. 이때, 선택부(120)는 제1 암호화부(110)로부터 전달받은 암호화된 모델정보를 이용하여 테이블을 생성한다.
분류부(130)는 제1 암호화부(110)로부터 전달받은 암호화된 모델정보(S)와 선택부(120)로부터 전달받은 테이블(XT)을 이용하여 분류결과를 생성하고, 이를 사용자(200)의 해독부(220)로 전달한다.
사용자(200)는 제2 암호화부(210)와 해독부(220)를 포함하며, 제2 암호화부(210)는 사용자 입력정보를 암호화하여 서버(100)로 전달하고, 해독부(220)는 서버(100)로부터 전달받은 분류결과를 해독한다.
사용자(200)의 해독부(220)는 사용자의 보안키(sk, private key)와 공개키(pk)를 이용하여 서버(100)로부터 전달받은 분류결과 값 R1로부터 분류결과
Figure 112018032687649-pat00001
를 추출한다.
한 예에서, 서버(100)는 암호문(ciphertext) 형태의 데이터를 이용하여 사용자 정보로부터 분류결과를 생성할 수 있으며, 한 예에서, 도 2에 도시한 데이터 구조와 같이, q-bit의 정수에 대해 암호문 구조가 생성될 수 있다.
이때, FHE(Fully homomorphic encryption)의 자기동형(automorphism)을 사용함에 따라, q-bit의 정수를 로테이션 하여 암호문을 형성하더라도 노이즈가 발생되지 않고, 로테이션 알고리즘에서 최소한의 슬롯 이동을 위해 u 슬롯의 간격에 1 비트를 삽입하여 암호문을 생성한다.
그리고 이때, 암호문의 q-bit 데이터는 첫 번째 슬롯의 최하위비트(LSB; least significant bit) 순서에 저장되고, (q-1)?u+1번째 슬롯에서는 최상위비트(MSB; most significant bit) 순서에 저장된다.
자세한 예로써, 분류부(130)의 모델 w는 분류부(130)에서 사용되는 모든 사용 가능한 사용자 입력(
Figure 112018032687649-pat00002
)을 참조하고, 분류부(130)는 Cw로 정의되고,
Figure 112018032687649-pat00003
로 정의된다. 분류부(130)의 분류결과는 Cw(x)이다.
분류부(130)는 도 3 및 다음의 식으로부터 같이 테이블(T)과 모델정보(S)를 생성한다.
[식 1]
Figure 112018032687649-pat00004
분류부(130)에서 생성한 테이블의 암호화된 인자들은 인덱스를 이용하여 접근 가능하고, 인자들의 실제 값들은 해독 전까지는 얻을 수 없다.
분류부(130)가 분류하는 입력 데이터인 사용자 데이터(U)는 도 4와 같은 형식을 갖는다.
분류부(130)의 분류결과
Figure 112018032687649-pat00005
는 도 5와 같이 R1 또는 R2의 구조를 가질 수 있는데, R1 구조는 서버 중심의 분류에서 이용될 수 있고, R2 구조는 이후에서 도 15를 참고하여 설명할 사용자중심의 분류에서 이용될 수 있다.
분류부(130)는 무작위 숫자 r을 발생하고, 생성한 실제 분류 결과를 숨기기 위해 r?u 슬롯을 이용하여 로테이트 라이트(rotate-right) 연산을 수행하여 R2 구조를 생성한다. 이때, 무작위 숫자 r은
Figure 112018032687649-pat00006
이다.
선택부(120)는 위에서 설명한 것처럼, 도 6과 같이 테이블(T)과 사용자 데이터(U), 그리고 테이블(T)로부터 생성한 매트릭스 테이블(XT)를 취득한다. 이때, 매트릭스 테이블(XT)의 각 구성요소
Figure 112018032687649-pat00007
는
Figure 112018032687649-pat00008
Figure 112018032687649-pat00009
Figure 112018032687649-pat00010
를 암호화한 것에 대응된다. 선택부(120)는 도 7의 구조로부터 사용자 데이터(U)를 이용하여 각
Figure 112018032687649-pat00011
로부터 실제 데이터를 취득한다. 이때, 테이블(T)은
Figure 112018032687649-pat00012
이다.
