一种可验证的隐私保护联邦学习方法

本发明涉及隐私保护，尤其涉及一种可验证的隐私保护联邦学习方法。

背景技术：

1、在当前信息化时代，大数据和人工智能已经成为推动企业发展和创新的重要力量，近年来，机器学习在医学预测、自动驾驶、图像识别等许多领域发挥了重要作用。机器学习需要大量的数据，这些数据往往从用户那里获得。然而，这些数据可能是敏感数据或者包含一些个人隐私信息。例如，在医疗系统中，由于涉及到患者的隐私，医院可能不愿意与云服务器共享患者的医疗数据。另外，由于传统的机器学习一般在明文下进行，这也带来了严重的隐私泄露风险。

技术实现思路

1、本发明的目的在于提供一种可验证的隐私保护联邦学习方法，旨在解决传统的学习方法容易造成隐私泄露的问题。

2、为实现上述目的，本发明提供了一种可验证的隐私保护联邦学习方法，包括以下步骤：

3、可信机构生成单向映射函数、公钥和私钥，并将所述单向映射函数、所述公钥和所述私钥发送至用户，将所述公钥发送至服务器；

4、用户将密文和梯度函数值发送至所述服务器，所述服务器得到加密梯度密文；

5、所述服务器向预设在线用户发送解密请求，并将所述梯度函数值发送至用户验证聚合模型。

6、其中，所述可信机构生成单向映射函数、公钥和私钥，并将所述单向映射函数、所述公钥和所述私钥发送至用户，将所述公钥发送至服务器，包括：

7、参数初始化；

8、可信机构初始化模型参数生成单向映射函数；

9、所述可信机构为每个用户生成所述公钥和所述私钥发送至用户，将所述公钥发送至服务器。

10、其中，所述参数初始化包括全局权重、学习率和训练轮次。

11、其中，所述用户将密文和梯度函数值发送至所述服务器，所述服务器得到加密梯度密文，包括：

12、每个用户使用所述公钥计算密文和梯度函数值；

13、每个用户将所述密文和所述梯度函数值发送至所述服务器，所述服务器得到加密梯度密文。

14、其中，所述服务器向预设在线用户发送解密请求，并将所述梯度函数值发送至用户验证聚合模型，包括：

15、所述服务器向预设在线用户发送解密请求后，被选中的用户向所述服务器发送解密共享，所述服务器计算解密聚合结果；

16、所述服务器计算聚合梯度的单向函数值，并将所述梯度函数值发送至用户验证聚合模型。

17、本发明的一种可验证的隐私保护联邦学习方法，包括以下步骤：可信机构生成单向映射函数、公钥和私钥，并将所述单向映射函数、所述公钥和所述私钥发送至用户，将所述公钥发送至服务器；用户将密文和梯度函数值发送至服务器，所述服务器得到加密梯度密文；服务器向预设在线用户发送解密请求，并将所述梯度函数值发送至用户验证聚合模型。本发明通过构造一个不可逆的单向映射函数，使用户在不需要可信第三方的情况下可以独立地验证服务器返回聚合结果的正确性。采用分布式paillier密码系统和同态加密技术，保护用户在传输阶段的信息安全，同时可以抵抗服务器与小部分用户的共谋攻击，从而解决了传统的学习方法容易造成隐私泄露的问题。

技术特征：

1.一种可验证的隐私保护联邦学习方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种可验证的隐私保护联邦学习方法，其特征在于，

3.如权利要求2所述的一种可验证的隐私保护联邦学习方法，其特征在于，

4.如权利要求3所述的一种可验证的隐私保护联邦学习方法，其特征在于，

5.如权利要求4所述的一种可验证的隐私保护联邦学习方法，其特征在于，

技术总结本发明涉及隐私保护技术领域，具体涉及一种可验证的隐私保护联邦学习方法，包括以下步骤：可信机构生成单向映射函数、公钥和私钥，并将单向映射函数、公钥和私钥发送至用户，将公钥发送至服务器；用户将密文和梯度函数值发送至服务器，服务器得到加密梯度密文；服务器向预设在线用户发送解密请求，并将梯度函数值发送至用户验证聚合模型。本发明通过构造一个不可逆的单向映射函数，使用户在不需要可信第三方的情况下可以独立地验证服务器返回聚合结果的正确性。采用分布式Paillier密码系统和同态加密技术，保护用户在传输阶段的信息安全，同时可以抵抗服务器与小部分用户的共谋攻击，从而解决了传统的学习方法容易造成隐私泄露的问题。技术研发人员：王会勇,杨腾飞,唐士杰,丁勇,王继奎受保护的技术使用者：桂林电子科技大学技术研发日：技术公布日：2024/9/9