[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

说明书

本发明属于云计算技术领域，公开了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，包括客户端，给定安全参数，用于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，然后运行加密算法，用密钥加密训练数据，得到相应的密文，并将密文和相关的期望输出发送给云服务器，训练过程中协助云服务器判断点积结果的正负性，训练任务结束后解密接收到的最终最优权重向量的密文，得到单层感知机预测模型；云服务器，用于存储训练数据，训练单层感知机模型，训练任务结束后将最终最优权重向量的密文发送给客户端。安全分析表明本发明在训练过程中可以保护训练数据、中间结果以及最优预测模型的隐私；在计算开销和通信开销方面是高效的。

技术领域

本发明属于云计算技术领域，尤其涉及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。

背景技术

云计算是格计算、并行计算和分布式计算的融合和发展。它不仅可以提供软件服务，也可以提供硬件服务，可以为存储数据提供方便性并提高处理数据的效率。因此，拥有资源受限设备的用户往往以一种按需付费方式外包他们的数据和大量的计算任务给云服务器。然而，云计算的事务处理很大程度上依赖于虚拟云，可能会受到恶意攻击。此外，网络的开放性和异构性也不可避免地给存储在云服务器上的数据带来安全问题。因此，外包范式会给用户的隐私信息带来潜在的威胁，隐私信息可能是来自政府、医院、银行或企业的敏感数据。如今，在很多国家，隐私保护已经被写进法律，例如，欧盟数据保护指令和美国隐私法(HIPAA，COPPA，GLB，FRC等等)。在云服务器的帮助下进行大数据分析和建立决策支持模型是最具有前景的基于云计算技术的研究课题之一。随着高速网络、社交网络以及电子商业的发展，产生了前所未有的数据，其中包含了大量有价值的信息，例如，用户的行为信息以及设备的状态信息等等。人们通常使用数据挖掘和机器学习技术从大数据仓库中提取有用的信息。具有强大的学习大数据特征能力的神经网络经常在很多场景中用来高效的预测输出。同时，神经网络深度学习的发展已经在图像、语音以及文本识别方面做出了突破性的进展。此外，单层感知机模型是广泛使用的神经网络模型之一，由于简洁性，在很多场景中它比其他复杂模型更加高效和适用，并且被广泛的应用在金融领域分析风险、应用在电子医疗领域预测各种疾病等等。因此，神经网络近年来受到了越来越多的关注。然而，考虑到数据量之大、数据种类之多、数据流的高速性以及本地存储和计算资源的有限性，客户端往往外包数据存储和模型训练任务给云服务器。在这种场景中，我们关注存储在云服务器中训练数据的隐私。近年来，这一问题得到了许多研究者的研究。最近，Wang[Wang G,Lu R,Huang C.PSLP:Privacy-preserving single-layer perceptron learning for e-Healthcare[C].Proceedings of 10th International Conference on Information,Communications and Signal Processing,2015:1-5]基于paillier密码系统提出了一个隐私保护单层感知机学习方案(Privacy-Preserving Single-Layer PerceptronLearning Scheme，PSLP)。在PSLP方案中，一方面，在训练过程中PSLP方案会泄露敏感的医疗数据和最终最优的权重向量，主要原因是使用paillier密码系统计算云服务器必须要得到权重向量的明文因此，云服务器根据一个方程一个未知数可以求解出医疗数据另一方面，由于paillier加密方案的效率不高导致PSLP方案中单层感知机模型的训练效率较低；此外，由于云服务器在训练数据的密文上计算需要权重向量的明文，所以，每当权重向量被更新，云服务器需要传送更新后的权重向量的密文给客户端，然后客户端需要将解密的权重向量返回给云服务器，因此，在PSLP方案中有较多的通信开销。进一步，Zhang[Zhang C,Zhu L,Xu C,et al.PPDP:An efficient and privacy-preservingdisease prediction scheme in cloud-based e-Healthcare system[J].FutureGeneration Computer Systems,2018,79:16-25]基于单层感知机模型，提出一个隐私保护疾病预测方案(Privacy-Preserving Disease Prediction Scheme，PPDP)。一方面，PPDP方案的计算开销较大，在PPDP方案中，每个向量经过加密后变成一个对应的密文矩阵，之后训练阶段的计算都是建立在这些矩阵上，所以，训练阶段有大量的矩阵相乘操作；此外，训练过程中权重向量需要在客户端进行更新，更新过程需要较多的矩阵相乘操作，矩阵相乘操作的时间复杂度是O(n³)，且由于客户端资源的有限性，所以，更新过程会严重影响整个方案的效率，因此，PPDP方案的计算开销较大。另一方面，PPDP方案的通信开销较大，在PPDP方案中，权重向量需要被更新时，云服务器需要将一个密文矩阵发送给客户端，客户端更新后需要将更新后的权重向量的密文矩阵再发送给云服务器，加之训练过程是迭代的，所以，PPDP方案训练过程中的通信开销较大。同时，在PPDP方案中，一个明文向量对应一个密文矩阵，所以，在云服务器端PPDP方案需要更多的存储空间。此外，在PPDP方案中，密钥矩阵和向量的维度是根据训练数据的特征维度确定的，当特征维度增加或者减小时，PPDP方案需要生成新的密钥，并对所有的训练数据重新加密，因此，PPDP方案缺乏可扩展性。