[发明专利]一种岭回归训练方法、计算设备、介质

说明书

本发明公开了一种岭回归训练方法，包括步骤：参数初始化，生成系统公共参数，生成各参与方的公私钥对，计算重加密密钥；接收训练请求时，计算联合公钥，用联合公钥加密私有数据，生成密文一；利用两阶段的解密机制，结合密文重加密技术，对密文一进行部分解密和重加密，生成密文二；通过DR对密文二进行解密，得到模型的最终训练结果。本发明用到ElGamal加法变体方案，结合密文重加密技术，保证数据资源在合作过程中的机密性的同时精简计算，提高计算速度的同时降低计算成本。

技术领域

本发明涉及数据安全与隐私保护领域，特别涉及一种基于多源数据隐私保护的岭回归训练方法、计算设备、介质。

背景技术

近年来，大数据技术和人工智能正处于高速发展阶段，我们在日常生活中无时无刻不享受着大数据技术所带来的便利。然而，在享受这些便利的同时，伴随的是用户隐私数据的泄露，这些数据在无形之中被各企业所共享，换言之，我们其实是在牺牲隐私换取便利。用户隐私数据的泄露将会给用户造成很大的困扰，在大数据时代也愈发重视保护个人数据的隐私。常用的数据安全技术便是加密技术，将用户的私有数据加密后再存储在云端，数据加密技术能够防止数据的泄露，然而，普通的加密技术只能保证数据不会被泄露出去，却丧失了数据的可用性。

机器学习需要大量数据来训练更准确的模型，也就意味着用户经常需要把与个人隐私相关的数据上传到机器学习云服务器上进行训练，这就是正在大肆兴起的机器学习即服务(MLaaS)。目前，云服务提供商在MLaas方面发展迅速，但所有的训练数据都必须透露给执行该服务的操作人员，这个过程往往不能保证数据不会被第三方利用。

在密码学领域，同态加密和安全多方计算等密文计算方法为解决这个难题提供了一种有效的解决思路，利用同态密码学技术能够在加密的数据上执行一定的运算操作，并且等同于在明文上进行操作，即能够利用同态密码学构造在密文上训练机器学习模型的协议。但值得注意的是，全同态加密算法虽然支持在密文上进行任何运算，但由于效率低下的原因无法在现实场景中使用。而现有的很多技术虽然能够利用加法同态构造出密文上的机器学习训练协议，但由于执行算法的过程中用户与云服务器的交互次数太多，增加了方案的通信复杂度，使得整体机器学习的效率降低，还不能完全适用于现实场景，如Nikolaenko等人在2003年提出的基于Paillier和GC(使得开发人员能够使用基本的“异或”门、“或”门和“与”门来定义任意电路的基于Java的开源框架)的岭回归训练方案，由于使用了GC导致计算开销太大。在2005年Gascon等人也提出了一个基于垂直分区数据集的算法，但解决方案仍需要用到GC。参考文献：

[1]Nikolaenko V,Weinsberg U,Ioannidis S,et al.Privacy-PreservingRidge Regression on Hundreds of Millions of Records[C]//IEEE Symposium onSecurityPrivacy.IEEE Computer Society,2013.

[2]AdriàGascón,Schoppmann P,Balle B,et al.Privacy PreservingDistributed Linear Regression on High-Dimensional Data[J].Proceedings onPrivacy Enhancing Technologies,2017,2017(4):345–364.

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种岭回归训练方法，利用密文计算保障个人数据在加密服务提供商训练、流转过程中不泄露个人隐私，保证数据资源在合作过程中的机密性，同时精简计算，提高计算速度的同时降低计算成本。

本发明的目的通过以下的技术方案实现：

一种岭回归训练方法，包括如下步骤：