선택부(120)는 마스크젠(maskgen) 처리를 수행하기 위해 어사인(assign) 처리부, 그리고 슬롯카피(slot copy) 처리부를 포함하는데, 마스크젠 처리부는 도 8에 도시한 것처럼
Figure 112018032687649-pat00013
슬롯 사이에 0 또는 1을 삽입한다.
어사인 처리부는 도 9에 도시한 것처럼 각 슬롯의 값에 상응하는 bit 값을 추출하고, 상응하는 값은 쉬프트 동작을 이용하여 최하위 위치의 슬롯으로 옮기는 처리를 수행한다.
슬롯카피 처리부는 도 10에 도시한 것처럼, 어사인 처리부에서 추출한 상응하는 비트를 다른 슬롯으로 복사하여, 최종적으로 마스크젠의 처리결과를 생성한다.
분류부(130)는 선택부(120)로부터 전달받은 테이블(XT[][])을 이용하여 실제 분류 결과를 취득하는 부분으로, 테이블(S)와 도 11의 선택부 회로로부터 실제 분류 결과를 얻는다.
분류부(130)는 멀티플추가부(MULTIPLE ADDER)와 ARGMAX 모듈을 포함한다.
도 11을 참고로 하면, 분류부(130)는 도 12에 도시된 멀티플추가부 회로와
Figure 112018032687649-pat00014
및
Figure 112018032687649-pat00015
를 이용하여 구동하여 하기의 식 2의 결과를 얻는다.
[식2]
Figure 112018032687649-pat00016
Figure 112018032687649-pat00017
분류부(130)는 멀티플추가부 회로를 통해 모든 R[i]를 얻은 뒤, 도 13에 도시된 ARGMAX 모듈과 모든 R[i]를 이용하여 분류 결과 R1을 취득한다. 이때, 사용자는 R1을 해독하여 분류 결과를 취득할 수 있다.
이처럼, 도 1 내지 도 13을 참고로 하여 설명한 구조를 갖는 본 발명의 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템(S)은 도 14에 도시한 것처럼 전체적인 구조를 가질 수 있고, 사용자 및 서버간 대화가 없더라도 상호간 송수신된 데이터를 이용한 기계학습 효율이 좋고, 종래의 대화식 통신을 이용한 기계학습 시스템보다 서버의 유지비용 및 데이터 송수신에 소요되는 시간이 절감되는 효과가 있다.
그리고, 서버(100)와 사용자(200)간 송수신되는 데이터는 암호화된 데이터이므로 서버(100)에서 데이터 암호화를 위해 소요되는 비용을 절감할 수 있고, 데이터의 보안성이 증대된다.
이처럼, 기계학습 결과 또는 입력 데이터를 암호화하여 상호간 송수신하므로, 데이터의 보안성이 중요한 의료 서비스 시스템에서 환자의 정보를 토대로 진단서비스를 제공함에 효율적으로 적용할 수 있다.
도 15는 본 발명의 다른 한 실시예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템의 개략적인 구조를 나타낸 도면이다.
도 15를 참고로 하는 본 발명의 다른 한 예에 따른 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템(S')은 사용자 중심 개념으로서, 서버(100')와 사용자(200')를 포함한다.
사용자(200')는 사용자의 공개키(pk)를 이용하고, 제1에서 도시한 분류부(130)와 동일한 동작을 수행하는 제2 분류부(203)를 포함하고, 제2 분류부(203)로 테이블(T)을 생성하여 전달하는 테이블 생성부(201), 그리고 제2 분류부(203)에서 생성된 정보를 로테이션하는 로테이션부(202)를 포함하며, 서버(100')로부터 전달받은 R2 값을 로테이션하여 분류결과
Figure 112018032687649-pat00018
를 얻는다.
서버(100')의 제2 해독부(101)는 사용자(200)로부터 전달받은 R1 값을 로테이션하여 R2 값을 생성하고 이를 사용자(200')로 전달한다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
S : 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템
100 : 서버 110 : 제1 암호화부
120 : 선택부 130 : 분류부
200 : 사용자 210 : 해독부

