[发明专利]一种基于深度神经网络的安全图像特征提取与分类方法

说明书

本发明公开了一种基于深度神经网络的安全图像特征提取与分类方法，包括以下步骤：步骤1：图像加密，通过秘密分享的形式对原始图像数据进行加密；步骤2：代理重加密，两个服务器通过合作将秘密分享形式的加密图像转换成同态加密的图像；步骤3：特征提取，通过深度神经网络模型提取图像特征向量；步骤4：图像分类，根据SoftMax的结果，确定最终的图像的分类值，进行图像分类。本发明通过PAHE同态方案结合两方安全技术确保了图像数据信息和深度神经网络的信息的机密性，具体包括用户上传图像数据、DNN网络训练参数、DNN网络输出的特征向量、DNN网络中间计算结果；同时确保了图像分类的准确性和计算效率。

技术领域

本发明涉及计算机安全管理技术领域，尤其涉及一种基于深度神经网络的安全图像特征提取与分类方法。

背景技术

深度神经网络(DNN)在处理图像分类方面显示出巨大的业务和技术优势。由于云计算服务的经济性，基于DNN的图像分类采用远程服务应用接口的方式提供给用户使用。但是，这种服务方式在图像数据分类安全性方面提出了新的问题。一方面，图像数据包含更丰富的信息，用户处于隐私安全的顾虑，要求输入图像和分类结果保持机密性；另一方面，基于DNN的图像分类算法具备较高的商业价值，算法提供者也希望设计的DNN网络结构、训练参数以及中间结果保持机密性。

因此，要求云服务商提供智能且安全的图像特征提取与分类方法，同时保障用户和算法提供者数据的安全性。全同态加密技术从原理上可以满足上述需求，但是由于其高计算和内容开销，难以应用到大规模图像数据处理场景。安全多方计算(SMC)也可以作为另一种备选方案，但是这种方法带宽消耗高，要求用户参与整个计算过程，难以实现云计算中软件即服务的设计要求。

发明内容

本发明的目的在于克服现有技术的不足，解决图像分类中数据机密性的问题，提供一种基于深度神经网络的安全图像特征提取与分类方法。

本发明的目的是通过以下技术方案来实现的：

一种基于深度神经网络的安全图像特征提取与分类方法，包括以下步骤：

步骤1：通过秘密分享的形式对原始图像数据进行加密；

步骤2：两个服务器通过合作将秘密分享形式的加密图像转换成同态加密的图像；

步骤3：通过构建深度神经网络模型提取图像特征向量；

步骤4：根据SoftMax的结果，确定最终的图像的分类值，进行图像分类。

进一步的，所述步骤1具体包括以下子步骤：

步骤101：通过秘密分享的形式，在原始图像上加入和原始图像相同大小的随机噪声；

步骤102：将随机噪声发送给分布式服务器1；

步骤103：加入噪声之后的随机图像发送给服务器2。

进一步的，所述步骤2具体包括以下子步骤：

步骤201：以秘密分享的形式将原始图像y发送至分布式服务器1和服务器2，服务器1持有加性分享服务器2持有另一部分秘密分享其中，

步骤202：首先服务器1使用PAHE同态加密对进行加密得到密文并将其发送给服务器2；

步骤203：服务器2利用同态加法，将加到密文上，得到密文[y]；其中，

进一步的，所述深度神经网络模型包括线性层和非线性层；利用同态加密结合两方安全计算技术对加密图像进行安全的前向推理计算，提取图像特征向量。

进一步的，所述线性层包括卷积层和全连接层，通过基于格的同态加密进行卷积计算。

进一步的，所述非线性层利用两方安全计算技术，通过两方协议进行非线性层的计算。