[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

说明书

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：