[发明专利]基于神经网络激活单元的云外包数据加解密方法

说明书

本发明公开一种基于神经网络激活单元的云外包数据加解密方法，使用同态DT‑PKC加密算法对请求服务的用户云外包数据进行隐私保护，通过云服务器CP和服务提供商SP交互，对激活单元采用分段点泰勒级数的多项式近似拟合，对激活单元的密文生成采用齐次化思想，生成准确且隐私保护的云外包数据在激活单元的修正密文。本发明利用同态DT‑PKC加密算法对请求服务用户云外包数据加密，保护了云外包数据和云外包数据在激活单元生成结果的隐私性，利用SAC协议生成激活单元的待修正密文，利用齐次化算法生成激活单元的修正密文，保护了云外包数据在激活单元生成结果准确性。

技术领域

本发明属于计算机技术领域，更进一步涉及电数字数据处理技术领域中的一种基于神经网络激活单元的云外包数据加解密方法。本发明可用于对云外包数据进行加解密。

背景技术

用户云外包数据是指隐私型询问服务数据，例如，医疗疾病预测神经网络服务领域的用户个人隐私数据询问服务的数据。当用户上传的云外包数据到神经网络服务提供商，为了解决本地数据存储和计算资源受限的问题，服务提供商通常将部分计算迁移到不可信的云服务器上，云服务器可能好奇甚至利用云外包数据中的隐私数据，将隐私数据暴露给不法商家，造成泄密。同态密码技术是实现云外包数据隐私保护的常用技术，具有同态性质的加密方案可以在密文上对云外包数据进行操作，从而避免用户隐私数据泄漏。

Xindi Ma等人在其发表的论文“PDLM:Privacy-Preserving Deep LearningModel on Cloud with Multiple Keys”(IEEE Transactions on Services Computing(Early Access)，05 September 2018，Page(s):1-1)中公开了一利用DT-PKC加密方法对云外包数据进行加密的方法。在该方法中，用户分别用自己的密钥加密外包数据，上传至服务提供商进行模型的训练，云服务器辅助服务提供商计算，云外包数据在激活单元的生成采用零点泰勒级数的近似多项式生成，然后通过云外包数据的密文进行对应的同态计算，最终得到云外包数据在激活单元生成的密文结果。该方法虽然实现了云外包数据在激活函数单元输出结果的隐私性，但是，该方法仍然存在两点不足之处：其一，该方法中对激活单元的处理统一用了零点泰勒级数的近似多项式拟合，而泰勒级数在零点展开只能在零点的小范围内准确拟合，并不能适应整个输入云外包数据的范围。其二，同态加密算法只支持明文为整数的加密，激活单元的输入云外包数据是扩大成整数后加密上传给云服务器的，而激活单元的近似多项式系数存在小数并且自变量并不是扩大后的整数值，这样密文进行对应激活单元同态生成时，即使对系数做整数处理加密，因为多项式自变量高次幂的存在，生成的对应密文结果会出现错误。可见，以上的两个不足都会直接导致云外包数据在激活单元生成结果的准确性。

韩琳在其申请的专利文献“一种神经系统疾病的医疗智能诊断系统建立方法”(专利申请号：2020102813308，申请公开号：CN111383760A)中公开了一种基于神经网络疾病诊断的用户云外包数据方法。该方法通过用户将包含了身体健康状况的敏感云外包数据不做预处理，直接上传给服务提供商，通过神经网络提供的大数据疾病筛查服务，对用户的云外包数据做早期筛查和诊断，最后服务提供商将云外包数据在神经网络生成的隐私结果不作处理，直接返回给用户。虽然该方法实现了云外包数据在神经网络激活单元准确生成结果。但是，该方法仍然存在两点不足之处：其一，用户的图形数据不经过任何预处理直接上传给服务提供商，这些数据包含了用户身体健康状况的敏感数据，用户可能并不想让这些隐私信息暴露。其二，神经网络的生成结果也是透明的诊断结果，诊断结果直接暴露会对用户的信息隐私造成影响，作为神经网络重要的激活单元的生成，中间生成结果同样会暴露信息的部分隐私。以上的两种不足都会导致云外包数据上传过程的隐私性和云外包数据在神经网络激活单元生成结果的隐私性问题。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种基于神经网络激活单元的云外包数据加解密方法，用于解决现有技术中存在的云外包数据上传过程的隐私性以及云外包数据在神经网络激活单元生成结果的准确性和隐私性问题。