基于神经网络模型的隐私计算方法技术

本发明专利技术涉及信息技术领域，具体涉及一种基于神经网络模型的隐私计算方法，包括：建立神经网络模型；在输入层构建对数神经元；在隐藏层构建若干个乘积项神经元；根据目标函数获得样本数据，使用样本数据训练和测试神经网络模型；将神经网络模型拆分为若干个子模型和主模型；构建汇总节点，将主模型发送给汇总节点；参与节点将各自的隐私数及隐私数对数分别拆分为若干个加数，将加数和对数加数分配给若干个参与节点；参与节点使用分配到的加数及对数加数计算子模型的输出，记为中间值；汇总节点将同子模型编号的中间值求和后代入主模型，获得主模型的输出。本发明专利技术的实质性效果是：促进数据的共享和流通，提高隐私计算的效率高，确保数据安全。数据安全。数据安全。

【技术实现步骤摘要】
基于神经网络模型的隐私计算方法


[0001]本专利技术涉及信息
，具体涉及一种基于神经网络模型的隐私计算方法。

技术介绍

[0002]隐私计算（Privacy
‑
preserving computation）是指在保证数据提供方不泄露原始数据的前提下，对数据进行分析计算的一系列信息技术，保障数据在流通与融合过程中的“可用不可见”。随着信息技术的发展，以大数据为代表的信息资源向生产要素的形态演进。数据已和土地、劳动力、资本及技术要素一起并称为五个生产要素，对生产力发展有深远和广泛的影响。数据要素具有其特殊性，最显著的特殊性在于数据能够被不断的复制且泄露不可逆。造成了目前数据要素使用的主要矛盾。即数据的分享能够带来价值，但同时也会造成数据的泄露。出于竞争需求及隐私保密等考虑，大部分企业目前仍然对数据要素的流通参与极少。但目前的隐私计算技术的效率低下，仍然不能推动数据要素的广泛流通。
[0003]如中国专利CN112883408A，公开日2021年6月1日，一种用隐私计算的加解密系统和芯片，该芯片包括：接收多个待处理数据的输入接口；模幂计算子系统，包括多个计算单元及其模幂计算引擎，根据多个待处理数据分别生成多个模幂计算结果。该芯片针对多个待处理数据中的每一个：当与该待处理数据对应的算子操作是用于隐私计算加密算法时，调用前处理模块和加密模块从而与模幂计算子系统协同完成该算子操作，当与该待处理数据对应的算子操作是用于隐私计算解密算法时，调用解密模块从而与模幂计算子系统协同完成该算子操作，当与该待处理数据对应的算子操作是用于密态运算算法时，调用模幂计算子系统完成该算子操作。如此复用计算资源而有利于提高计算性能和节省功耗。但其建立隐私计算需要依赖专用的硬件，建立隐私计算的成本高昂。

