[发明专利]一种针对人工神经网络模型的加密保护系统及方法

说明书

本发明属于人工神经网络保护机制领域，特别涉及一种针对人工神经网络模型的加密保护系统及方法，包括数据输入模块、加密模块、加密数据输入模块、人工神经网络模型模块和数据输出模块，所述数据输入模块与加密模块信号相连，所述加密模块与加密数据输入模块信号相连，所述加密数据输入模块与人工神经网络模型模块信号相连，所述人工神经网络模型模块与数据输出模块信号相连。与现有技术相比，本发明可以在计算量无显著增加且保持人工神经网络性能的情况下，对人工神经网络模型嵌入保护性密码，使得在人工神经网络模型发布后，任何的复制、二次开发或修改均无法影响该保护性密码。

技术领域

本发明属于人工神经网络保护机制领域，特别涉及一种针对人工神经网络模型的加密保护系统及方法。

背景技术

深度学习是当前人工智能应用的主要技术方案。以深度学习技术所训练完成的人工神经网络模型是汇集了初始开发者智慧的劳动成果。但在发布和应用人工神经网络模型的过程中，其网络结构和节点权重会完全对外暴露。人工神经网络模型经发布和/或第三方应用后，容易被复制、二次开发或修改，导致初始开发者权益受损。现有技术中适用于人工神经网络模型的保护方案主要包括网络整体加密、训练数据加密及网络同态加密训练。

网络整体加密方案是对训练完成的网络模型进行加密发布，没有密钥则无法使用该网络模型。然而该加密方式仅仅是网络模型的二次封装，利用密钥解密网络模型后，仍可分析得到网络模型的结构和节点权重等核心信息，并能进行复制、传播、二次开发或修改，从而无法保护网络模型初始研发者的权益；

训练数据加密方案将训练数据转义，对映射后的数据进行网络训练，并将该映射方案用于网络模型后续使用，以保护网络模型的核心内容。该加密技术要求破坏数据内部统计规律以避免利用统计分析破解加密，而人工神经网络训练是基于训练数据的重要统计特征完成数据分类和预测，其本质是一种统计学习，因此与训练数据加密方案本质相矛盾，例如，采用MD5算法对数据进行现代高级加密，待训练数据的每个值不会产生唯一映射值，其内在统计特性会被破坏，因此不适于人工神经网络训练。而简单映射加密虽然可以维持数据内在统计特性，但容易由深度学习的大量训练数据分析出加密方式，使加密保护失败；

同态加密训练方案允许以特定方式修改加密信息而无需读懂加密信息，对经同态加密后的数据进行网络训练，能够保护网络模型的核心内容，且同态加密后的训练数据仍可保留其内部统计结构，以弥补训练数据加密方案的弱点。但该方案会导致计算量大量提升，并且由于同态加密各种算法具有不同程度的计算不完备性，造成某些数学运算无法直接实现，使大量已投入使用的人工神经网络训练方法无法实现，导致人工神经网络性能下降。

发明内容

针对现有人工神经网络保护机制的上述缺陷，本发明提供了一种针对人工神经网络模型的加密保护系统。

具体方案为：

一种针对人工神经网络模型的加密保护系统，其特征在于：包括数据输入模块、加密模块、加密数据输入模块、人工神经网络模型模块和数据输出模块，所述数据输入模块与加密模块信号相连，所述加密模块与加密数据输入模块信号相连，所述加密数据输入模块与人工神经网络模型模块信号相连，所述人工神经网络模型模块与数据输出模块信号相连。

进一步的，所述数据输入模块，用于向加密模块提供原始输入数据。

进一步的，所述加密模块，用于对数据输入模块提供的原始输入数据进行加密处理，输出加密输入数据；

所述加密模块由一组具有N位数字的密码组作为控制量，对数据输入模块提供的所有原始输入数据进行加密处理，以实现数据加密；所述密码组的长度由加密处理中的加密方式及加密要求所限定；所述密码组中的N位数字的每一位分别阿拉伯数字0-9之间的一个。