CN119180056B 一种基于多方安全计算的数据隐私保护方法 （北京长河数智科技有限责任公司）

一种基于多方安全计算的数据隐私保护方法本申请公开了一种基于多方安全计算的数过联邦学习框架引入差分隐私对模型参数进行本申请有效解决了传统机器学习面临的数据孤2步骤1，采用Paillier半同态加密算法对原始数据进行加密，加密后的数据上传到云偏置项；参与方利用本地私钥对下载的加密的支持向量E'(sv)，以及加密权重向量E'(w)和对本地梯度和正则化项Tacar分别进行裁剪，将本地梯度和正则化项Taai限制在参与方使用噪声化的本地梯度和噪声化的正则化项更新支持向量机模型参参与方对更新后的支持向量机模型参数进行加密，得到加密的本地参数E'(svs)、3输出经过随机化处理后的加密数据矩阵，矩阵中每个元素均为随机化设置高斯核函数的核参数，核参数包括方差σ和映射维度d；获取PaE'(k)4利用Paillier同态加密的性质，对加密梯度E'(g,)和加密误差E'(e;)进行同态运算，最终的加密拉格朗日乘子E'(ana)和加密支持向量E'(sv)；利用加密支持向量E'(sv)和加密拉格朗日乘子E'(ana)，计算加密权重向量E'(w)：5参与方使用噪声化的本地梯度和噪声化的正则化项更新本地支持向量机模67.根据权利要求1至6任一所述的基于多方安全计算的数据隐私保护方法，其特征在参与方将噪声化的本地支持向量机模型参数或梯度上传E'b)云端接收所有参与方上传的加密本地支持向量机模型参行随机排列；重复每轮聚合步骤，直至所有m个参与方都完成聚合，第m轮7参与方将噪声化的本地支持向量机模型参数或梯度上传云端将置换后的聚合结果E'(sva.mm)、和E'(BS_nm)发送给下一个参与云端对置换后的全局模型参数进行逆置换，得到最终的全局支持向量机模型参数8x(i)*(j)；9[0001]本申请涉及数据安全领域，特别涉及一种基于多方安全计算的数据隐私保护方于多方安全计算的数据隐私保护方法，采用Paillier半同态加密算法对原始数据进行加2)xxrnmodn2(x2)，仍然满足加法和数乘同态：E'(x1)xE'(x2)＝E'(x1+x2)modn2，E'(x)c＝E'(cxx)modn2(xikxxjk)通过Paillier加密的乘法同态性质计算得到：计算得到：将计算得到的加密高斯核函数值的关系，从而可以直接在加密数据上进行计算。其中，加密向量的L2范数平方可通过m；计算加密数据矩阵中第i个数据向量xi和第j个数据向量xj的加密高斯核函数值E'(Ki乘子α为待优化的模型参数，支持向量E'(sv)为加密数据矩阵中对应拉格朗日乘子非零的前的拉格朗日乘子，E'(a("")为更新后的拉格朗日乘子；根据更新后的拉格朗日乘子E'i)和E'(yj)分别表示第i个和第j个训练样本的标签的加密值，|b||2)[0025]进一步的，利用差分隐私对支持向量机模型的本地参数还包括：参与方使用噪声化的本地梯度gnoise和噪声化的正则化项rnoise更新本地支持向量的本地支持向量机模型参数svlocal、wlocal和blocal进行加密，得到加密的本地参数E'方数量m和随机置换函数π,发起一轮安全聚合；参与方将加密后的噪声化本地支持向量机本地参数后，随机选择一个参与方作为聚合发起方，记为P1，将其他参与方记为P2,云端对前i_1个参与方的加密参数求和，得到第i轮的部分聚合结果E'(SVi)、E'(Wi)和E'E'(wa,)和分别表示第j个参与方的加密本地参数；参与方Pi利用Paillier加密的性质，将其加密本地参数和E'(bua)与部分聚合结果同态相permpermpermpermpermpermpermperm[0043]在联邦学习框架下引入差分隐私技术，通过对本地梯度[0045]图1是根据本申请一些实施例所示的一种基于多方安全计算的数据隐私保护方法[0050]图1是根据本申请一些实施例所示的一种基于多方安全计算的数据隐私保护方法[0051]图2是根据本申请一些实施例所示的获取加密数据矩阵的示例性流程图，数据加有数据点对之间的加密距离E'(dist(xi,xj))。计算加密距离的平均值或中位数E'(avg_量的每个分量分别计算将所有分量的计算结果相乘，得)。利用Paillier加密的乘法同态性质，计算加[0058]图3是根据本申请一些实施例所示的计算加密分类超平面参数的示例性流程图，机模型参数的初始化包括加密的拉格朗日乘子E'(a)和加密的支持向量E'(sv)。加密拉格i)＞E'(0)，则将数据点E'(xi)加入支持向量集合E'(sv)。如果E'(ai)≤E'jjjj将E'(1)与进行同态减法运算，得到具体[0067]公式中的表示更新前的拉el)i将E'(η×yi×εi)的yi次方与el")进行同态乘法运算，得到更新后的拉i[0069]E'(sv)＝{E'(xi)|E'(ai)＞E'(0)}，具体更新步骤如下：对于每个数据向量E'于后续的模型参数计算。同态拉格朗日乘子更新和加密支持向量更新的过程充分利用了(ΔW)和加密阈值E'(ε)的大小关系，可以利用Paxiiis为任意一个支持向量xs的标签，∑表示对所有E'(b)的计算过程也完全在密文域进行，利用了Paillier加密的同态加法、减法和乘法特[0077]通过计算加密权重向量E'(W)和加密偏置项E'(b)，得到了完整的加密分类超平[0078]图4是根据本申请一些实施例所示的获取加密后的本地参数的示例性流程图，在损失函数L求梯度得到：gnan=VL(sv,w,b),v表示梯度算子，用于计算函数在某点的[0083]对本地梯度和正则化项进行裁剪，为了满足差分隐私的要求，需要对本地梯度度glocal添加拉普拉斯噪声：表示从拉普拉斯分布中采声：类似地，对rlocal添加拉普拉斯噪声，得到噪声化的正则化项和噪声化的正则化项rnoise更新本地支持向量机模型的参数。对支持向量sv进行更新：开销。[0090]生成随机置换函数π,云端使用安全的随机数生成器，择聚合发起方并随机排列参与方序号，云端从m个参与方中随机选择一个参与方作为聚合随机排列。i_1个参与方的加密参数进行同态求和，得到第i轮的部分聚合结果E'(SVi)、E'(Wi)和[0097]云端对完整聚合结果进行随机置换，云端对第i轮的完整聚合结果E'(SVi+1)、E'(Wi+1)和E'(Bi+1)进行加密后的随机置换，得到置换后的聚合结果E'(SVi+1_perm)、E'[0100]云端将置换后的聚合结果发送给下一个参与方，云端将置换后的聚合结果，E'换步骤，直至最后一个参与方Pm完成聚合，得到置换后的全局支持向量机模型参数E'用户准备待预测的数据，发起预测请求。用户加密待预测数据并上传至云端，用户使用构成800x30的数据矩阵X2和1200x30的数据矩阵X3。医院H2和H3分别生成公私钥对(pk2，