[发明专利]基于安全多方计算的键值对模型安全训练与推理方法

说明书

本发明属于网络空间安全技术领域，具体为一种基于安全多方计算的键值对模型安全训练与推理方法。本发明基本步骤为：对常用的键值对模型如决策树模型以及基本数理统计模型的训练和推理中的计算进行抽象，设计统一的键值对数据查询和计算原语；对上述模型的训练和推理算法设计安全且高效的计算机制，并构建出相应的计算流图，结合上述键值对原语，依据上述计算流图的拓扑排序结果进行驱动计算。本发明的优点在于：抽象统一的键值对查询和计算协议，支持任意定制化的键值对模型算法；优化实现的训练和推理机制具备更高的运算效率；结合秘密共享协议进行设计实现，确保输入数据的隐私安全。

技术领域

本发明属于网络空间安全技术领域，具体涉及一种基于安全多方计算的键值对模型安全训 练与推理方法。

背景技术

在互联网技术与信息技术高速发展的现在，人们已经逐渐步入了大数据时代，数据作为这 个时代重要的资源，如何合理并充分地发挥它的价值是当今时代的一个重要课题。通常，高效 安全的数据共享可为生产者(数据的利用者)供应大量并且及时的高价值数据，有效支撑社会 生产和生活，因而是当前数据作为生成要素时代的关键核心技术，亟待深入研究以突破其技术 瓶颈。然而目前绝大多数企业和组织考虑到数据安全和个人隐私等问题，对数据共享都十分地 谨慎，甚至内部数据都是不对外开放的，从而产生了一个个数据孤岛，导致数据的价值无法得 到充分的体现。针对当前存在的“数据孤岛”现象，安全多方计算(Secure Multi-party Computation，简称MPC)[1]提供了一种解决方案，为实现数据的可控共享做出了重大贡献。

安全多方计算问题首先由华裔计算机科学家、图灵奖获得者姚期智于1982年提出，以著 名的百万富翁问题来进行说明，即两个百万富翁在不泄露自己的真实财产的情况下比较谁更有 钱。姚氏“百万富翁问题”后经O Goldreich、Micali以及Wigderson等人的发展，成为现代 密码学中非常活跃的研究领域。安全多方计算使得一组互不信任的参与方，可以在不依赖可信 第三方而安全地计算一个约定好的函数，并且不泄露结果以外的信息，包括参与方的持有的原 始数据以及可能包含原始数据信息的中间计算结果。安全多方计算有许多底层协议，例如同态 加密、混淆电路和秘密共享，每一种都有它的优缺点。

常用的键值对模型如：1.决策树模型；2.基本数理统计模型。这类模型的学习过程都可以 看作是对特定键的查询和对相应值的计算的顺序操作；

(1)决策树模型：决策树模型目前在各种各样的领域被广泛地使用。它是一种可解释的、 类树的、白箱模型。一个决策树主要包括两种节点：将特征值与该节点上的阈值进行比较的内 部节点；表示类标签的终点的叶子节点。在一个分类决策树中，预测结果本质上是由在内部节 点上的特殊键的请求和比较和在叶子节点上获取分类信息的最终请求组成的。决策树模型的优 点是浅层模型在视觉上非常直观，易于解释；对数据的结构和分布不需要做任何假设；可以捕 捉变量间的相互作用；

(2)基本数理统计模型：该模型主要包含两种基本的预测模型：频率预测和均值预测。 公式如下：

这两个模型以键值对为输入，输出这些数据的统计学结果。

我们的协议是基于BGW协议的多项式秘密共享，该协议的基础代数计算部分包括线性运算、 乘法、和比较计算：

(1)线性运算：[z]←a[x]+[y]。由于秘密共享的加性同态，两个秘密共享的加和以及 常数乘法可以在本地进行运算；

(2)乘法：[z]←[x]*[y]；该计算需要通信来完成多项式的降次。此外由于我们在定点 数的表示上使用了f位精度，在乘法完成后，该精度会翻倍变为2f，因此需要对额外的f个比 特进行截断；

(3)比较：[z]←[x]？[y]。实现了LTZ和EQZ协议来用于判断[x]与[y]之间的大小关系。

发明内容