[发明专利]一种同态加密下神经网络构建方法、图像处理方法和系统

说明书

本发明提供了一种同态加密下神经网络构建方法、图像处理方法和系统，包括：获取预先训练的卷积神经网络模型输出所述卷积神经网络模型的网络参数；根据所述网络参数，在同态加密下对所述卷积神经网络模型进行转换，得到可识别多类型数据的卷积神经网络；其中，所述卷积神经网络模型是由用户层多个图像数据及其对应的分类结果训练得到的。本发明构建了一个可同时处理原始数据和同态加密的数据的可识别多类型数据的卷积神经网络，改善现有机器学习的弊端，提高预测准确率。

技术领域

本发明属于数据处理技术领域，具体涉及一种同态加密下神经网络构建方法、图像处理方法和系统。

背景技术

当前，随着人工智能技术在各个领域的应用与落地，机器学习即服务(MLaaS)由于其多功能性而变得流行。机器学习即服务工作在云端计算平台，用户需将自己的数据上传后，方可完成相关的分类与预测任务。由于机器学习相关算法与模型需要大量数据进行训练，而所需数据中又包含较多的个人隐私数据，同时其所涉及的领域众多，因此，机器学习即服务在使用中面临着严峻的数据安全问题。

同态加密是指具有特殊代数结构的一系列加密方案，该结构允许直接对加密数据执行计算而无需解密密钥，且得到的运算结果解密后与在明文上运算结果一致，同态加密是一项可以有效保护用户隐私的技术。虽然当前主流的同态加密框架已支持同态加法、同态乘法等，但在机器学习相关计算中，包括着梯度计算、指数运算等复杂操作，在一些场景下，同态加密后的数据也无法满足机器学习模型中的复杂运算。Graepel等讨论了使用同态加密进行机器学习的适当和不适当的场景,提供了线性均值分类器和线性判别分析两个例子，这两个例子均可以在同态加密中使用低次多项式来实现。Xie等使用加法同态加密方案来汇总一些中间统计数据，然而计算中间信息需要昂贵的计算成本。Crawford等在训练小型Logistic回归模型方面取得了良好的表现，但是他们的解决方案只允许计算特征非常少的数据。Kim等提出了一个基于有效近似算术同态加密的安全Logistic回归模型。Chen等在完全同态加密中应用了多位明文空间以及定点数编码，提出了基于SEAL库的加密Logistic回归模型。

尽管已有众多学者对机器学习与同态加密的结合进行了尝试，但在卷积神经网络方面却鲜有人涉及。且机器学习模型(卷积神经网络)只能处理原始数据或加密数据，不能同时处理两种数据。

发明内容

为克服上述现有技术的不足，本发明提出一种同态加密下神经网络构建方法，包括：获取预先训练的卷积神经网络模型输出所述卷积神经网络模型的网络参数；

根据所述网络参数，在同态加密下对所述卷积神经网络模型进行转换，得到可识别多类型数据的卷积神经网络；

其中，所述卷积神经网络模型是由用户层多个图像数据及其对应的分类结果训练得到的。

优选的，所述根据所述网络参数，在同态加密下对所述卷积神经网络模型进行转换，得到可识别多类型数据的卷积神经网络，包括：

根据所述卷积神经网络模型中的图像数据，对所述卷积神经网络模型的输入层进行转换；

根据所述卷积神经网络模型中的网络参数，对所述卷积神经网络模型的卷积层进行转换；

根据所述卷积神经网络模型中的网络参数，对所述卷积神经网络模型的池化连接输出层的激活函数进行转换；

在同态加密下根据所述输入层、所述卷积层和所述池化连接输出层的激活函数的转换的结果，得到可识别多类型数据的卷积神经网络。

优选的，所述输入层转换计算式如下：

其中，x为图像数据信息的输入，sign(x)为输入层转换后的图像数据信息。

优选的，所述卷积层转换计算式如下：