[发明专利]基于茫然传输协议的隐私保护基因序列比对方法及系统

说明书

本发明公开一种基于茫然传输协议的隐私保护基因序列比对方法及系统，包括：设定共享的公开随机字符串；采用独热编码对第一基因序列和第二基因序列进行编码；对第一基因序列碱基编码中的有效位选取第一随机字符串和第二随机字符串，以构成第一随机有序对，且有效位的第一随机字符串满足公开随机字符串，对非有效位选取第二随机有序对，以此得到碱基编码有序对；根据第二基因序列碱基编码中每个比特位和碱基编码有序对执行茫然传输协议，得到每个比特位的匹配结果；根据匹配结果判断第一基因序列和第二基因序列是否相等。在保护基因序列信息的同时实现基因序列的高效安全比对。

技术领域

本发明涉及基因序列比对技术领域，特别是涉及一种基于茫然传输协议的隐私保护基因序列比对方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

由于基因数据固有的敏感特性，基因数据的共享和传播会带来隐私泄露问题，比如(1)基因数据唯一标识人类个体，可以用于身份识别；(2)基因数据含有家族之间的血缘关系信息；(3)基因数据与遗传、表型和易感疾病等密切关联；(4)基因数据含有未被提取或未获得的敏感信息内容。

因此，基因数据的隐私泄露会产生不良影响；在早期，对于基因数据的保护，主要是通过匿名化技术实现的；然而即便对基因谱系进行匿名化处理，匿名记录的重新识别仍是可能的，而且概率很大。

为了提供更强的安全保障，利用密码学方法(包括同态加密和混淆电路等)对基因数据进行隐私保护的研究工作相继被提出。同态加密允许在密文上进行运算而不需要解密数据，但由于技术的瓶颈，其研究并没有取得重大的突破；混淆电路允许持有各自隐私数据的两方联合计算某个既定的函数，而不会泄露任何一方的隐私数据信息，但其实用性存在争议。

目前对于基因数据的研究工作大多集中在提高计算准确率及运行效率上，少数考虑了围绕基因序列比对方面的数据隐私安全。

另外，基因序列由四种基本的核苷酸(腺嘌呤A、鸟嘌呤G、胞嘧啶C、胸腺嘧啶T)构成，在对基因数据执行序列比对、搜索或相似性计算时，通常需要对基因序列编码，例如采用二进制编码：A—00，G—01，C—10，T—11；但基于这种简单的编码方式对基因序列进行上述操作时并不安全，极易遭受恶意敌手的攻击，导致基因数据的泄露。

发明内容

为了解决上述问题，本发明提出一种基于茫然传输协议的隐私保护基因序列比对方法及系统，在保护基因序列信息的同时实现基因序列的高效安全比对。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于茫然传输协议的隐私保护基因序列比对方法，包括：

设定第一基因序列和第二基因序列共享的公开随机字符串；

采用独热编码对第一基因序列和第二基因序列分别进行编码；

对第一基因序列碱基编码中的有效位选取第一随机字符串和第二随机字符串，以构成第一随机有序对，且所有有效位的第一随机字符串满足公开随机字符串，对非有效位选取第二随机有序对，以此得到碱基编码有序对；

根据第二基因序列碱基编码中每个比特位，以及第一基因序列的碱基编码有序对，执行茫然传输协议，得到每个比特位的匹配结果；

根据第二基因序列碱基编码中所有有效位所在比特位的匹配结果，判断是否满足公开随机字符串，以此得到第一基因序列和第二基因序列是否相等的比对结果。

作为可选择的实施方式，第一随机字符串r_i满足其中，r为公开随机字符串，i为第一基因序列碱基编码中第i个有效位，D为第一基因序列碱基编码中有效位所在的集合。