[发明专利]多源隐私数据保护方法、装置、设备及介质

权利要求书

1.一种多源隐私数据保护方法，其特征在于，所述方法包括：

响应于接收到的多源隐私数据明文，对所述明文进行同态加密得到各个隐私数据的密文；

将所述密文输入密文深度神经网络，所述密文深度神经网络包括通过泰勒展开近似为多项式的非线性激活函数；

将所述密文深度神经网络计算结果输入多源密文信息融合模型进行聚合；

将聚合结果返回所述多源隐私数据明文的发送方。

2.如权利要求1所述的多源隐私数据保护方法，其特征在于，所述对所述明文进行同态加密具体包括：

设λ是安全参数，模数q＝q(λ,L)为μ＝μ(λ,L)比特；

取m＝m(λ,L)＝O(n log q)，N＝(n+1)·l，输出所有参数n,q,m,χ,N；

随机抽取私钥/输出v＝PF(s)和t；

随机均匀抽取出一个矩阵和一个小尺寸的列向量e←χ^N计算b＝Bt+2e，将b作为矩阵A的第一列与B合并输出公钥/

为加密明文μ∈Z_q，随机均匀抽取矩阵为单位矩阵，输出密文矩阵

输入密文C的第i行与向量做内积运算v＝PF(s)用分量v_i∈(q/4,q/2]计算输出明文μ∈Z_q。

3.如权利要求2所述的多源隐私数据保护方法，其特征在于，所述对所述明文进行同态加密前还包括：

对所述明文进行原始数据标准化处理，所述标准化处理包括训练数据和测试数据。

4.如权利要求3所述的多源隐私数据保护方法，其特征在于，所述对所述标准化处理包括z-score标准化、min-max标准化、atan函数转换、log函数转换、模糊量化中的一种或多种。

5.如权利要求1所述的多源隐私数据保护方法，其特征在于，所述多源密文信息融合模型具体包括：

密文输入层，所述密文输入层以所述密文深度神经网络计算结果作为输入；

证据量化层，所述证据量化层将密文输入层的输入视为不同的证据源，并采用无参数核密度估计方法量化各个证据源；

证据融合层，所述证据融合层通过可信度因子刻画各个证据源并对各证据源提供的信息进行可信折扣，根据证据融合规则融合折扣后的各个证据源；

输出层，所述输出层用于输出融合计算结果。

6.如权利要求5所述的多源隐私数据保护方法，其特征在于，所述方法还包括将独立证据源转化为Pignistic概率BetP，构建在训练数据集上的损失函数：

其中，y为训练样本x的真实标签，w为可信度因子。

7.如权利要求5所述的多源隐私数据保护方法，其特征在于，所述方法还包括采用智能寻优算法求解最优可信度因子，并制定节点可信度因子定期自学习策略。

8.一种多源隐私数据保护装置，其特征在于，所述装置包括：

明文加密模块，所述明文加密模块响应于接收到的多源隐私数据明文，对所述明文进行同态加密得到各个隐私数据的密文；

密文计算模块，所述密文计算模块将所述密文输入密文深度神经网络，所述密文深度神经网络包括通过泰勒展开近似为多项式的非线性激活函数；

证据融合模块，所述证据融合模块将所述密文深度神经网络计算结果输入多源密文信息融合模型进行聚合；

结果反馈模块，所述结果反馈模块将聚合结果返回所述多源隐私数据明文的发送方。

9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的多源隐私数据保护方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至7任一项所述的多源隐私数据保护方法。