[发明专利]用于隐私计算的联邦学习加速器和RSA交集计算方法

说明书

本申请涉及一种用于隐私计算的联邦学习加速器和RSA交集计算方法。所述方法包括：从数据存储模块中读取用户数据；生成RSA公钥和RSA私钥；接收随机数YA；根据随机数YA和RSA私钥生成随机数ZA；根据用户数据和RSA私钥生成随机数ZB；和接收随机数DA和随机数ZB的RSA交集。加速器包括模乘计算单元和模幂计算单元，加速器根据输入数据的数据标签而选择性地调用模乘计算单元或者模幂计算单元。模幂计算单元包括多个并行连接的模幂计算引擎用于对输入数据进行并行模幂运算。

技术领域

本申请涉及电子技术领域，具体涉及一种用于隐私计算的联邦学习加速器和RSA交集计算方法。

背景技术

随着大数据分析和人工智能技术的发展，对高质量标签数据的需求越来越大。例如，对神经网络进行训练以及进行数据挖掘都需要用到海量带有标签的数据。而这些带标签的数据往往来源于日常生活经营活动而产生和积累的应用数据。应用数据往往分散在不同的组织和个体手上，例如交易数据分散在各个金融机构，医疗诊断数据分散在各个医疗机构。另外跨行业跨领域的应用数据往往也是分散的，例如互联网领域的社交属性数据和电商交易数据往往由不同实体掌控。出于保护自身商业利益的目的，也基于数据安全、用户隐私保护以及各行业的政策法规标准不一等考量，掌握应用数据的各个组织或个体往往不愿意或者没有合适手段进行彼此之间的合作，从而很难让各自掌握的应用数据共同发挥作用。这种数据分享和协同合作方面的困境被称之为数据孤岛现象。为了解决跨行业跨组织的数据合作难题，尤其是关键的隐私保护及数据安全的问题，提出了联邦学习的概念。

联邦学习指的是联合不同参与者进行机器学习建模的方法。联邦学习打破了数据孤岛的现象，保证了协同合作中数据的安全性、私密性和合法性。联邦学习的原理基于RSA加密算法和哈希(HASH)加密解密，使得参与者安全地获取私有数据交集，解决不同数据拥有方数据隐私保护和数据匹配的问题，从而帮助至少两方找到相同的用户id同时不会将一方所有的用户id泄漏给另一方，因此不同参与者可以获取相同用户id的信息进行训练而又不会暴露各自拥有的不同的用户id的信息。

现有技术中，由于联邦学习需要用到大量的RSA加密算法的相关运算，而实际应用场景又往往涉及非常多的参与者和各自拥有的海量数据，如此使得RSA运算相关的数据量达到数亿的数量级。通用型的处理器或者运算装置处理如此大量的数据往往耗时久，负载大，难以满足实际应用的需求。因此，需要一种技术方案来满足联邦学习下快速高效处理跟RSA加密算法相关的海量数据的要求。

另一方面，因为海量应用数据分散在不同行业不同企业和不同个体，现有技术中的隐私保护技术难以满足如此复杂的环境下数据分享和协同合作方面的隐私保护需求，因此需要适用于隐私计算框架下的联邦学习加速器，特别是能高效快速处理RSA交集计算需求的加速器。

发明内容

本申请的目的在于提供一种用于隐私计算的联邦学习加速器。所述加速器包括：模乘计算单元，其中，所述模乘计算单元用于运行模乘运算；模幂计算单元，其中，所述模幂计算单元用于运行模幂运算，所述模幂计算单元包括第一层数据分发模块，第一层数据合并模块和并行连接于所述第一层数据分发模块和所述第一层数据合并模块之间的多个第一层模幂计算引擎；和控制器。其中，所述控制器用于：根据输入数据的数据标签而选择性地调用所述模乘计算单元或者所述模幂计算单元；当所述模幂计算单元被调用时，根据所述输入数据调用所述多个第一层模幂计算引擎的一个或多个；根据所调用的第一层模幂计算引擎的个数，通过所述第一层数据分发模块，将所述输入数据转换成由多个第一层数据组成的第一层数据组，所述多个第一层数据的总数与所调用的第一层模幂计算引擎的总数相同；将所述第一层数据组的所述多个第一层数据分发给所调用的第一层模幂计算引擎进行并行运算；以及通过所述第一层数据合并模块，将所调用的第一层模幂计算引擎的输出合并后得到输出数据。如此，通过选择性地调用所述模乘计算单元或者所述模幂计算单元以及将所述第一层数据组的所述多个第一层数据分发给所调用的第一层模幂计算引擎进行并行运算，从而实现了将RSA有关的运算拆解成不同运算类型并针对性地配置特化型的计算单元，有利于高效高质量处理海量数据和提高运算效率。