[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

说明书

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，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过程中，保证发起查询方与云端设备是被模型的可信交互，确保云端对数据从加密到解密之间的交互过程中对原始数据的不可见性。

技术领域

本发明涉及数据安全技术和工业控制技术领域，具体而言，涉及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。

背景技术

由于解密的高度复杂性，同态加密可以有效的保护敏感数据不被解密和窃取，在深度学习中，同态加密为模型提供了对加密数据进行预测的能力，故主要用于保护预测输入和结果。

Phong等人提出了一个隐私保护深度学习系统，使用异步随机梯度下降应用于神经网络连接深度学习和密码学，并结合了同态加密技术(Le Trieu Phong,YoshinoriAono,Takuya Hayashi,Lihua Wang,Shiho Moriai.Privacy-Preserving Deep Learningvia Additively Homomorphic Encryption.IEEE Transactions on InformationForensicsSecurity,2018)。Orlandi等人提出在将激活函数的评估委托给客户端之前,对标量积结果进行隐藏,并在神经网络的结构中添加了一些假神经元,可以起到模型不被窃取的作用(Orlandi C,Piva A,Barni M.Oblivious Neural Network Computing viaHomomorphic Encryption.Eurasip Journal on Information Security,2008)。Aslett等人提出了对加密数据实施统计机器学习的方法，并对20多个数据集实施了极其随机的森林和朴素贝叶斯分类器(L.J.M.Aslett,P.M.C.C.Holmes, Encryptedstatistical machine learning:new privacy-preserving methods.CoRR,2015)。Zhang等人提出使用 BGV加密方案来有效支持高阶反向传播算法的安全计算，以便在云上进行深度计算模型训练。Liu等人提出了MiniONN，这是一个支持隐私保护的神经网络，并确保服务器不了解输入，客户端不了解模型.其主要思想是允许服务器和客户端为神经网络的每一层额外地共享输入和输出值(Jian Liu,Mika Juuti,Yao Lu,N.Asokan.Oblivious NeuralNetwork Predictions via MiniONN Transformations.Acm Sigsac Conference，2017)。Hesamifard等人开发了CryptoDL，用于在加密数据上运行DNN，他们在CNN中利用低次多项式设计一个近似函数，然后用近似多项式代替原始的激活函数来训练CNN，最后在加密数据上实现CNN(Hesamifard,Ehsan,Takabi,Hassan,Ghasemi, Mehdi.CryptoDL:Deep NeuralNetworks over Encrypted Data)。