[发明专利]一种基于同态加密的隐私保护设备识别模型设计及使用方法

权利要求书

1.一种基于同态加密的隐私保护设备识别模型设计方法，其特征在于，

收集训练基于同态加密的隐私保护设备识别模型所需要的设备指纹特征，将卷积神经网络(CNN)用于使用同态加密的设备识别模型的训练；

在训练中，所述卷积神经网络(CNN)包括：输入层、卷积层、激励层、池化层、全连接层和输出层；

所述输入层，用于输入收集训练模型所需要的设备指纹特征，包括粗粒度特征和细粒度特征；

所述卷积层，用于从数据中学习特征，取输入层输出的一个子集进行计算，此步骤仅包括加法和乘法，通过同态加密机制对加密数据进行计算；

所述激励层，使用模拟激励函数的导数的方法得到激励函数的多项式逼近，从而将同态加密方案使用到所述激励层的计算过程中；

所述池化层，用于从数据中进行子采样并减小处理数据的长度，具体的，采用平均池化的放大版本，计算所有值的总和，但不用进一步其除以值的数量，这一步骤可以通过加法来实现平均池化，不会影响算法的深度；

所述全连接层，用于将全连接层中的每个神经元都连接到所述池化层中的所有神经元，每个连接都由一个称为权重的值表示，在整个池化层上每个节点输出一个加权和，满足同态加密方案的加法操作要求。

2.根据权利要求1所述的基于同态加密的隐私保护设备识别模型设计方法，其特征在于，

在所述输入层中，所述粗粒度特征指设备类型，设备品牌，设备型号和固件版本号，设备所使用的端口号，细粒度特征指设备通信所使用的TCP协议的报头字段中的协议报头长度字段Len，首次等待超时时间字段RTT，报头可选项TCP Segment以及报文最长等待时间RTO。

3.根据权利要求1所述的基于同态加密的隐私保护设备识别模型设计方法，其特征在于，

所述卷积层的所用同态加密机制为DGHV全同态加密算法。

4.根据权利要求1所述的基于同态加密的隐私保护设备识别模型设计方法，其特征在于，

在所述激励层中，模拟激励函数为ReLU(Rectified Linear Unit)函数，使用ReLU可以一定程度减小运算量，避免层数增加的问题，其公式如下：

ReLU函数的导数类似于Step函数，并且在0点处是不可微的，其求导后公式如下：

如果函数是连续且无穷微分的，则可以比非连续或非无限微分函数更精确地近似它，之后对得到的近似多项式进行积分，从而将其用作激励函数。

5.根据权利要求1所述的基于同态加密的隐私保护设备识别模型设计方法，其特征在于，

所述池化层能够从数据中进行子采样并减小处理数据的长度。

6.一种根据权利要求1-5中任意一项所述的基于同态加密的隐私保护设备识别模型设计方法所设计的基于同态加密的隐私保护设备识别模型的使用方法，其特征在于，包括如下步骤：

步骤(1)，将通过上述训练得到的基于同态加密的隐私保护设备识别模型部署在云端；

步骤(2)，当需要进行设备识别时，使用同态加密算法对设备特征数据加密后发送到云端；

步骤(3)，当云端在收到该加密的特征数据后，将加密数据直接输入到云端的同态加密设备识别模型中；

步骤(4)，云端将加密预测结果传输至发起查询端；

步骤(5)，发起查询端收到云端返回的预测结果。

7.根据权利要求6所述的基于同态加密的隐私保护设备识别模型的使用方法，其特征在于，

在步骤(1)中，由于该设备识别模型是被同态加密的，模型训练的具体方式和参数信息都不会被泄露。

8.根据权利要求6所述的基于同态加密的隐私保护设备识别模型的使用方法，其特征在于，

在步骤(2)中，在传输过程中的所有数据都是同态加密后的，即使在传输过程中被截获也不会被轻易破解。