[发明专利]一种基于VHE的隐私保护神经网络的训练及预测方法在审
申请号: | 201810592585.9 | 申请日: | 2018-06-08 |
公开(公告)号: | CN108776836A | 公开(公告)日: | 2018-11-09 |
发明(设计)人: | 杨浩淼;张有;何伟超;梁绍鹏;李洪伟;任彦之 | 申请(专利权)人: | 电子科技大学 |
主分类号: | G06N3/08 | 分类号: | G06N3/08;G06F21/60;G06F21/62 |
代理公司: | 成都弘毅天承知识产权代理有限公司 51230 | 代理人: | 李龙 |
地址: | 611731 四川省成*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 预测 测试数据集 加密数据集 训练数据集 神经网络 隐私保护 加密保护 加密算法 同态加密 预测结果 数据集 密文 算法 云端 加密 可信 | ||
本发明公开了一种基于VHE的隐私保护神经网络的训练及预测方法,利用VHE同态加密算法对数据集D进行加密,得到加密数据集D′,所述加密数据集D′包括训练数据集D′1和测试数据集D′2;对所述训练数据集D′1进行BP神经网络批梯度训练,得到训练后的BP神经网络;利用训练后的BP神经网络对测试数据集D′2进行预测,得到预测结果;本发明结合加密算法以及BP神经网络方法实现了密文域下的BP神经网络的训练及预测,也就是实现了云端不可信的情况下,数据在输入加密保护下依旧可以进行BP神经网络的训练及预测等,实现了真正的计算外包。
技术领域
本发明涉及向量同态计算领域,具体涉及一种基于VHE的隐私保护神经网络的训练及预测方法。
背景技术
如今,大数据已经成为未来社会与经济发展的趋势,在人类社会各个领域都有很大的应用潜力。大量来自传感器,社交网络,企业,互联网等的数据被收集、共享和分析。由于云计算的广泛使用,用户现在不仅将他们的数据,还将数据挖掘的任务外包给云。然而,云很有可能是不安全的,云在数据挖掘时可能会危害用户的隐私。被挖掘的数据可能包含敏感信息,例如个人身份,医疗记录甚至财务信息。
BP神经网络是多层前馈网络,主要工作分为两个阶段:第一阶段,信号向前传播,由输入层经隐层到达输出层;第二阶段:误差反向传播,由输出层经隐层再到输入层,依次调节隐含层到输出层的权重和隐层神经元的阈值、输入层到隐含层的权重和神经元阈值。它的整个过程是在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期望的输出。
在大数据背景下,利用BP神经网络进行训练和预测所需数据量很大,通常用户会将数据发送至云进行计算,云将计算后的结果再返回至用户,在计算时通常是对源数据进行计算,由于云有可能是不安全的,因此这些源数据可能会被泄露,对用户造成极大的损失。
而目前为了保护数据的隐私,用到的方法有k-匿名化、差分隐私、数据加密等。K-匿名化在一定程度上可以保护个人隐私,但是同时会降低数据的可用性;差分隐私只能保证数据的精确值的安全,不能保证数据的估计值的安全;如果用一般的底层加密方案加密数据,对这样的密文进行数据挖掘又很有难度。由于利用BP神经网络进行训练和预测过程时数据的计算均在云端完成,采用以上方法均无法解决数据不安全的问题。
发明内容
本发明的目的在于:提供一种基于VHE的隐私保护神经网络的训练及预测方法,解决了目前在利用BP神经网络进行训练和预测时,无法保证数据安全的技术问题。
本发明采用的技术方案如下:
一种基于VHE的隐私保护神经网络的训练及预测方法,包括以下步骤:
步骤1:利用VHE同态加密算法对数据集D进行加密,得到加密数据集D′,所述加密数据集D′包括训练数据集D′1和测试数据集D′2;
步骤2:对所述训练数据集D′1进行BP神经网络批梯度训练,得到训练后的BP神经网络;
步骤3:利用训练后的BP神经网络对测试数据集D′2进行预测,得到预测结果。
进一步的,所述步骤1中利用VHE进行加密的具体过程为:
利用加密公式Sc=wx+e (1),
得到SD′=wD+e (2),
又,S=[I R],
则加密数据集D′为:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于电子科技大学,未经电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810592585.9/2.html,转载请声明来源钻瓜专利网。