[发明专利]线性回归模型多维高斯差分隐私保护方法、信息安全系统

权利要求书

1.一种线性回归模型多维高斯差分隐私保护方法，其特征在于，所述线性回归模型多维高斯差分隐私保护方法对训练数据的不同属性定义不同的安全级别，在不同维度生成合适的噪声；计算线性回归模型的全局敏感度；根据定义的安全级别和全局敏感度生成高维高斯噪声的协方差矩阵；生成高维高斯噪声，加到输入和输出实现隐私保护；

所述对训练数据的不同属性定义不同的安全级别，在不同维度生成合适的噪声具体包括：

步骤一，对于训练数据集的每个维度，在每个输入维度i上设置一个合适的相似度s_i，用于限制攻击者能得到的模型和原始模型在这个维度上的最小相似度；

步骤二，将训练数据集中训练属性构成一个N维向量X，输出属性为N维向量Y；

步骤三，X与Y之间关系：

Y＝aX+b；

其中a和b为N维的向量，利用上N维向量X和Y，利用梯度下降法估计出模型参数a和b的值。

2.如权利要求1所述的线性回归模型多维高斯差分隐私保护方法，其特征在于，所述计算线性回归模型的全局敏感度具体包括：

步骤一，在值域范围内遍历所有可能的相邻数据集，记录所有遍历结果；

步骤二，计算所有遍历结果中能使线性回归模型的1范数变化范围最大的一对相邻数据集，记为D和D'；

步骤三，f为线性回归模型，D和D'为使得模型变化范围最大的相邻数据集，||f(D)-f(D')||₁为全局敏感度。

3.如权利要求1所述的线性回归模型多维高斯差分隐私保护方法，其特征在于，所述根据定义的安全级别和全局敏感度生成高维高斯噪声的协方差矩阵具体包括：

步骤一，随机生成一个和线性回归模型维数相同的方阵；

步骤二，计算矩阵的行列式d，以及行列式中最接近的正项和负项之差记作M；以及其中n为训练数据集的维度，根据设置的每个维度的相似度s_i，计算参数

步骤三，计算求解多项式Pⁿ×a+b-∈×P^n-1＝0，其中∈为系统的隐私预算总和；

步骤四，计算输出属性上的隐私预算为

步骤五，计算每个维度的方差生成协方差矩阵。

4.如权利要求1所述的线性回归模型多维高斯差分隐私保护方法，其特征在于，所述生成高维高斯噪声，加到输入和输出以实现隐私保护具体包括：

步骤一，根据协方差矩阵生成高维高斯噪声；

步骤二，在输入和输出上加上高维高斯噪声实现隐私保护，输入为一N维向量X，生成的加在输入上的噪声为N_input，加在输出上的噪声为N_output，机器学习模型为f，返回给用户的结果为f(X+N_input)+N_output。