[发明专利]用于联邦学习和隐私计算的密文计算装置及方法

说明书

本申请涉及一种用于联邦学习和隐私计算的密文计算装置及方法。装置包括：蒙哥马利化模幂运算模块，其包括第一层模幂计算模块，每次发送多个密文明文对中的一个并按照轮询的方式选择第一层模幂计算模块的多个模幂计算引擎中的一个，被选择的模幂计算引擎对密文明文对中的密文进行蒙哥马利化运算得到蒙哥马利化密文以及对该蒙哥马利化密文和密文明文对中的明文进行蒙哥马利化模幂运算得到蒙哥马利化模幂运算结果，多个模幂计算引擎各自生成的蒙哥马利化模幂运算结果被整合得到多个密文明文对的蒙哥马利化模幂运算结果；累加模乘运算模块用于累加模乘运算得到多个密文明文对的累加模乘运算结果；和去蒙哥马利化运算模块。如此提高计算效率。

技术领域

本申请涉及数据安全和隐私保护技术领域，还涉及隐私计算、隐私数据及联邦学习技术领域，具体涉及一种用于联邦学习和隐私计算的密文计算装置及方法。

背景技术

随着人工智能和大数据挖掘分析等应用领域的发展，对数据量的需求越来越大。例如训练人工智能的应用模型需要使用大量带有合适的数据标签或者特征数值的训练数据。高质量的数据往往来源于经营活动中产生和积累的应用数据。但是应用数据往往分散在不同的组织和个体手上，例如交易数据分散在各个金融机构，医疗诊断数据分散在各个医疗机构。跨行业跨领域的应用数据往往也是分散的，例如互联网领域的社交属性数据和电商交易数据往往由不同实体掌控。随着数据所有权的重要性、用户隐私和数据安全等受到更多重视，也随着法律法规对数据收集处理提出更严格的约束和要求，掌握应用数据的各个组织或个体往往不愿意或者没有合适手段进行彼此之间的合作，从而很难让各自掌握的应用数据共同发挥作用。这种数据分享和协同合作方面的困境被称之为数据孤岛现象。为了解决跨行业跨组织的数据合作难题，尤其是关键的隐私保护及数据安全的问题，提出了联邦学习(Federated Learning，FL)的概念。联邦学习指的是拥有数据的各个参与方，在不共享受保护的隐私数据且自有数据不传递到外部的前提下，通过加密的方式交换模型相关信息从而实现协同优化联邦学习模型。其中，联邦学习根据训练数据在不同参与方之间的数据特征空间和样本空间的分布情况，可以划分为在数据特征空间重叠较大而在样本空间重叠较小的横向联邦学习，在数据特征空间重叠较小而在样本空间重叠较大的纵向联邦学习，以及在数据特征空间和样本空间均重叠较小的联邦迁移学习。

在联邦学习和隐私计算相关应用场景中，各个拥有数据的参与方通常采用同态加密(Homomorphic Encryption,HE)的方式对原始数据也叫明文进行加密，再将加密后的密态数据也叫密文用在联合网络模型训练、梯度计算、模型参数训练等。HE算法满足密文同态运算性质，也即对明文进行同态加密得到密文，对密文进行特定的计算得到的密文计算结果进行对应的同态解密后等同于对该明文直接进行相同的计算。支持对密文进行任意形式的计算的HE算法叫做全同态加密(Fully Homomorphic Encryption,FHE)。仅支持加法、乘法或有限次加法和乘法的HE算法叫做半同态加密(Somewhat Homomorphic Encryption，SWHE)或部分同态加密(Partially Homomorphic Encryption，PHE)。常见的SWHE算法包括例如RSA算法、ElGamal算法、Paillier算法等。一般地，对密文进行的任意计算均可通过加法和乘法构造也就是展开为密态乘法和密态加法两种基本形式以及由这两种基本形式组成的更复杂的形式。但是，密文计算特别是基于HE算法的密文计算涉及到大量高纬度数据且相关模数往往有较大的比特位宽如2048比特，并且需要海量的大整数位宽的模幂运算和模乘运算，与运算相关的数据量可达到数亿级。这些给存储资源和计算性能提出了很大的挑战，为此，需要一种用于联邦学习和隐私计算的密文计算装置及方法，能够应对复杂多变的情况且高效处理密文计算需求。

发明内容