[发明专利]金融许可区块链中支持隐私保护的数据共享方法

说明书

本发明公开了一种金融许可区块链中支持隐私保护的数据共享方法。其实现方案为：建立金融许可区块链；在金融许可区块链中筛选客户重合的银行组成一个数据共享小组，该小组中的各银行通过本地训练和局部数据共享，以准备自己的本地模型，并分别共享出自己加密后的本地模型，再由聚合服务器对其进行聚合得到全局模型，保存到金融许可区块链中；数据共享小组中的各银行分别从金融许可区块链中获取全局模型，用其更新自己的本地模型后继续对更新后的本地模型进行训练，直到精度满足要求。本发明具有数据隐私性好，身份隐私严，共享过程中数据有效性强，隐私数据参与运算灵活性高的优点，可用于在金融行业中由各银行组成的许可区块链中进行数据共享。

技术领域

本发明属于信息安全技术领域，特别涉及一种数据共享方法，可用于在金融行业中由各银行组成的许可区块链中进行数据共享。

背景技术

信息时代的兴起和大数据，区块链等信息技术的应用对传统银行造成巨大的冲击，同时也为银行的发展带来新的机遇和发展。目前，我国已经形成以大型国有商业银行占主导地位，股份制银行和城市商业银行共同发展的一个局面。每家银行都有多个不同的客户，每个客户也可能同时与多家银行进行交易。因此，客户在一家银行的数据可能是部分和不完整的。如果能将分布在不同银行的数据进行合并，各家银行都能获得全面的信息，从而可以更好地开展业务，提高服务质量，比如更精准的推荐理财产品、更完善的建立个人信用记录等。然而，2018年欧盟发布通用数据保护条例GDPR后，出于隐私和安全考虑，这种直接合并跨企业的数据被认为是违法的，尤其是对于一些隐私敏感的行业来说。因此，如何在保证各银行数据机密性的前提下对银行数据进行合并，从而达到提高服务质量的目的是一个需要解决的问题。

基于同态加密的联邦学习非常适合用于分布式银行之间进行机密数据的共享。联邦学习是Google在2016年提出的，旨在通过分布式机器学习，用局部模型参数代替原始数据来训练一个全局模型。同态加密是多方计算MPC的一个强大工具，与一般的加密算法相比，同态加密除了能实现基本的加密操作之外，还能实现密文间的多种计算功能，即先计算后解密的结果和直接解密后进行计算结果相同。这个特性使它对于信息安全有着重要意义。基于同态加密的联邦学习可以实现在各个参与方不知道其他参与方数据的情况下进行全局模型的训练，目前已被广泛应用于机密数据的共享过程。

Truex提出一种将差分隐私和同态加密进行结合的联邦学习方案，其中同态加密可以保证信息交换过程中不会泄露参与者的隐私，差分隐私可有效保证系统的精确性。

Yang等人提出在根据不同数据提供者的数据构建模型的过程中，可以利用同态加密算法保证数据的隐私，同时利用拟牛顿法来减少数据交换过程中的通信轮次。

Hao等人将同态加密和差分隐私进行结合，提出了一种基于梯度下降法的隐私保护联邦学习协议，其中也使用了同态加密算法保证数据所有者的隐私。

上述这些基于同态加密的联邦学习方案由于都是基于加性同态加密算法构建的，因而数据共享过程中隐私数据参与运算的局限性比较大，且不能保证数据共享过程中数据的有效性。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种金融许可区块链中支持隐私保护的数据共享方法，以提高数据共享过程中隐私数据参与运算的灵活性，并保证共享过程中数据的有效性，实现安全可靠的隐私数据共享。

本发明的技术方案是：将许可区块链、基于多密钥的多方计算协议和匿名机制集成到联邦学习中；在许可区块链中将每一个银行先生成一个假名隐藏真实的身份，再由每个银行对数据进行同态加密后发送给聚合服务器AS；聚合服务器将密文聚合起来后得到新的模型，并将这个模型广播给许可区块链中的所有银行；各银行收到数据之后利用密文进行计算训练新的模型，从而实现对隐私数据的共享，其具体实现步骤包括如下：

(1)建立金融许可区块链：

(1a)初始化：初始化过程包含许可区块链初始化和银行初始化两个阶段；