[发明专利]多源隐私数据保护方法、装置、设备及介质

说明书

本发明公开了多源隐私数据保护方法、装置、设备及介质，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。本发明能够在保障隐私数据安全的前提下促进多个节点间信息共享与融合。

技术领域

本发明属于信息安全技术领域，尤其涉及多源隐私数据保护方法、装置、设备及介质。

背景技术

当前人工智能技术高度依赖大数据。为减少本地计算压力、提高计算速度，模型训练阶段往往托管至云端服务器进行。然而，脸部图像、音频、视频等生物特征信息属于个人隐私数据，此类明文训练数据上传到云端的过程、共享训练好的模型下载过程及明文预测结果返回本地的过程均可能存在严重的隐私数据泄露风险。

传统的全同态加密往往涉及复杂的指数运算，当用户数据集或网络参数非常庞大时会造成巨大的计算开销。层次型同态加密方案属于类同态加密，相比全同态加密方案稍弱，开销更小，利于工程实践。然而，层次型同态加密不适用于深度神经网络的非线性激活函数变换。

传统的多源密文信息安全融合方法当数据节点遭遇敌手攻击时，可能会故意发送错误的密文数据，诱导云端服务器做出误判，存在安全风险。

发明内容

本发明的目的在于，为克服现有技术缺陷，提供了多源隐私数据保护方法、装置、设备及介质,以密码学、深度学习、证据理论为技术支撑，针对隐私数据防护需求，设计面向不同数据类型的同态加密方案，突破层次型同态加密不适用于深度神经网络的局限，构建密文深度神经网络，并进行密文信息融合。

本发明目的通过下述技术方案来实现：

一种多源隐私数据保护方法，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，所述多源密文信息融合模型具体包括：