[发明专利]一种基于可验证机制的数据协作方法

说明书

本发明涉及一种基于可验证机制的数据协作方法，涉及机器学习与数据安全领域，包括：将参与设定数据协作任务的多个参与方划分为验证者和多个计算者；利用各个计算者的本地数据对当前本地模型进行模型训练；各计算者的当前本地模型完成设定轮数的模型训练后向验证者发送证明信息；验证解密后的证明信息，统计解密后的证明信息有效的计算者发出参数合并信号的数量；若发出参数合并信号的计算者的数量大于或者等于设定阈值，则通过验证者对发出参数合并信号的计算者的模型参数进行参数合并，得到当前聚合模型；若当前聚合模型达到设定标准，则将当前聚合模型作为最终聚合模型。本发明提升了隐私数据的安全性和共享数据的可信性。

技术领域

本发明涉及机器学习与数据安全技术领域，特别是涉及一种基于可验证机制的数据协作方法。

背景技术

当今时代，随着人工智能的飞速发展，数据要素逐渐成为重要生产力，不同行业的企业都会收集大量数据信息，而“数据孤岛”问题的存在会使企业发展受到严重影响，数据协作过程中的隐私保护问题也成为一大难题，比如在医学领域，医学数据往往具有高度敏感性和隐私性，其中包含有病人各种敏感数据，如姓名、住址、联系方式、检查记录、疾病诊断甚至是家族遗传史等，这些敏感数据一旦被篡改或被泄露，有可能使个体遭受社会的负面评价，甚至歧视或者侮辱，影响个体的生活或者心理状态。因此多方数据协作过程中的数据隐私安全性和可信性仍有待提高。

发明内容

本发明的目的是提供一种基于可验证机制的数据协作方法，提升了隐私数据的安全性和共享数据的可信性。

为实现上述目的，本发明提供了如下方案：

一种基于可验证机制的数据协作方法，包括：

将参与设定数据协作任务的多个参与方划分为一个验证者和多个计算者；各所述参与方均包括本地数据和网络结构相同的本地模型；将所述验证者的本地模型记为聚合模型；

通过所述验证者生成证明密钥和验证密钥，将所述证明密钥发送给多个所述计算者；

利用各个所述计算者的本地数据对各对应所述计算者的当前本地模型进行设定轮数的模型训练；

各所述计算者的当前本地模型完成设定轮数的模型训练后向所述验证者发送证明信息；

所述验证者根据所述验证密钥解密各所述证明信息，验证解密后的证明信息，并统计解密后的所述证明信息有效的所述计算者发出的参数合并信号的数量；

判断发出所述参数合并信号的所述计算者的数量是否大于或者等于设定阈值；

若发出参数合并信号的所述计算者的数量大于或者等于设定阈值，则通过所述验证者对发出参数合并信号的所述计算者的模型参数进行参数合并，得到当前聚合模型；

若发出参数合并信号的所述计算者的数量小于所述设定阈值，返回步骤“利用各个所述计算者的本地数据对各对应所述计算者的当前本地模型进行设定轮数的模型训练”；

判断当前聚合模型的预测准确性是否达到设定标准；

若没有达到所述设定标准，则返回步骤“利用各个所述计算者的本地数据对各对应所述计算者的当前本地模型进行设定轮数的模型训练”；

若达到所述设定标准，则将当前聚合模型作为最终聚合模型，完成所述设定数据协作任务。

可选地，所述各所述计算者的当前本地模型完成设定轮数的模型训练后向所述验证者发送证明信息，具体包括：

各所述计算者采用零知识简洁的非交互式知识论证技术，将当前本地模型进行设定轮数的模型训练的计算任务转换为算术电路，通过所述证明密钥对所述算术电路进行加密，生成所述证明信息，所述证明信息为二次算术多项式。