[发明专利]一种非交互式的隐私保护逻辑回归联邦训练方法及系统

权利要求书

1.一种非交互式的隐私保护逻辑回归联邦训练方法，其特征在于，所述非交互式的隐私保护逻辑回归联邦训练方法包括以下步骤：

步骤一，系统初始化与数据归一化；

步骤二，数据预处理和本地训练数据加密；

步骤三，密文训练数据聚合与解密；

步骤四，逻辑回归训练与测试；

步骤一中，所述系统初始化与数据归一化，包括：

可信机构生成系统所需的安全参数和Paillier加密系统所需的安全参数，并为数据拥有者和云服务提供商计算生成所需的密钥；

可信机构将生成的Paillier加密系统公钥进行拆分，为各个数据拥有者生成分布式数据加密密钥；根据Paillier加密系统私钥和系统安全参数，为云服务提供商生成聚合数据解密密钥；

可信机构接收来自所有数据拥有者的本地最值数据，然后计算出全局最值数据加噪处理之后返回给数据拥有者，数据拥有者使用全局最值数据对本地数据进行归一化处理；

步骤一中，所述系统初始化与数据归一化，还包括：

(1)可信机构执行KeyGenerate(κ)算法为数据拥有者以及服务提供商生成计算所需密钥，包括：

1)可信机构选择一个安全参数α和两个大素数p，q；其中|p|＝|q|＝α；

2)可信机构用参数计算出公钥N＝pq，私钥λ＝lcm(p-1，q-1)然后可信机构选择一个生成器g，g＝-a^2N；其中，a是一个中的随机数；

3)生成加密密钥(N，g)和解密密钥(φ(N)，μ)；

(2)数据拥有者统计所采集本地训练数对所有属性的最大值和最小值，生成向量：

并将其发送给可信机构；

假设存储在数据拥有者的本地数据集表示为：

其中，表示训练样本属性向量，y^(ik)为目标向量，n⁽ⁱ⁾表示属于数据拥有者采集到的样本个数；

(3)可信机构在收到所有数据拥有者提交的向量之后，对中各属性进行比较，提取全局属性的最大值和最小值，并生成向量和

(4)可信机构在在x^(max)和x^(min)加入扰动如下：

并将扰动之后的数据返回给数据拥有者；

(5)各数据拥有者在收到＜x^(max)，x^(min)＞之后，通过计算对本地数据集进行归一化处理；其中，j＝1，…，d，k＝1，…，n⁽ⁱ⁾；

步骤二中，所述数据预处理和本地训练数据加密，包括：

所有数据拥有者将归一化的本地数据进行处理，生成本地训练数据；所有数据拥有者使用分布式数据加密密钥对本地训练数据进行加密计算，得到密文本地训练数据，并将密文本地训练数据发送给云服务提供商；

步骤二中，所述数据预处理和本地训练数据加密，还包括：

(1)在进行数据归一化之后，各数据拥有者对本地训练数据集进行预处理；假设中每一个训练样本表示为向量数据拥有者首先将X^(ik)扩展成为如下(d+1)×(d+1)的矩阵：

之后，从k＝1到k＝n⁽ⁱ⁾；

(2)数据拥有者对所得到的矩阵进行求和计算并将求和结果M⁽ⁱ⁾作为本地训练数据；

(3)在生成本地训练数据M⁽ⁱ⁾后，针对M⁽ⁱ⁾中的每一个元素a⁽ⁱ⁾∈M⁽ⁱ⁾，数据拥有者执行Encrypt(a⁽ⁱ⁾)对其进行加密操作，最终数据拥有者得到密文本地训练数据并将其发送给云服务提供商；

步骤三中，所述密文训练数据聚合与解密，包括：

云服务提供商接收所有来自数据拥有者的密文本地训练数据，并对其进行聚合计算，生成密文全局训练数据，云服务提供商使用聚合数据解密密钥对密文全局训练数据进行解密，得到全局逻辑回归训练数据；

步骤三中，所述密文训练数据聚合与解密，还包括：

(1)当云服务提供商收到所有m个数据拥有者的密文本地训练数据之后，针对中的所有元素云服务提供商执行聚合操作即计算：

其中，⊙代表矩阵的Hadamard乘积；

(2)对中的每一个元素云服务提供商执行机密操作云服务提供商得到全局训练数据M；使用AX_jj′以及AY_j，j＝0，…，d，j′＝1，…，d来表示M中的元素；云服务提供商得到：

AX₀＝(n，AX₀₁，…，AX_0d)；

AX_j＝(AX_0j，AX_j1，…，AX_jd)；

(3)在得到全局训练数据M之后，云服务提供商可通过以下公式训练全局逻辑回归模型：

(4)云服务提供商最终得到高效的模型，并进行模型精度的测试；

步骤四中，所述逻辑回归训练与测试，包括：

云服务提供商利用所得的全局逻辑回归训练数据进行训练，得到全局逻辑回归训练的模型，并对得到的模型进行精度测试。