[发明专利]一种用于联邦学习的数据点乘处理方法

说明书

本发明公开了一种用于联邦学习的数据点乘处理方法。它包括以下步骤：第一方对数据矩阵A进行预处理并进行对角线化处理，得到数据矩阵C；第一方生成公钥pk和私钥sk，采用公钥pk对数据矩阵C的每一行进行同态加密，得到加密数据矩阵D，将公钥pk和加密数据矩阵D发送到第二方；第二方采用公钥pk对数据列向量W进行同态加密，得到加密数据列向量F，计算加密数据矩阵D与加密数据列向量F的点乘结果，得到结果列向量G；第二方将结果列向量G发送到第一方，第一方采用私钥sk对结果列向量G进行解密，得到数据列向量Q，数据列向量Q就是数据矩阵A与数据列向量F的点乘结果。本发明能够减少计算时的旋转操作次数，提高了计算效率。

技术领域

本发明涉及联邦学习技术领域，尤其涉及一种用于联邦学习的数据点乘处理方法。

背景技术

随着国内的互联网行业和隐私保护的高速发展，现实生活中越来越多的机构采用联邦学习进行模型训练。基于对数据的隐私保护，需要各方参与训练的数据为加密后的密态数据，基于加密数据和联邦学习自身训练的特性，训练过程中会涉及到大量的矩阵乘以向量的密态运算，然而，这种矩阵乘以向量的密态运算会花费较大的计算时间，进而导致大数据和大模型场景下的联邦学习训练变得十分困难。

目前，联邦学习常采用同态加密算法对待训练的明文数据进行加密计算，同态加密是指这样一种加密函数，对明文进行环上的加法和乘法运算再加密，与加密后对密文进行相应的运算，结果是等价的。

对于CKKS、BFV等会使用SIMD加速计算的同态加密算法，SIMD加速计算会将多个明文数据打包加密到同一个密文中，基于这种情况如果需要计算矩阵乘以列向量的密态运算，现有方法是将矩阵的每一行进行同态加密，将列向量进行同态加密，计算密文矩阵每一行与密文列向量之间的点乘结果，过程中需要进行旋转操作（Rotation），而同态加密后的密文旋转操作（Rotation）需要花费大量的计算时间，当矩阵维度较大时，密文旋转操作所带来的计算开销是难以接受的。

发明内容

本发明为了解决上述技术问题，提供了一种用于联邦学习的数据点乘处理方法，其通过预先对数据矩阵进行对角线化处理，使得计算密文矩阵与密文列向量的点乘结果时大大减少了旋转操作的次数，从而在密文通信量不变的情况下大大提高了计算效率。

为了解决上述问题，本发明采用以下技术方案予以实现：

本发明的一种用于联邦学习的数据点乘处理方法，第一方持有m行n列的数据矩阵A，第二方持有n维的数据列向量W，m＞1，n＞1，包括以下步骤：

S1：第一方对数据矩阵A进行预处理，得到数据矩阵B，对数据矩阵B进行对角线化处理，得到数据矩阵C；

S2：第一方生成公钥pk和私钥sk，采用公钥pk对数据矩阵C的每一行进行同态加密，得到加密数据矩阵D，将公钥pk和加密数据矩阵D发送到第二方；

S3：第二方采用公钥pk对数据列向量W进行同态加密，得到加密数据列向量F，计算加密数据矩阵D与加密数据列向量F的点乘结果，得到结果列向量G；

S4：第二方将结果列向量G发送到第一方，第一方采用私钥sk对结果列向量G进行解密，得到数据列向量Q，数据列向量Q就是数据矩阵A与数据列向量F的点乘结果。

在本方案中，第一方先对数据矩阵A进行处理，得到数据矩阵C，采用公钥pk对数据矩阵C进行加密，得到加密数据矩阵D，将公钥pk和加密数据矩阵D发送到第二方；接着，第二方采用公钥pk对数据列向量W进行加密，得到加密数据列向量F，计算加密数据矩阵D与加密数据列向量F的点乘结果，得到结果列向量G，由于第二方没有私钥sk，所以第二方无法获取第一方持有的数据矩阵A的明文数据；然后，第二方将结果列向量G发送给第一方，第一方采用私钥sk对结果列向量G进行解密，得到数据列向量Q，由于点乘计算在第二方进行，所以第一方无法获取第二方持有的数据列向量W的明文数据。所以，本方法不会泄漏双方的明文数据，保护了双方的数据隐私。