Claims (6)

  1. 입력 데이터를 암호화하고, 암호화된 입력 데이터에 따라 생성된 분류결과를 외부로부터 전달받아 해독하여 분류 값을 추출하는 사용자; 그리고,
    데이터 제공자로부터 수집한 정보를 기계학습하여 모델을 생성하고, 상기 사용자로부터 암호화된 입력 데이터를 전달받아, 이를 상기 모델에서 분류하여 분류 결과를 생성하고, 생성된 상기 분류 결과를 상기 사용자에게 전달하는 서버;를 포함하고,
    상기 서버는 제1 암호화부, 선택부 및 분류부를 포함하는 것이고,
    상기 제1 암호화부는 상기 데이터 제공자로부터 수집한 정보를 기계학습하여 상기 모델을 생성하고 이를 암호화하여 상기 선택부 및 분류부로 전달하는 것이고,
    상기 선택부는 상기 사용자로부터 전달받은 상기 암호화된 입력 데이터를 테이블로 생성하여 상기 분류부로 전달하는 것이고,
    상기 분류부는 상기 제1 암호화부로부터 전달받은 암호화된 모델정보와 상기 선택부로부터 전달받은 테이블을 이용하여 분류결과를 생성하고 로테이션 연산을 수행하여 이를 상기 사용자의 해독부로 전달하는 것을 특징으로 하는 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템.
  2. 제1항에 있어서,
    상기 서버는 FHE(fully homomorphic encryption)의 자기동형을 이용하고, 의료 데이터를 상기 입력 데이터로서 생성하며, 상기 서버는 암호화된 상기 의료 데이터에 따라 진단결과를 분류 결과로서 생성하는 것을 특징으로 하는 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템.
  3. 제1항에 있어서,
    상기 서버는 암호문 형태의 데이터를 이용하여 상기 암호화된 입력 데이터로부터 분류결과를 생성하는 것을 특징으로 하는 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템.
  4. 데이터 제공자로부터 수집한 정보를 기계학습하여 모델을 생성하고, 입력 데이터에 따라 이를 상기 모델에서 분류하여 R1 구조의 분류 결과를 생성하고 로테이션 연산하여 생성된 R1 구조의 분류 결과를 외부로 전달하는 사용자; 그리고,
    상기 사용자로부터 상기 로테이션 연산하여 생성된 R1 구조의 분류 결과를 전달받아 로테이션 연산하여 R2 구조의 분류 결과를 생성하여 상기 사용자에게 다시 전달하는 서버;를 포함하고,
    상기 사용자는 상기 서버로부터 전달받은 상기 R2 구조의 분류 결과에 로테이션 연산하여 최종 분류 결과를 추출하는 것을 특징으로 하는는 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템.
  5. 제4항에 있어서,
    상기 사용자는 FHE(fully homomorphic encryption)의 자기동형을 이용하고, 의료 데이터를 상기 입력 데이터로서 생성하며, 상기 사용자는 암호화된 상기 의료 데이터에 따라 진단결과를 분류 결과로서 생성하는 것을 특징으로 하는 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템.
  6. 제4항에 있어서,
    상기 사용자는 암호문 형태의 데이터를 이용하여 상기 입력 데이터로부터 분류결과를 생성하는 것을 특징으로 하는 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템.

