[发明专利]一种安全高效的委托隐私数据类别预测的方法

说明书

本发明涉及一种安全高效的委托隐私数据类别预测的方法，利用给定的分类器在隐私数据上进行类别预测，获得多个分类器在多份隐私数据上的类别预测结果Y，设多个分类器的模型参数组成矩阵F，委托者的多份隐私数据组成矩阵X，其特征在于，计算FX同时得到多个分类器在多份隐私数据上的类别预测结果，此时，矩阵F和矩阵X看作矩阵乘法运算中的函数和输入。本发明提供了一个可以同时满足数据隐私性、公开可验证性和基于实验的高效性的隐私数据类别预测的委托计算方法。当矩阵尺寸大于10000时，在实验数据中可以观察到委托者在委托计算之后的运行时间小于直接计算所需的时间。

技术领域

本发明涉及一种委托隐私数据类别预测的方法。

背景技术

机器学习分类器在实际生活中有广泛的应用，例如医学或基因组预测、垃圾邮件检测、面部识别和财务计算等，这些应用中涉及大量隐私数据，需要在预测时进行保护。大部分的分类器(例如：感知器、支持向量机)的类别预测过程都可以大致看作矩阵乘法运算。因此该预测过程复杂度较高，对于计算资源有限的设备(例如物联网客户端)是沉重的计算负担。委托计算作为一种新的计算模式解决了这个问题，它允许计算资源有限的设备将计算委托给资源丰富的设备(例如云服务器)。

委托计算在避免委托者参与复杂计算问题、提高计算效率的同时，也带来了挑战。委托计算面临的主要挑战有：委托者的隐私信息可能被恶意攻击者获知；被委托者可能为了减少工作量或与恶意攻击者串通返回错误的计算结果；委托者在委托计算之后的运行时间可能大于直接计算所需的时间。设计一个可以应对所有挑战的矩阵乘法委托计算方案具有重要的应用价值。

现有的隐私数据类别预测的委托方案无法同时应对所有挑战，即提供以下重要特性：1)数据隐私性：在保护委托者隐私信息方面达到语义安全；2)公开可验证性：验证算法可以验证委托计算结果的正确性，该算法可以被任意实体运行；3)基于实验的高效性：从实验数据中可以观察到委托者在委托计算之后的运行时间小于直接计算所需的时间。

Mohassel通过使用现有的同态加密方案(例如Goldwasser-Micali加密方案)来保护数据隐私，并通过随机算法来验证委托计算结果的正确性。该方案提供了数据隐私性和公开可验证性，但计算过程涉及大量模幂运算，没有实现基于实验的高效性。张等人提出了一种委托矩阵向量乘法的运算，该方案实现了公开可验证性。在满足数据隐私性时，通过理论分析发现，当矩阵尺寸非常大(大于250000)时，方案中委托者在委托计算之后的运行时间才小于直接计算所需的时间。该方案没有实现基于实验的高效性。

发明内容

本发明要解决的技术问题是：现有的隐私数据类别预测的委托方案无法同时提供数据隐私性、公开可验证性和基于实验的高效性。

为了解决上述技术问题，本发明的技术方案是提供了一种安全高效的委托隐私数据类别预测的方法，利用给定的分类器在隐私数据上进行类别预测，获得多个分类器在多份隐私数据上的类别预测结果Y，设多个分类器的模型参数组成矩阵F，委托者的多份隐私数据组成矩阵X，其特征在于，计算FX同时得到多个分类器在多份隐私数据上的类别预测结果，此时，矩阵F和矩阵X看作矩阵乘法运算中的函数和输入，包括以下步骤：

步骤1、选定安全参数λ，根据安全参数λ和函数集合委托者得到公钥PK＝lhep，并将私钥SK初始化为公共参数lhep＝(p,q,n,f(x),χ)由线性同态加密LHE的参数生成算法在输入1^λ得到，其中，q是一个素数；是素数；f(x)＝xⁿ+1是环多项式；是一个分布在环标准差是r的离散高斯分布；

步骤2、根据公钥PK、私钥SK和函数委托者得到用于计算的密钥EK_F＝F和用于验证的密钥VK_F＝F；

步骤3、根据公钥PK、私钥SK和输入委托者得到输入对应的密文用于验证的密钥VK_X和用于解密的密钥DK_X；