[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

说明书

本发明提供了面向联邦学习的去中心化函数加密隐私保护方法及系统，所述方法为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；根据本地数据集对初始模型进行训练得到本地模型，并根据公共数据集对本地模型进行测试得到模型准确率；根据加密素数生成加密私钥和部分解密密钥，并根据加密私钥和加密标签对本地模型进行函数加密得到加密模型；将加密模型、部分解密密钥和模型准确率发送给服务器，以使服务器根据部分解密密钥、加密标签、加密权重和模型准确率对加密模型进行解密聚合得到全局模型。本发明保证服务器不能获得用户本地模型的同时，有效防止第三方与服务器共谋攻击，提升隐私保护力度和服务效果。

技术领域

本发明涉及联邦学习隐私保护技术领域，特别是涉及面向联邦学习的去中心化函数加密隐私保护方法及系统。

背景技术

随着联邦学习在数字图像处理、自然语言处理、文本语音处理等领域的广泛应用，在打破数据孤岛和提供更精确服务的基础上，进一步解决联邦学习中的隐私泄露问题已逐渐成为其实施应用中重点关注的问题。

现有应用于联邦学习的隐私保护方法主要有同态加密、安全多方计算和函数加密，如结合同态加密的分布式选择随机梯度下降方法，使用安全多方计算中的秘密共享技术来聚合客户端更新模型的方法，以及通过添加可信第三方实体来负责生成、管理和分配密钥，使用函数加密执行联邦学习安全聚合保证参数隐私性的方法。尽管现有技术在一定程度上为联邦学习提供了隐私保护，但也存在着各自的缺陷，如，同态加密技术会对计算能力较弱的设备，带来一定程度的性能压力和通信开销，而若通过减少模型加密所带来的计算开销，就必然会忽略参数聚合过程的安全性，进而影响隐私保护效果，以及引入可信第三方实体来负责生成、管理和分配密钥，就会存在恶意服务器与第三方实体共谋获取加密密钥，进而窃取用户模型的隐私暴露风险。

因此，亟需提供一种克服现有技术对可信第三方实体依赖问题，实现保护客户端模型隐私的同时，有效防止可信第三方与服务器执行共谋攻击的隐私保护方法。

发明内容

本发明的目的是提供一种面向联邦学习的去中心化函数加密隐私保护方法，在保证服务器不能获得每个用户本地训练模型的特定梯度参数的同时，通过服务端与客户端交互产生密钥的方式，克服现有隐私保护方法依赖可信第三方实体生成、管理和分配密钥的问题，有效防止可信第三方与服务器执行共谋攻击风险，进一步提升了联邦学习中客户端模型的隐私保护力度和模型服务效果。

为了实现上述目的，有必要针对上述技术问题，提供了一种面向联邦学习的去中心化函数加密隐私保护方法、系统、计算机设备及存储介质。

第一方面，本发明实施例提供了一种面向联邦学习的去中心化函数加密隐私保护方法，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。

进一步地，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。