[发明专利]基于NTRU同态加密的数据隐私保护深度学习方法

说明书

本发明公开了基于NTRU同态加密的数据隐私保护深度学习方法。本发明采用一种NTRU同态加密的方法来加密深度学习中感知器学习过程中的训练数据、测试数据、标签值以及权重向量，并在这些数据加密的情况下来训练预测模型，确保用户数据的隐私性和安全性。这种同态加密技术相比于一般同态加密技术因其所用多项式次数较低而具有较好的实用性，基于这种隐私保护下的感知器学习可以推广到多层的神经网络，实现深度学习过程中的数据隐私保护。

技术领域

本发明涉及数据隐私保护深度学习领域，尤其涉及一种基于NTRU同态加密的数据隐私保护深度学习方法。

背景技术

机器学习中的多层神经网络的层与层之间的感知器有连接，而层内之间的感知器没有连接。如图2所示，最左边的层叫做输入层，这层负责接收输入数据；最右边的层叫输出层，我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层。隐藏层比较多(大于2)的神经网络叫做深度神经网络。而深度学习，就是使用多层神经网络架构的机器学习方法。

深度学习是为了让层数较多的多层神经网络可以训练、能够进行模式发现进而理解世界演化出来的一系列的新的结构和新的方法。为使得深度学习更好的工作，必须训练大量数据；但大量数据例如交通数据、医疗保健数据等等包含大量的敏感隐私信息，如不妥善保护，则那些敏感信息有可能被非法利用，进而引起大的经济损失或负面的社会影响。所以，如何保护数据隐私是深度学习必须解决的重要问题。

同态加密被用来解决上述问题。然而，目前较多的同态加密方案的在深度学习中最大问题是实用性问题，例如基于大整数或理想格的同态加密。而基于NTRU的同态加密方案是一种较高效的公钥加密方案，且因为其多项式次数较低而具有较好的实用性。

发明内容

本发明针对现有深度学习过程中的数据隐私保护需求，提供了一种基于NTRU同态加密的数据隐私保护深度学习方法。

本发明采用的技术方案为：

基于NTRU同态加密的数据隐私保护深度学习方法包括以下步骤：

步骤1、数据存储中心运行密钥生成算法Keygen(1^κ)产生公私钥对

其中h为生成的公钥，f为生成的私钥，q为素数,q＝q(κ),κ为安全参数；f＝2f＇+1，且在R_q上存在逆元f^-1，f＇是简单多项式，g←χ；χ＝χ(κ)是基于环上的误差分布，φ(x)∈Z[x]是次数为n＝n(κ)的多项式，g为自于χ的取样。

步骤2、数据存储中心利用公钥pk_x、pk_y、pk_w分别加密收集到的用户数据x、对应数据的标签y以及初始化的权重向量w，并将这些加密数据上传到数据计算中心；

其中i表示第i个用户，j表示第j个属性，s、e都是自于χ的取样。

步骤3、数据计算中心在接收到上述加密数据之后根据错误程度进行权重向量的调整，直到权重向量不再发生变化为止

其中η∈(0,1]表示学习率。

步骤4、数据计算中心把最后一次更新的权重向量结果返回给数据存储中心。数据存储中心利用私钥f_x、f_y、f_w分别对加密的权重向量解密，作为深度学习感知器的预测模型。