一种基于机器学习的同态加密处理方法、装置及设备与流程

本技术涉及加密处理，尤其涉及一种基于机器学习的同态加密处理方法、装置及设备。

背景技术：

1、目前，机器学习算法在银行业务的应用越来越广，通过机器学习可以实现对银行业务的客户更加精细化地管理，在此基础上，可以对精准营销、智能风控、运营管理进行赋能。通常情况下，可以在云端部署机器学习服务，将客户端的客户信息发送至云端后，由云端的机器学习模型等对客户信息进行处理。

2、由于客户信息中存在隐私数据，为了防止在云端处理时泄露客户的隐私，可以利用同态加密对客户信息的特征矩阵进行加密处理，然后再由云端的机器学习模型对同态加密后的特征矩阵进行计算处理等，防止隐私数据泄露。

3、不同客户的信息可以为同源信息或者不同源信息，其中，同源是指以同一种规则进行的信息压缩方法，形成的特征矩阵大小尺寸一致，方便管理；非同源是指以多种规则对多条信息进行压缩的方法，形成的特征矩阵大小尺寸不一定相同。

4、当多个客户信息为同源信息时，可以对同源的多个客户信息同时进行同态加密处理得到多个同态加密密文，由机器学习模型对多个同态加密密文进行处理计算。但是当多个客户信息为不同源的信息时，每个客户信息的特征矩阵均需要单独进行同态加密处理，使得每个客户信息对应多个同态加密密文。导致云端机器学习模型对客户信息的同态加密密文处理的时间较长，处理效率比较低。

技术实现思路

1、有鉴于此，本技术提供了一种基于机器学习的同态加密处理方法、装置及设备，以便减少机器学习模型对客户信息的同态加密密文的处理时间，提高处理效率。

2、第一方面，本技术提供了一种基于机器学习的同态加密处理方法，所述方法包括：

3、获取用户的特征矩阵所对应的初始同态加密密文；

4、基于机器学习模型中卷积层的卷积核，对所述初始同态加密密文进行分解，获取多个分解同态加密密文；

5、基于多个所述分解同态加密密文和所述卷积核，确定第一同态加密密文向量；

6、基于所述机器学习模型中全连接层的权重矩阵，对所述第一同态加密密文向量进行复制，获取至少一个第二同态加密密文向量；

7、对所述权重矩阵进行一维编码，获取至少一个一维权重向量，至少一个所述第二同态加密密文向量与至少一个所述一维权重向量相对应；

8、基于所述第二同态加密密文向量和所述一维权重向量，确定第三同态加密密文向量。

9、在一种可能的实现方式中，所述基于机器学习模型中卷积层的卷积核，对所述初始同态加密密文进行分解，获取多个分解同态加密密文，包括：

10、确定所述卷积核中权重的个数；

11、基于所述卷积核的步长确定所述权重与所述初始同态加密密文中各个元素的对应关系；

12、基于所述对应关系和所述个数，对所述初始同态加密密文进行分解，获取所述个数的分解同态加密密文，其中，任一分解同态加密密文中的元素对应同一个权重。

13、在一种可能的实现方式中，所述基于多个所述分解同态加密密文和所述卷积核，确定第一同态加密密文向量，包括：

14、将多个所述分解同态加密密文分别与所述卷积核中对应的权重进行相乘，确定多个卷积同态加密密文向量；

15、将多个所述卷积同态加密密文向量进行求和，确定所述第一同态加密密文向量。

16、在一种可能的实现方式中，所述基于所述机器学习模型中全连接层的权重矩阵，对所述第一同态加密密文向量进行复制，获取至少一个第二同态加密密文向量，包括：

17、确定所述权重矩阵中包括权重的总数；

18、基于所述总数和所述第一同态加密密文向量的长度，确定对所述第一同态加密密文向量进行复制的复制次数；

19、基于所述复制次数对所述第一同态加密密文向量进行复制，获取所述第二同态加密密文向量。

20、在一种可能的实现方式中，当所述第二同态加密密文向量的个数为多个，且所述一维权重向量的个数为多个时，所述基于所述第二同态加密密文向量和所述一维权重向量，确定第三同态加密密文向量，包括：

21、针对任一第二同态加密密文向量，将所述第二同态加密密文向量与所对应的一维权重向量进行相乘，获取乘积同态加密密文向量；

22、将多个所述乘积同态加密密文向量进行求和，确定所述第三同态加密密文向量。

23、在一种可能的实现方式中，当所述第二同态加密密文向量的个数为一个，且所述一维权重向量的个数为一个时，所述基于所述第二同态加密密文向量和所述一维权重向量，确定第三同态加密密文向量，包括：

24、将所述第二同态加密密文向量与所述一维权重向量进行相乘，确定所述第三同态加密密文向量。

25、在一种可能的实现方式中，当所述机器学习模型包括批归一化bn层和激活函数层时，所述基于所述机器学习模型中全连接层的权重矩阵，对所述第一同态加密密文向量进行复制，获取至少一个第二同态加密密文向量，包括：

