[发明专利]针对深度学习算法的侧信道攻击的防护方法

权利要求书

1.一种针对深度学习算法的侧信道攻击的防护方法，其特征在于，包括：

深度神经网络对于网络参数与输入数据进行运算处理之前，对网络参数与输入数据同时进行随机置换，并按照随机置换后的编号进行运算；随机置换后的编号相对于初始的顺序编号而言是随机的；

按照随机置换后的编号进行运算获得运算结果O′，该运算O′与按照顺序编号运算获得的运算结果O相同。

2.根据权利要求1所述的一种针对深度学习算法的侧信道攻击的防护方法，其特征在于，深度神经网络包含多个层次，每一层都包含多个神经元；对于每个神经元单独进行一次随机置换，或者一次推断中多个神经元共用一次随机置换，或者多次推断中多个神经元共用一次随机置换。

3.根据权利要求1所述的一种针对深度学习算法的侧信道攻击的防护方法，其特征在于，

深度神经网络中单个神经元按照顺序编号运算表示为：

其中，f为单个神经元的运算函数，N为输入的个数，x₁，x₂，…，x_N为输入数据，θ₁，θ₂，…，θ_N为与输入数据直接运算的网络参数，θ′表示其他参数；

通过随机置换模块对网络参数与输入数据同时进行随机置换后，单个神经元运算表示为：

O′＝f(θ_π(1)，x_π(1)；θ_π(2)，x_π(2)；…；θ_π(N)，x_π(N)；θ′)

其中，π表示随机置换函数，π(1)，π(2)，...，π(N)表示随机置换后的编号。

4.根据权利要求1或3所述的一种针对深度学习算法的侧信道攻击的防护方法，其特征在于，深度神经网络运算处理中，网络参数与输入数据为敏感值；

深度神经网络按照顺序编号运算时，成功恢复所有敏感值的概率为：

通过随机置换后成功恢复原顺序的概率为：

其中，N为输入数据总数，p_i表示成功恢复第i个敏感值的概率。