[发明专利]多方联合的安全PCA投影方法及数据相关性分析方法

说明书

本发明公开了一种多方联合的安全PCA投影方法，包括第一协作方生成Paillier密钥对并将公钥发送给第二协作方和各数据拥有方；各数据拥有方加密自身的高维数据并发送第二协作方；第二协作方计算得到加密数据的协方差矩阵；第一协作方和第二协作方计算投影矩阵；第一协作方和第二协作方计算得到联合投影结果并发送各数据拥有方，完成PCA安全多方投影。本发明还公开了一种包括所述多方联合的安全PCA投影方法的数据相关性分析方法。本发明能够在保护隐私的前提下保持投影效果，而且可靠性高、安全性好且投影效果较好。

技术领域

本发明属于大数据处理领域，具体涉及一种多方联合的安全PCA投影方法及数据相关性分析方法。

背景技术

随着经济技术的发展和人们生活水平的提高，大数据处理技术已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。但是，随着大数据的广泛使用，其数据的安全性和隐私性问题也日益突出。

目前，各种数据通常分散在多个隐私保护的站点，这些独立的数据拥有者想要在保护数据隐私的前提下，在全局范围内全面了解自身数据。在可视化领域中，为了分析多方高维数据集，数据拥有者可以利用投影技术，例如t-SNE(t-Distributed StochasticNeighbor Embedding，t分布随机邻域嵌入)与UMAP(Uniform Manifold Approximationand Projection，一致的流形逼近和投影)，将所有数据点投影到共同的二维空间中。然而，现有的投影技术并没有考虑数据的隐私安全，将数据集中计算和联合投影时会直接导致隐私的泄露。

Saha等人提出了dSNE(decentralized data stochastic neighbor embedding，分散数据的随机邻域嵌入)，将t-SNE重构为隐私保护的联合投影版本；但是，该方法需要数据参与方提供大量的共享数据，并且只能获得近似的t-SNE结果。Liu等人基于同态加密和秘密共享提出了PPPCA(Privacy Preserving Principal Component Analysis，隐私保护的主成分分析)，将PCA(Principal Component Analysis，主成分分析)重构为隐私保护的联合投影版本；但该技术只保证了提供者的本地数据不泄露，而暴露了中间数据，即全局数据的协方差矩阵；当某方获得了协方差矩阵，就可以通过牛顿迭代法获得隐私数据。因此，现有的隐私保护下的联合投影方法仍然存在数据安全问题。

发明内容

本发明的目的之一在于提供一种可靠性高、安全性好且投影效果较好的多方联合的安全PCA投影方法。

本发明的目的之二在于提供一种包括了所述多方联合的安全PCA投影方法的数据相关性分析方法。

本发明提供的这种多方联合的安全PCA投影方法，包括如下步骤：

S1.第一协作方生成Paillier密钥对，并将Paillier密钥对中的公钥发送给第二协作方和各个数据拥有方；

S2.各个数据拥有方根据接收到的公钥，对自身的高维数据进行加密，并将加密数据发送给第二协作方；

S3.第二协作方根据接收到的加密数据，计算得到加密数据的协方差矩阵；

S4.第一协作方和第二协作方基于步骤S3得到的加密数据的协方差矩阵，计算投影矩阵；

S5.第一协作方和第二协作方基于步骤S4得到的投影矩阵，计算得到联合投影结果，并发送给各个数据拥有方，从而完成PCA安全多方投影。

步骤S1所述的第一协作方生成Paillier密钥对，并将Paillier密钥对中的公钥发送给第二协作方和各个数据拥有方，具体为第一协作方S生成Paillier密钥对(PK,SK)，并将Paillier密钥对中的公钥PK发送给第二协作方T和各个数据拥有方。