技术实现思路

[0004]本专利技术要解决的技术问题是：目前缺乏高效率的隐私计算方案的技术问题。提出了一种基于神经网络模型的隐私计算方法，本方法能够高效率的实现隐私计算，方便隐私计算的推广应用。
[0005]为解决上述技术问题，本专利技术所采取的技术方案为：基于神经网络模型的隐私计算方法，包括：任一参与节点建立神经网络模型，所述神经网络模型的输入神经元与隐私数一一对应，所述神经网络模型的输出为目标函数的输出；在输入层构建对数神经元，对数神经元与输入神经元一一对应，对数神经元的输入数为对应输入神经元的自然对数的值；在隐藏层构建若干个乘积项神经元，所述乘积项神经元的激活函数为自然常数的指数函数，所述乘积项神经元与对数神经元连接；根据目标函数获得样本数据，使用样本数据训练和测试神经网络模型；将神经网络模型拆分为若干个子模型和主模型，子模型与第1层隐藏层神经元一一对应，子模型的输入为与第1层隐藏层神经元连接的输入层神经元，子模型的输出为第1层隐藏层神经元的输入数，所述主模型为神经网络模型去除子模型获得；构建汇总节点，将子模型分配子模型编号后向全部参与节点公开，将主模型发送给汇总节点；若干个
参与节点将各自的隐私数分别拆分为若干个加数，将隐私数的自然对数拆分为若干个对数加数，将加数和对数加数分配给若干个参与节点；参与节点使用分配到的加数及对数加数计算子模型的输出，记为中间值，将中间值关联子模型编号发送给汇总节点；汇总节点将同子模型编号的中间值求和作为子模型的最终输出，将子模型的输出代入主模型，获得主模型的输出，即为隐私计算结果。
[0006]作为优选，根据目标函数获得样本数据的方法包括：所述参与节点向其他参与节点索要隐私数的取值范围，若参与节点未返回隐私数，则使用预设的默认取值范围；所述参与节点在每个隐私数的取值范围内，均匀生成隐私数的多个举例数；将隐私数的举例数随机组合为取值组，将取值组代入目标函数，获得目标函数的结果；将结果作为标签值标记所述取值组作为样本数据。
[0007]作为优选，获得样本数据的方法包括：若干个参与节点分别将各自的隐私数取值范围划分为若干个区间，分别统计各自的隐私数落入每个区间的概率，作为区间概率，将区间及区间概率发送给生成样本数据的参与节点；所述参与节点随机在隐私数对应的取值范围内生成举例数，使举例数在区间的分布概率与区间概率相符；将隐私数的举例数随机组合为取值组，将取值组代入目标函数，获得目标函数的结果；将结果作为标签值标记所述取值组，作为样本数据。
[0008]作为优选，所述参与节点建立神经网络模型拟合目标函数时，生成混淆变量，混淆变量取值范围为[T
‑
ε,T+ε]，T和ε均为预设常数，建立神经网络模型时，将混淆变量视为隐私数，所述参与节点在取值范围内生成混淆变量的举例值纳入样本数据，所述参与节点在所述取值范围内随机生成混淆变量的值，将混淆变量视为隐私数，参与到子模型的计算中。
[0009]作为优选，所述参与节点生成多个混淆变量，混淆变量的取值范围为[Ti
‑
ε,Ti+ε]，每个混淆变量的取值范围中Ti的值不同，将多个混淆变量随机分配给多个参与节点，多个参与节点在对应的取值范围内生成随机数作为混淆变量的值，将分配到的混淆变量视为隐私数，参与到子模型的计算中。
[0010]作为优选，所述参与节点将乘积项神经元对应的子模型向全部参与节点公开前，为每个乘积项神经元对应的子模型生成混淆偏移数，将主模型中涉及乘积项神经元对应子模型的连接的权系数均除以子模型的混淆偏移数，而后将主模型发送给汇总节点，为子模型的每个输入神经元生成调整偏移数，将子模型及调整偏移数向全部参与节点公开，所述参与节点计算乘积项神经元对应的子模型时，将分配到的加数与调整偏移数相加后，再计算子模型的输出，所述调整偏移数满足如下条件：当子模型的输入神经元的隐私数值均为1时，所述子模型的输出等于所述混淆偏移数。
[0011]作为优选，每个所述混淆偏移数对应多个调整偏移数，调整偏移数的数量与参与节点数量相同，多个调整偏移数分别分配给多个参与节点，所述参与节点计算子模型时，将对应的输入神经元的加数与调整偏移数相加后，再计算子模型的输出，多个调整偏移数满足如下条件：当子模型的输入神经元的隐私数取值均为1时，所述子模型的输出等于所述混淆偏移数。
[0012]本专利技术的实质性效果是：通过神经网络模型能拟合任意函数，实现复杂的隐私计算过程，在保证数据隐私的情况下，促进数据的共享和流通；隐私计算过程不涉及复杂的加密运算，隐私计算的效率高；借助混淆变量进一步提高数据隐私安全，确保数据安全。
附图说明
[0013]图1为实施例一隐私计算方法示意图。
[0014]图2为实施例一获得样本数据方法示意图。
[0015]图3为实施例一考虑区间概率的样本数据获得方法示意图。
[0016]图4为实施例二混淆偏移数生成方法示意图。
具体实施方式
[0017]下面通过具体实施例，并结合附图，对本专利技术的具体实施方式作进一步具体说明。
[0018]实施例一：基于神经网络模型的隐私计算方法，请参阅附图1，包括：步骤A01）任一参与节点建立神经网络模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络模型的隐私计算方法，其特征在于，包括：任一参与节点建立神经网络模型，所述神经网络模型的输入神经元与隐私数一一对应，所述神经网络模型的输出为目标函数的输出；在输入层构建对数神经元，对数神经元与输入神经元一一对应，对数神经元的输入数为对应输入神经元的自然对数的值；在隐藏层构建若干个乘积项神经元，所述乘积项神经元的激活函数为自然常数的指数函数，所述乘积项神经元与对数神经元连接；根据目标函数获得样本数据，使用样本数据训练和测试神经网络模型；将神经网络模型拆分为若干个子模型和主模型，子模型与第1层隐藏层神经元一一对应，子模型的输入为与第1层隐藏层神经元连接的输入层神经元，子模型的输出为第1层隐藏层神经元的输入数，所述主模型为神经网络模型去除子模型获得；构建汇总节点，将子模型分配子模型编号后向全部参与节点公开，将主模型发送给汇总节点；若干个参与节点将各自的隐私数分别拆分为若干个加数，将隐私数的自然对数拆分为若干个对数加数，将加数和对数加数分配给若干个参与节点；参与节点使用分配到的加数及对数加数计算子模型的输出，记为中间值，将中间值关联子模型编号发送给汇总节点；汇总节点将同子模型编号的中间值求和作为子模型的最终输出，将子模型的输出代入主模型，获得主模型的输出，即为隐私计算结果。2.根据权利要求1所述的基于神经网络模型的隐私计算方法，其特征在于，根据目标函数获得样本数据的方法包括：所述参与节点向其他参与节点索要隐私数的取值范围，若参与节点未返回隐私数，则使用预设的默认取值范围；所述参与节点在每个隐私数的取值范围内，均匀生成隐私数的多个举例数；将隐私数的举例数随机组合为取值组，将取值组代入目标函数，获得目标函数的结果；将结果作为标签值标记所述取值组作为样本数据。3.根据权利要求1所述的基于神经网络模型的隐私计算方法，其特征在于，获得样本数据的方法包括：若干个参与节点分别将各自的隐私数取值范围划分为若干个区间，分别统计各自的隐私数落入每个区间的概率，作为区间概率，将区间及区间概率发送给生成样本数据的参与节点；生成样本数据的参与节点随机在隐私数对应的取值范围内生成举例数，使举例数在区间的分布概率与区间概率相符；将隐私数的举例数随机...

【专利技术属性】
技术研发人员：张金琳，高航，
申请(专利权)人：浙江数秦科技有限公司，
类型：发明
国别省市：