[发明专利]面向联邦学习的去中心化函数加密隐私保护方法及系统

权利要求书

1.一种面向联邦学习的去中心化函数加密隐私保护方法，其特征在于，所述方法包括以下步骤：

获取服务器发送的初始模型、公共数据集、加密标签、加密素数、加密权重和权重向量参数；所述初始模型由所述服务器根据所述公共数据集训练得到；

根据本地数据集对所述初始模型进行训练，得到本地模型，并根据所述公共数据集对所述本地模型进行测试，得到对应的模型准确率；

根据所述加密素数、加密权重和权重向量参数，生成加密私钥和部分解密密钥，并根据所述加密私钥和加密标签对所述本地模型进行函数加密，得到加密模型；

将所述加密模型、部分解密密钥和模型准确率发送给所述服务器，以使所述服务器根据所述部分解密密钥、加密标签、加密权重和模型准确率，对所述加密模型进行解密聚合，得到全局模型；

其中，所述根据所述加密素数、加密权重和权重向量参数，生成加密私钥和部分解密密钥的步骤包括：

根据所述加密素数，生成的密钥参数，并将所述密钥参数作为所述加密私钥；所述密钥参数表示为：

式中，p和分别表示加密素数和对应的有限域；表示第i个客户端的密钥参数，且为2维向量；

根据所述加密素数，生成解密参数，并根据所述解密参数、密钥参数、加密权重和权重向量参数，生成所述部分解密密钥；所述部分解密密钥表示为：

式中，

其中，和y_i分别表示第i个客户端的部分解密密钥和加密权重；T_i表示第i个客户端生成的解密参数，且∑_i∈[n]T_i＝0，n为参与训练客户端的总数；表示哈希函数；表示与双线性对有关的p阶乘法循环群，且表示由乘法循环群构成的2维向量；和分别表示所有客户端加密权重组成的权重向量和对应的权重向量参数；

所述根据所述加密素数，生成解密参数的步骤包括：

初始化一个参数矩阵；所述参数矩阵为所有元素均为零的矩阵；

根据所述加密素数，分别与其他客户端协商确定一个对应的随机矩阵；所述随机矩阵表示为：

其中，T_ij表示第i个客户端和第j个客户端协商确定的随机矩阵；表示由有限域构成的2×2矩阵；

根据所述参数矩阵和随机矩阵，生成所述解密参数；所述解密参数表示为：

T_i＝T₀+Σ_j∈n,i＜jT_ij-Σ_j∈n,j＜iT_ij

其中，T_i表示第i个客户端对应的解密参数；T₀表示客户端的参数矩阵。

2.如权利要求1所述的去中心化函数加密隐私保护方法，其特征在于，所述根据本地数据集对所述初始模型进行训练，得到本地模型的步骤包括：

根据所述本地模型的分布特征和隐私保护需求，设置隐私预算和噪声参数；

根据所述隐私预算和噪声参数，执行本地化差分隐私对所述本地模型添加噪声。

3.如权利要求1所述的去中心化函数加密隐私保护方法，其特征在于，所述根据所述加密私钥和加密标签对所述本地模型进行函数加密，得到加密模型的步骤包括：

根据所述加密私钥和加密标签，采用下述加密算法对所述本地模型进行函数加密，得到所述加密模型：

式中，

其中，x_i和[c_i]₁分别表示第i个客户端本地模型和加密模型；表示第i个客户端的密钥参数；l表示加密标签；表示与双线性对有关的阶数为加密素数的乘法循环群，且表示由乘法循环群构成的2维向量；表示哈希函数。