26、基于所述bn层对所述第一同态加密密文向量进行归一化处理，获取归一化同态加密密文向量；

27、基于所述激活函数层对所述归一化同态加密密文向量进行处理，获取激活同态加密密文向量；

28、对所述激活同态加密密文向量进行复制，获取至少一个所述第二同态加密密文向量。

29、第二方面，本技术提供了一种基于机器学习的同态加密处理装置，所述装置包括：

30、获取单元，用于获取用户的特征矩阵所对应的初始同态加密密文；

31、分解单元，用于基于机器学习模型中卷积层的卷积核，对所述初始同态加密密文进行分解，获取多个分解同态加密密文；

32、第一确定单元，用于基于多个所述分解同态加密密文和所述卷积核，确定第一同态加密密文向量；

33、复制单元，用于基于所述机器学习模型中全连接层的权重矩阵，对所述第一同态加密密文向量进行复制，获取至少一个第二同态加密密文向量；

34、编码单元，用于对所述权重矩阵进行一维编码，获取至少一个一维权重向量，至少一个所述第二同态加密密文向量与至少一个所述一维权重向量相对应；

35、第二确定单元，用于基于所述第二同态加密密文向量和所述一维权重向量，确定第三同态加密密文向量。

36、在一种可能的实现方式中，所述分解单元，具体用于确定所述卷积核中权重的个数；基于所述卷积核的步长确定所述权重与所述初始同态加密密文中各个元素的对应关系；基于所述对应关系和所述个数，对所述初始同态加密密文进行分解，获取所述个数的分解同态加密密文，其中，任一分解同态加密密文中的元素对应同一个权重。

37、在一种可能的实现方式中，所述第一确定单元，具体用于将多个所述分解同态加密密文分别与所述卷积核中对应的权重进行相乘，确定多个卷积同态加密密文向量；将多个所述卷积同态加密密文向量进行求和，确定所述第一同态加密密文向量。

38、在一种可能的实现方式中，所述复制单元，具体用于确定所述权重矩阵中包括权重的总数；基于所述总数和所述第一同态加密密文向量的长度，确定对所述第一同态加密密文向量进行复制的复制次数；基于所述复制次数对所述第一同态加密密文向量进行复制，获取所述第二同态加密密文向量。

39、在一种可能的实现方式中，当所述第二同态加密密文向量的个数为多个，且所述一维权重向量的个数为多个时，所述第二确定单元，具体用于针对任一第二同态加密密文向量，将所述第二同态加密密文向量与所对应的一维权重向量进行相乘，获取乘积同态加密密文向量；将多个所述乘积同态加密密文向量进行求和，确定所述第三同态加密密文向量。

40、在一种可能的实现方式中，当所述第二同态加密密文向量的个数为一个，且所述一维权重向量的个数为一个时，所述第二确定单元，具体用于将所述第二同态加密密文向量与所述一维权重向量进行相乘，确定所述第三同态加密密文向量。

41、在一种可能的实现方式中，当所述机器学习模型包括批归一化bn层和激活函数层时，所述复制单元，具体用于基于所述bn层对所述第一同态加密密文向量进行归一化处理，获取归一化同态加密密文向量；基于所述激活函数层对所述归一化同态加密密文向量进行处理，获取激活同态加密密文向量；对所述激活同态加密密文向量进行复制，获取至少一个所述第二同态加密密文向量。

42、第三方面，本技术提供了一种基于机器学习的同态加密处理设备，所述设备包括：存储器以及处理器；

43、所述存储器用于存储相关的程序代码；

44、所述处理器用于调用所述程序代码，执行上述第一方面任意一种实现方式所述的基于机器学习的同态加密处理方法。

45、第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述第一方面任意一种实现方式所述的基于机器学习的同态加密处理方法。

46、由此可见，本技术具有如下有益效果：

47、在本技术的上述实现方式中，为了利用机器学习模型对用户的信息进行处理，首先需要获取用户的特征矩阵所对应的初始同态加密密文。其中，用户的特征矩阵可以表示用户的信息所对应的特征矩阵。将初始同态加密密文输入到机器学习模型后，可以参照机器学习模型中卷积层的卷积核，对初始同态加密密文进行分解，获取多个分解同态加密密文。基于多个分解同态加密密文和卷积核，确定第一同态加密密文向量。基于机器学习模型中全连接层的权重矩阵，对第一同态加密密文向量进行复制，获取至少一个第二同态加密密文向量。对权重矩阵进行一维编码，获取至少一个一维权重向量，其中，第二同态加密密文向量与一维权重向量具有对应关系。基于第二同态加密密文向量和一维权重向量，确定第三同态加密密文向量。通过本技术实施例的方法，可以用户的特征矩阵加密为一个同态加密密文，然后基于卷积层的结构和全连接层的结构，对同态加密密文进行相应的处理，无需将用户的特征矩阵全部分解为多个同态加密密文后再由机器学习模型处理，可以减少机器学习模型对客户信息的同态加密密文的处理时间，提高处理效率。