KR1020180038223A 2018-04-02 2018-04-02 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템 KR102103731B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180038223A KR102103731B1 (ko) 2018-04-02 2018-04-02 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180038223A KR102103731B1 (ko) 2018-04-02 2018-04-02 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템

Publications (2)

Publication Number Publication Date
KR20190115323A KR20190115323A (ko) 2019-10-11
KR102103731B1 true KR102103731B1 (ko) 2020-05-29

Family

ID=68210309

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180038223A KR102103731B1 (ko) 2018-04-02 2018-04-02 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템

Country Status (1)

Country Link
KR (1) KR102103731B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210130048A (ko) 2020-04-21 2021-10-29 삼성에스디에스 주식회사 분석 모델 학습 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160350648A1 (en) 2014-11-07 2016-12-01 Microsoft Technology Licensing, Llc. Neural networks for encrypted data
US20170134156A1 (en) 2015-11-05 2017-05-11 Microsoft Technology Licensing, Llc Homomorphic Encryption with Optimized Parameter Selection
WO2017177313A1 (en) * 2016-04-12 2017-10-19 The Governing Council Of The University Of Toronto System and methods for validating and performing operations on homomorphically encrypted data

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102444932B1 (ko) * 2017-07-24 2022-09-20 삼성전자주식회사 이미지를 암호화하여 외부 서버에 업로드하기 위한 전자 장치 및 이의 제어 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160350648A1 (en) 2014-11-07 2016-12-01 Microsoft Technology Licensing, Llc. Neural networks for encrypted data
US20170134156A1 (en) 2015-11-05 2017-05-11 Microsoft Technology Licensing, Llc Homomorphic Encryption with Optimized Parameter Selection
WO2017177313A1 (en) * 2016-04-12 2017-10-19 The Governing Council Of The University Of Toronto System and methods for validating and performing operations on homomorphically encrypted data

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Jiawei Yuan 외 1명. Privacy Preserving Back-Propagation Neural Network Learning Made Practical with Cloud Computing. 2014년 1월

Also Published As

Publication number Publication date
KR20190115323A (ko) 2019-10-11

Similar Documents

Publication Publication Date Title
JP4981072B2 (ja) 復号可能かつ検索可能な暗号化のための方法およびシステム
US20180013555A1 (en) Data transmission method and apparatus
US7826611B2 (en) System and method for exchanging a transformed message with enhanced privacy
JP2016035554A (ja) 完全準同型暗号化方式を使用したコンパクトなファジープライベートマッチング
Charpentier et al. An asymmetric fingerprinting scheme based on Tardos codes
CN111404952B (zh) 变电站数据加密传输方法、装置、计算机设备和存储介质
CN110635909A (zh) 一种基于属性的抗合谋攻击的代理重加密方法
EP1914924A1 (en) Time apparatus, encrypting apparatus, decrypting apparatus, and encrypting/decrypting system
Do et al. Traceable inner product functional encryption
JP2007114494A (ja) 秘匿計算方法及び装置
JP5135070B2 (ja) 暗号文復号権限委譲システム
KR102103731B1 (ko) 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템
JP2006279269A (ja) 情報管理装置、情報管理システム、ネットワークシステム、ユーザ端末、及びこれらのプログラム
JP4758110B2 (ja) 通信システム、暗号化装置、鍵生成装置、鍵生成方法、復元装置、通信方法、暗号化方法、暗号復元方法
Mohammed et al. An improved fully homomorphic encryption model based on N-primes
JP2011118387A (ja) 信号に関数を適用した結果を求めるための方法およびシステム
CN113347146B (zh) 一种自动生成密钥的加密解密方法
Adebayo et al. Data Privacy System Using Steganography and Cryptography
US11727125B2 (en) Emergent language based data encryption
CN110912673B (zh) 具有双解密机制的加性同态加解密方法
Chen et al. Reversible data hiding in encrypted domain by signal reconstruction
JP7043203B2 (ja) 暗号化装置、復号装置、暗号化システム、暗号化方法及び暗号化プログラム
Yajam et al. Deniable Encryption based on Standard RSA with OAEP
Chandel et al. Image Encryption with RSA and RGB randomized Histograms
Youn et al. Practical additive homomorphic encryption for statistical analysis over encrypted data

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right