[发明专利]基于联邦学习的硬件加速数据传输方法

说明书

本申请公开了一种基于联邦学习的硬件加速数据传输方法，包括采用密文方式传输数据，且数据的明文和密文之间通过模幂运算转换，针对所述模幂运算、整体上采用第一状态机表达执行过程；针对所述模方运算和所述模乘运算，通过第二状态机表达执行过程；在所述模幂运算开始后，当进行至所述模方运算或所述模乘运算时，所述第一状态机向所述第二状态机发出相应的控制信号，所述第二状态机相应的切换至对应的状态，所述模方运算或所述模乘运算结束后，所述第二状态机切换至等待状态、直至下一次模方运算或模乘运算的开始，或直至模幂运算的结束。本申请加速了最为耗时的大整数模幂运算，整个流程更加高效可控。

技术领域

本申请涉及联邦学习技术领域，主要涉及用于密文数据传输的隐私计算。

背景技术

联邦学习是一个机器学习框架，能帮助不同机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据联合使用和建模。具体地说，联邦学习要解决这样一个问题：在企业各自数据不出本地的前提下，通过加密机制下的参数交换与优化，建立一个虚拟的共有模型。为保护多方用户数据的安全，必须借助隐私计算方法，常用的方法有同态加密、差分隐私、安全多方计算等。

同态加密技术将大大增加联邦学习计算过程中的计算工作量。RSA算法作为典型的同态加密算法，支持同态运算，但目前出于对于安全性的考量，加密密钥往往是需要达到2048位的大整数，在此基础上对于明文进行大量的乘除运算将极大的增加CPU的运算压力。如何加速同态加密的运算过程，是联邦学习领域中急需解决的问题。

许多现有的联邦学习框架使用软件解决方案进行RSA算法大整数运算，而软件解决方案通常只是调用高级程序语言成熟的API，这样就导致可以优化的空间很少，现有方法的优化方案通常是增加运算CPU核心数或使用GPU技术提高运算的并发度。不管是增加CPU核还是使用GPU，均大大提高了成本，且可扩展性差，因此本发明从运算底层进行电路级别优化，并即成为一套可与PC端进行交互的设备，通过与联邦学习框架进行数据交互，快速的完成大整数运算。

2048位的大整数模幂运算是RSA等算法的速度瓶颈，如何优化模幂运算成为了硬件加速电路最为核心的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种优化的传输方法，在数据加解密时，加速隐私计算中最为耗时的大整数模幂运算，结合状态机的方式使整个流程更加高效可控。

本申请基于联邦学习的硬件加速数据传输方法，包括采用密文方式传输数据，且数据的明文和密文之间通过模幂运算转换，所述模幂运算基于改进的Montgomery算法实施、且包括预处理、模方运算、模乘运算、以及后处理；

针对所述模幂运算、整体上采用第一状态机表达执行过程；针对所述模方运算和所述模乘运算，通过第二状态机表达执行过程；

在所述模幂运算开始后，当进行至所述模方运算或所述模乘运算时，所述第一状态机向所述第二状态机发出相应的控制信号，所述第二状态机相应的切换至对应的状态，所述模方运算或所述模乘运算结束后，所述第二状态机切换至等待状态、直至下一次模方运算或模乘运算的开始，或直至模幂运算的结束。

可选的，针对所述明文和所述密文的处理采用第三状态机表达执行过程，所述第三状态机具有空闲状态以及三组工作状态，所述三组工作状态分别对应数据的加载、运算和存储，每组工作状态根据数据的不同包括至少两种状态。

可选的，所述三组工作状态中的第一组包括：加载明文状态、加载密文状态、加载常数状态、加载公钥状态、加载私钥状态、以及加载模数状态；

所述三组工作状态中的第二组包括：存储明文状态、以及存储密文状态；

所述三组工作状态中的第三组包括：加密状态、以及解密状态。

可选的，针对所述模方运算，所述第二状态机依次具有模方运算的预处理状态、模方运算过程状态、以及模方运算结束状态；