[发明专利]基于神经网络编码和保内积加密的数据检索方法及系统

说明书

本发明公开一种基于神经网络编码和保内积加密的数据检索方法及系统，所述方法包括：根据数据查询标签进行分类标签向量表示；以原始查询数据为输入、以分类标签向量为输出训练反馈神经网络模型，待模型收敛后，分别提取隐含层向量作为查询数据的特征向量和查询条件的特征向量；采用保内积加密方法分别对查询数据特征向量和查询条件的特征向量进行加密，得到安全查询索引和安全查询陷门；将安全查询索引和安全查询陷门进行相似度计算，将计算结果按降序进行Top K排序，反馈检索结果。本发明保障数据特征机密性的同时，实现数据安全共享和检索，可提供多类型、非结构化数据的相似性检索。

技术领域

本发明属于数据安全技术领域，具体涉及一种基于神经网络编码和保内积加密的数据安全共享检索方法及系统、设备、存储介质。

背景技术

近几年随着大数据、云计算技术的广泛应用，在云端提供大数据检索服务已成为常态，数据提供商将查询数据外包存储在云服务器上，通过租赁云服务来降低设备成本和运维成本，用户通过云服务接口输入查询条件检索查询数据。不同于传统意义上的仅针对文本、数值等数据通过精确匹配进行检索，大数据检索旨在通过机器学习等技术，对图像、文本等多类型、非结构化数据进行相似性检索。

然而，云计算服务往往由第三方提供，云平台自身开放、第三方等特性决定了云平台是半可信的，即云平台忠实地提供服务的同时也有可能造成数据资产被窃取或用户查询隐私泄露等数据安全问题，一旦发生信息安全事故，将会对数据提供商、云服务提供商、用户造成不必要的损失。

尽管已有一些学者针对云环境半可信问题提出了可搜索加密方案，通过对查询数据每个关键词进行加密，并对进行密文关键词检索，但传统可搜索加密技术仅能提供文本关键词或数值数据的精确匹配，难以提供相似性检索，不适用于多类型、非结构化数据的相似性检索。

发明内容

有鉴于此，本发明提出了一种基于神经网络编码和保内积加密的数据安全共享检索方法及系统、设备、存储介质，用于解决云计算服务难以提供相似性加密检索的问题。

本发明第一方面，公开一种基于神经网络编码和保内积加密的数据安全共享检索方法，所述方法包括：

根据数据查询标签进行分类标签向量表示；

以原始查询数据为输入、以分类标签向量为输出训练反馈神经网络模型，待模型收敛后，分别提取隐含层向量作为查询数据的特征向量和查询条件的特征向量；

采用保内积加密方法分别对查询数据特征向量和查询条件的特征向量进行加密，得到安全查询索引和安全查询陷门；

将安全查询索引和安全查询陷门进行相似度计算，将计算结果按降序进行Top K排序，反馈检索结果。

优选的，所述根据数据查询标签进行分类标签向量表示具体包括：

根据数据查询标签，设置分类标签集合，并采用一维向量表示，标签向量中每个维度表示一种查询标签，如果某条数据符合该查询标签，则将标签向量中该查询标签对应的维度设置为1，否则设置为0。

优选的，所述反馈神经网络模型包括输入层、隐含层、输入层，输入层接收查询数据，输出层对应分类标签向量，隐含层神经元数量为查询数据维度的每个神经元与输入层和输出层进行全连接；

所述反馈神经网络模型训练过程中，隐含层神经元采用公式进行前向计算，并采用公式ΔW＝α·X·y_i·(1-y_i)·(l_i-y_i)进行反向权重修正，权重W初始化采取随机初始化方式，值域范围为W～[0,1]。

优选的，待模型收敛后，分别提取隐含层向量作为查询数据的特征向量和查询条件的特征向量具体包括：

待反馈神经网络模型收敛后，输入查询数据X，提取隐含层向量作为查询数据的特征向量；