[发明专利]非交互式的保护隐私神经网络预测方法

权利要求书

1.一种非交互式的保护隐私神经网络预测方法，其特征是，步骤如下：

首先，神经网络模型的拥有者S_NN将神经网络模型NN分解为两个子模型NN₀，NN₁，满足NN＝NN₀+NN₁，网络模型中的权重矩阵以及偏置矩阵满足以下关系：W＝W₀+W₁，B＝B₀+B₁，然后，S_NN分别将NN₀，NN₁发送给云服务器S₀、云服务器S₁，B₀，B₁是利用加法分享拆分得出的两个偏置矩阵，W₀，W₁是利用加法分享拆分得出的两个权重矩阵，W＝{w₁，…}是神经网络每一层的权重参数矩阵，B＝{b₁，…}是神经网络每一层的偏置矩阵；

·在询问阶段，由用户将加密后的输入数据Enc(x)发送给两个云服务器S₀、S₁，同时，用户将其私钥sk分解为sk₀，sk₁两个部分，满足sk＝sk₀+sk₁，用户将sk₀，sk₁分别发送给云服务器S₀，S₁；

·由于加密算法为加法同态加密，利用云服务器S₀，S₁根据获取到神经网络模型，采用sigmoid函数实现密文上的运算；

输入数据Enc(x)到两个云服务器S₀、S₁中，得出神经网络基于输入数据x的预测值NN(x)；

采用激活函数算法进行计算，对于sigmoid函数，转化方法如下：

如上式如示，将非线性激活函数转化为分段的线性函数；

·Setup(1^κ，NN)，S_NN运行该算法，输出神经网络子模型NM₀＝(W₀，B₀)，以及NN₁＝(W₁，B₁)，其中，权重矩阵和偏置矩阵满足以下关系：q为安全素数，其中mod表示取模运算，NN₀，NN₁分别发送给云服务器S₀，S₁，同时，S_NN产生compare()算法中用到的乘法元组[(u，v，w)，…]以及秘密分享值([u]₀，[v]₀，[w]₀)，…]，[([u]₁，[v]₁，[w]₁)，…]，满足：

w＝uv mod q，[u]₀+[u]₁＝u mod q，[v]₀+[v]₁＝v mod q，[w]₀+[w]₁＝w mod q，[([u]₀，[v]₀，[w]₀)，…]和[([u]₁，[v]₁，[w]₁)，…]分别发放给云服务器S₀，S₁；

·Query(X，pk，sk)：用户已经拥有公钥密码体制ElGamal加密算法的公私钥对(pk，sk)，加密算法采用加法同态加密ElGamal算法，同时对消息进行加密前作升指数处理g^X；

·Predict(Enc(X)，pk，(S₀，NN₀，Enc(W₁))，(S₁，NN₁，Enc(W₀)))：云服务器S₀，S₁运行该算法，通过一系列的交互计算，以协同的方式完成神经网络预测，并分别输出预测值Enc(NN₀(X))以及Enc(NN₁(X))；

·Recover(sk，Enc(NN₀(x))，Enc(NN₁(x)))，用户收到云服务器S₀，S₁返回的加密预测值，利用自己的私钥解密后，计算得出最终的神经网络预测值：

1)

2)Dec_sk(Enc(NN(X)))＝(Y_o，1，Y_o，2，…，Y_o，d)。

2.如权利要求1所述的非交互式的保护隐私神经网络预测方法，其特征是，Query(X，pk，sk)具体的参数产生方法如下：

1)pk＝(G，p，y)，sk＝x∈_RZ_p-1，其中，G是阶为p的乘法循环群，g是其生成元，用户运行该算法，产生对应于输入数据X的密文Enc(X)，同时，用户将密钥sk拆分成sk₀，sk₁，满足sk＝sk₀+sk₁ mod q；

2)ElGamal加密算法的加密过程如下，对于消息m，对应的密文为C＝(c₁，c₂)，c₁＝g^k，c₂＝y^km，y＝g^sk，解密过程为