[发明专利]基于同态加密的安全卷积神经网络及其使用方法

说明书

本发明公开了一种基于同态加密的安全卷积神经网络及其使用方法，包括基于同态加密的安全卷积模块、基于同态加密的安全池化模块、基于差分隐私的安全激活模块和基于同态加密的安全全连接模块，通过设计同态加密条件下的高效的卷积运算、池化运算、激活运算、全连接运算等构建安全的卷积神经网络方法，协同服务器和用户完成卷积神经网络运算，将服务器无法进行的无参逻辑运算交给用户运算，使用同态加密的SIMD特性提高运算效率，配合密文旋转和差分隐私算法有效保护计算过程中的各方隐私，在保证推理精度不变的情况下降低通信量、提升计算效率。

技术领域

本发明属于密码学应用的技术领域，涉及一种新的基于同态加密算法的应用实例，具体涉及一种基于同态加密的安全卷积神经网络及其使用方法。

背景技术

近十年来，随着计算机科学与技术领域的关键技术突破，大数据、云计算、区块链、人工智能等对人类社会的各个方面产生了极为深刻的影响。作为人工智能的重要分支，神经网络在计算机视觉、声音识别、医疗诊断等领域获得了广泛运用，云计算技术进一步扩大了神经网络运用的规模。由于神经网络需要巨量的算力和存储资源，借助云计算技术能更好的发挥作用：推理服务提供方使用数据训练神经网络模型并部署在云端提供服务，用户根据需求将个人数据上传云端，云服务提供商使用神经网络模型对用户数据进行推理计算并将推理结果反馈用户。在这种框架之下，用户的数据对云服务提供商单向透明，云服务提供商掌握大量的用户数据，可见，云服务给用户带来便利的同时，具有较大的隐私安全隐患。

卷积神经网络在图像分类等运用中得到广泛的运用，当前主要的运用方式是：用户将个人图像上传云端，云服务提供方使用卷积神经网络对用户图像进行分类运算得到分类结果并反馈给用户。在这种框架下，必须使用明文图像进行相关运算，如何在保证用户隐私情况下完成卷积神经网络的运算成为当前研究的热点，同态加密算法为解决上述问题提供了可能。同态加密算法的具体思想是对明文数据进行加密并进行相关运算，得到的密文结果解密后与明文进行相同运算的结果一致，当前有很多成熟的同态加密算法，使用同态加密算法实现密文下的卷积神经网络推理已经有很多探索，但同态加密算法存在密文扩张严重、乘法次数有限、无法进行逻辑运算等问题，导致在卷积神经网络运用中存在无法实现复杂的神经网络、分类精度下降、密文扩张严重等问题。

发明内容

本发明正是针对现有技术中存在的问题，提供一种基于同态加密的安全卷积神经网络及其使用方法，包括基于同态加密的安全卷积模块、基于同态加密的安全池化模块、基于差分隐私的安全激活模块和基于同态加密的安全全连接模块，通过设计同态加密条件下的高效的卷积运算、池化运算、激活运算、全连接运算等构建安全的卷积神经网络方法，协同服务器和用户完成卷积神经网络运算，将服务器无法进行的无参逻辑运算交给用户运算，使用同态加密的SIMD特性提高运算效率，配合密文旋转和差分隐私算法有效保护计算过程中的各方隐私，在保证推理精度不变的情况下降低通信量、提升计算效率。

为了实现上述目的，本发明采取的技术方案是：基于同态加密的安全卷积神经网络，包括基于同态加密的安全卷积模块、基于同态加密的安全池化模块、基于差分隐私的安全激活模块和基于同态加密的安全全连接模块，

所述基于同态加密的安全卷积模块：服务器与用户协商卷积神经网络的图像参数，对特征图像进行编码、加密后，得到特征图像密文；旋转特征图像密文，再使用SIMD特性进行批量卷积运算，变化运算结果得到密文卷积结果；

所述基于同态加密的安全池化模块：包括基于同态加密的最大池化模块和基于同态加密的平均池化模块，

所述基于同态加密的最大池化模块中，服务器与用户协商池化参数，对特征图像密文进行旋转和差分隐私运算后，解密特征图像密文，并进行池化运算，得到密文最大池化结果；

所述基于同态加密的平均池化模块中，服务器与用户协商池化参数，对特征图像进行编码、加密后，得到特征图像密文，旋转特征图像密文，再使用SIMD特性进行批量卷积运算，变化运算结果得到平均池化结果；