[发明专利]一种云计算环境下高效和隐私保护的单层感知机学习方法

权利要求书

1.一种云计算环境下高效和隐私保护的单层感知机学习方法，其特征在于，所述云计算环境下高效和隐私保护的单层感知机学习方法给定安全参数，客户端运行对称同态加密算法的密钥生成算法计算公开参数和密钥；客户端运行加密算法，用密钥加密训练数据，得到相应的密文；客户端将密文和相关的期望输出发送给云服务器；云服务器基于训练数据的密文和期望输出的明文训练单层感知机模型，并将最终最优权重向量的密文发送给客户端；客户端接收到最终最优权重向量的密文并解密，得到单层感知机预测模型；

所述云计算环境下高效和隐私保护的单层感知机学习方法包括：系统建立阶段和隐私保护单层感知机学习阶段；

所述隐私保护单层感知机学习阶段具体包括：

步骤一，客户端初始化一个随机向量运行加密算法Enc(·)加密所有的权重并且得到相应的密文客户端将发送给云服务器，w_j的加密公式如下：

ew_j＝Enc(SK,1,w_j)；

步骤二，云服务器获得加密的权重向量之后，随机选择一条加密的训练样例并利用同态加密算法的同态乘法属性和同态加法属性计算：

D_i,j＝(ex_i,j×ew_j)mod p,for 1≤j≤n

云服务器把D_i返回给客户端，D_i,j的密文阶是2，因此D_i的密文阶也是2；

步骤三，客户端接收到密文D_i，计算：

客户端把t_i发送给云服务器；

步骤四，云服务器接收到t_i，并比较t_i与0的大小，如果t_i＝0，即那么令否则计算云服务器比较和y_i，如果云服务器利用同态乘法和同态加法属性更新权重向量

A_j＝η×ex_i,j mod p,ew_j＝(ew_j+A_j)mod p,for 1≤j≤n；

如果不需要更新权重向量ew_j的密文阶是1，到目前为止，如果不满足终止条件，云服务器转到第二步继续迭代，如果满足终止条件，云服务器将最终最优权重向量的密文发送给客户端，终止条件是，没有误分类点，即梯度下降法收敛，或者迭代次数大于等于预设值；η是学习率；

步骤五，客户端接收到最终最优权重向量的密文计算：

w_j＝Dec(SK,1,ew_j),for1≤j≤n；

获得最终最优权重向量的明文即单层感知机预测模型；

所述系统建立阶段，给定安全参数k，客户端运行对称同态加密算法的密钥生成算法KeyGen(k)计算公开参数p和密钥SK＝(s,q)，密钥SK＝(s,q)存储在客户端，客户端计算s的逆s^-1和s²的逆s^-2；

客户端运行加密算法Enc(·)，用密钥SK加密训练数据得到相应的密文其中使用加密算法Enc(·)加密信息时，令密文阶参数d＝1，x_i,j的加密公式：

ex_i,j＝Enc(SK,1,x_i,j·y_i)；

客户端将密文ex和相关的期望输出{y₁,...,y_m}发送给云服务器。

2.一种如权利要求1所述云计算环境下高效和隐私保护的单层感知机学习方法的云计算环境下高效和隐私保护的单层感知机学习系统，其特征在于，所述云计算环境下高效和隐私保护的单层感知机学习系统包括：

客户端，根据选定的安全参数计算密钥和公开参数，客户端使用密钥加密所有的训练数据，并将所有的密文发送给云服务器去训练单层感知机模型；

云服务器，存储所有训练数据的密文，以一种隐私保护的方式训练单层感知机模型，并将最终最优权重向量的密文发送给客户端。

3.一种应用权利要求1所述云计算环境下高效和隐私保护的单层感知机学习方法的智能决策支持系统。