[发明专利]一种Paillier解密系统、芯片和方法

说明书

本申请涉及一种Paillier解密系统、芯片和方法。该芯片包括：模幂计算模块，用于实现与第一子项相关的模幂计算并输出第一子项的模幂计算结果以及用于实现与第二子项相关的模幂计算并输出第二子项的模幂计算结果，密文数据的Paillier解密过程按照中国剩余定理被拆分成第一子项和第二子项，第一子项对应第一素数，第二子项对应第二素数，密文数据的公钥是第一素数和第二素数的乘积；与第一子项对应的第一模块组合，用于根据第一子项的模幂计算结果确定第一子项的计算结果；以及与第二子项对应的第二模块组合，用于根据第二子项的模幂计算结果确定第二子项的计算结果。如此大幅缩减运算位宽并提高大整数位宽复杂运算的速度。

技术领域

本申请涉及数据安全和隐私保护技术领域，具体涉及一种Paillier解密系统、芯片和方法。

背景技术

随着人工智能和大数据挖掘分析等应用领域的发展，对数据量的需求越来越大。例如训练人工智能的应用模型需要使用大量带有合适的数据标签或者特征数值的训练数据。高质量的数据往往来源于经营活动中产生和积累的应用数据。但是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。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。随着数据所有权的重要性、用户隐私和数据安全等受到更多重视，也随着法律法规对数据收集处理提出更严格的约束和要求，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。联邦学习指的是拥有数据的各个参与方，在不共享受保护的隐私数据且自有数据不传递到外部的前提下，通过加密的方式交换模型相关信息从而实现协同优化联邦学习模型。其中，联邦学习根据训练数据在不同参与方之间的数据特征空间和样本空间的分布情况，可以划分为在数据特征空间重叠较大而在样本空间重叠较小的横向联邦学习，在数据特征空间重叠较小而在样本空间重叠较大的纵向联邦学习，以及在数据特征空间和样本空间均重叠较小的联邦迁移学习。

在联邦学习相关应用场景中，拥有数据的各个参与方通过隐私保护技术来保护数据安全和用户隐私，例如采用同态加密方法对原始数据也叫明文进行加密后再将加密后的密态数据也叫密文用在模型训练、梯度计算、参数计算等。同态加密方法允许直接在密文上进行代数运算等有效操作例如加法运算和乘法运算，并且直接对密文进行计算的结果等效于解密后对明文进行计算的结果，从而仅根据公钥和密文进行计算而无需知道密钥。一种常见的同态加密方法是Paillier算法。Paillier算法满足加法同态和数乘同态，在数据加密和隐私保护方面有很高的安全性并获得了广泛的应用。但是，Paillier算法涉及大整数位宽的模幂运算、模乘运算和除法运算等，并且数据的位宽可以是1024比特、2048比特、4096比特或者更大的位宽，而现有的基于指令集体系的中央处理器（Central ProcessingUnit，CPU）和图形处理器（Graphics Processing Unit，GPU）均无法很好应对Paillier算法的需求。为此，需要一种Paillier解密系统、芯片和方法，能够应对Paillier算法所涉及的大整数位宽的各种运算操作并具有良好的运算性能和较低能耗。

发明内容

本申请实施例为了解决能够应对Paillier算法所涉及的大整数位宽的各种运算操作并具有良好的运算性能和较低能耗这一难题，通过提供了一种Paillier解密系统、芯片和方法，从而实现了大幅缩减运算位宽，有利于提高大整数位宽的复杂运算的速度。