[发明专利]一种基于NTRU加密算法的多用户隐私推荐方法

说明书

本发明公开了一种基于NTRU加密算法的多用户隐私推荐方法，每个用户及服务商拥有独自的公钥及私钥，包括如下步骤：对服务器的推荐模型的权重进行编码、加密得到加密权重编码信息；对用户输入的信息进行编码加密得到加密用户编码信息；将加密权重编码信息及加密用户编码信息进行同态推荐得到加密推荐信息；使用服务商私钥对加密推荐信息进行部分解密，得到部分加密推荐信息；使用用户私钥对部分加密推荐信息解密；对解密后的信息解码得到推荐结果。本发明利用多密钥同态加密方法分别加密用户上传的信息，进而实现在保证隐私的前提下多个用户同时参与的推荐。此外，本发明去除了之前方法中的可信第三方，实现了从单方推荐到多方参与的隐私推荐。

技术领域

本发明涉及信息安全技术领域，具体涉及一种基于NTRU加密算法的多用户隐私推荐方法。

背景技术

许多推荐服务，包括手机广告和电影推荐，已经在我们的日常生活中被广泛使用。因子分解机(FM)和协同过滤(CF)是此类服务常用的算法。其中因子分解机对用户历史行为数据建立用户物品评分矩阵，然后使用矩阵分解相关算法进行因子分解，得到低维稠密的用户特征矩阵和物品特征矩阵，然后两个矩阵相乘就可以得到估计的得分矩阵。协同过滤是从收集到的其他用户的历史中推断出用户的偏好，并为与用户偏好相似的新项目提供推荐。

一些研究指出以上算法的使用存在严重的隐私问题。具体而言，推荐系统可能在没有用户许可的情况下将用户的隐私数据提供给第三方牟利。有研究人员介绍了如何比较匿名的公共Netflix数据集和互联网电影数据库(IMDB)以识别用户。有研究人员的研究表明用户提供的评分列表侵犯了其年龄、性别、种族甚至政治取向等隐私信息。为了避免这些隐私隐患，许多研究都提出了匿名化、差分隐私和密码学方法来实现推荐系统的隐私保护。

基于这些问题，国内外学者主要采用基于数据扰动的方法或全同态加密机制来保护用户的隐私。例如将随机扰动技术与协同过滤算法相结合，可以使保护隐私的协同过滤达到较高的精度。有研究人员利用PerturBoost技术实现了推荐系统的隐私保护，但无法抵抗背景攻击。有研究人员提出一种基于随机游走的分散训练技术来训练每个用户端的MF模型，例如手机和Pad。这样做，每个用户的评分仍然是自己掌握的，而且分散学习可以看作是多学习者(用户)的分布式学习，从而减轻了计算和存储的问题。有文献给出了PrivRank框架，它是一个可定制的、持续保护隐私的社交媒体数据发布系统，在支持基于个性化排名的推荐的同时，保护用户不受推断攻击。有文献利用Paillier公钥同态加密算法实现了针对医疗服务的隐私保护推荐系统。有文献通过压缩编码技术完成加密数据比较协议的设计，并引入可信第三方，实现了保护用户隐私的推荐系统。为了克服由于使用完全同态加密而导致的性能下降，有文献引入了一种新的数据结构来对加密的向量进行计算，通过安全的双方计算有效提高了系统的效率。但目前的技术仍只能完成两方计算，即无法实现多用户输入的推荐。

因此，如何在无需向第三方提供信息的情况下，实现在保证隐私的前提下多个用户同时参与的推荐成为了本领域技术人员急需解决的问题。

发明内容

针对现有技术存在的上述不足，本发明的目的是一种基于NTRU加密算法的多用户隐私推荐方法，在无需向第三方提供信息的情况下，实现在保证隐私的前提下多个用户同时参与的推荐。

本发明公开的技术方案内容如下：

一种基于NTRU加密算法的多用户隐私推荐方法，每个用户及服务商拥有独自的公钥及私钥，包括如下步骤：

S1、对服务器的推荐模型的权重进行编码得到权重编码信息，使用服务商的公钥对权重编码信息进行加密得到加密权重编码信息；

S2、对用户输入的信息进行编码得到用户编码信息，使用用户的公钥对用户编码信息进行加密得到加密用户编码信息；

S3、将加密权重编码信息及加密用户编码信息进行同态推荐得到加密推荐信息；