一种隐私保护的图神经网络训练方法及系统技术方案

本发明专利技术公开了一种隐私保护的图神经网络训练方法及系统，本发明专利技术提供的隐私保护的图神经网络训练方法中，图数据的原始数据持有终端对图数据中节点的真实邻居节点中填充了虚假的邻居节点，并设置了虚假的邻居节点对应的边权值为0，将包括真实邻居节点和虚假邻居节点对应的边权值组成的数组以及节点的特征向量基于加性秘密共享的方式进行加密后分别发送给第一计算终端和第二计算终端进行图神经网络训练过程中的计算，实现了图数据所有者将非结构化信息以及结构化信息进行细致完全的加密处理、计算终端可以在不获知明文图数据的情况下进行隐私保护的图神经网络训练的效果。况下进行隐私保护的图神经网络训练的效果。况下进行隐私保护的图神经网络训练的效果。

【技术实现步骤摘要】
一种隐私保护的图神经网络训练方法及系统


[0001]本专利技术涉及信息安全
，特别涉及一种隐私保护的图神经网络训练方法及系统。

技术介绍

[0002]隐私保护的机器学习近年来受到了极大的关注，然而现有的隐私保护的机器学习训练工作都是关于卷积神经网络的训练，即设计面向非图结构数据的隐私保护的机器学习训练协议，而相较于非图结构数据，图结构数据中除了有非结构化信息如图节点的特征以及部分节点的标签需要保护之外，还有诸如每个节点的邻居节点、连接的节点之间的权值，每个节点的邻居节点的数量等多种结构化信息需要保护，现有技术中并没有如何在图结构数据上进行图卷积网络的隐私保护训练的解决方案。
[0003]因此，现有技术还有待改进和提高。

技术实现思路

[0004]针对现有技术的上述缺陷，本专利技术提供一种隐私保护的图神经网络训练方法及系统，旨在解决现有技术中没有在图结构数据上进行图卷积网络的隐私保护训练的解决方案的问题。
[0005]为了解决上述技术问题，本专利技术所采用的技术方案如下：
[0006]本专利技术的第一方面，提供一种隐私保护的图神经网络训练方法，所述方法包括：
[0007]原始数据持有终端随机生成图数据中的目标节点对应的第一加密向量，基于所述第一加密向量和所述目标节点对应的初始特征向量生成所述目标节点对应的第二加密向量，并将所述第一加密向量发送给第一计算终端，将所述第二加密向量发送给第二计算终端，其中，所述第一加密向量和所述第二加密向量的和为所述目标节点对应的初始特征向量；
[0008]所述原始数据持有终端基于所述目标节点对应的邻居节点和所述目标节点的邻居节点与所述目标节点的连线对应的边权值生成所述目标节点对应的目标数组，所述目标数组中的元素的索引为所述目标节点的真实邻居节点的节点ID和虚假邻居节点的节点ID，所述目标数组中的元素包括第一元素和第二元素，所述第一元素为所述目标节点的真实邻居节点的节点ID对应的元素，所述第二元素为所述虚假邻居节点对应的元素，所述第一元素为所述目标节点的真实邻居节点与所述目标节点的连线对应的边权值，所述第二元素为0；
[0009]所述原始数据持有终端随机生成所述目标节点对应的第一加密数组，基于所述第一加密数组和所述目标数组生成所述目标节点对应的第二加密数组，将所述第一加密数组发送给所述第一计算终端，将所述第二加密数组发送给所述第二计算终端，其中，所述第一加密数组和所述第二加密数组的和为所述目标数组；
[0010]所述第一计算终端和所述第二计算终端根据接收到的数据，基于加性秘密共享执
行图神经网络训练过程中的计算。
[0011]所述的隐私保护的图神经网络训练方法，其中，所述第一计算终端和所述第二计算终端根据接收到的数据，基于加性秘密共享执行图神经网络训练过程中的计算之前，包括：
[0012]所述第一计算终端和所述第二计算终端基于加性秘密共享对所述目标节点对应的初始特征向量进行归一化处理。
[0013]所述的隐私保护的图神经网络训练方法，其中，所述第一计算终端和所述第二计算终端根据接收到的数据，基于加性秘密共享执行图神经网络训练过程中的计算，包括：
[0014]所述第一计算终端和所述第二计算终端基于加性秘密共享通过第一计算公式协同计算所述目标节点在图神经网络第k层的聚合状态；
[0015]所述第一计算公式为：
[0016][0017]其中，表示所述目标节点v
i
在第k层的聚合状态，表示所述目标节点v
i
在第k层的初始状态，表示所述目标节点v
i
的所有边权值的和，d
max
为所述图数据中所有节点中最大的度，表示所述节点的所有边权值的和，表示节点在第k层的初始状态；表示所述目标节点v
i
与所述目标节点v
i
的邻居节点的边权值；
[0018]其中，所述目标节点在图神经网络的第0层的初始状态为所述目标节点对应的初始特征向量。
[0019]所述的隐私保护的图神经网络训练方法，其中，所述第一计算终端和所述第二计算终端根据接收到的数据，基于加性秘密共享执行图神经网络训练过程中的计算，包括：
[0020]所述原始数据持有终端随机生成第一状态加密数组，并基于所述第一状态加密数组和目标状态数组生成第二状态加密数组，将所述第一状态加密数组发送给所述第一计算终端，将所述第二状态加密数组发送给所述第二计算终端，其中，所述第一状态加密数组和所述第二状态加密数组的和为所述目标状态数组，所述目标状态数组中的元素为所述图数据中所有节点在第k层的初始状态；
[0021]所述第一计算终端按照第一预设方式对所述第一状态加密数组进行旋转后生成第一旋转数组发送至第三计算终端，所述第二计算终端按照第一预设方式对所述第二状态加密数组进行旋转生成第二旋转数组发送至第三计算终端；
[0022]所述原始数据持有终端基于所述第一预设方式和所述第二预设方式确定所述目标节点的邻居节点在第k层的初始状态在所述第一旋转数组和所述第二旋转数组中对应的目标位置并将所述目标位置发送至所述第三计算终端；
[0023]所述第三计算终端基于所述目标位置获取所述图数据中的节点在第k层的初始状态，并生成第一加密状态和第二加密状态，将所述第一加密状态发送至所述第一计算终端，将所述第二加密状态发送至所述第二计算终端，以使得所述第一计算终端和所述第二计算
终端基于加性秘密共享协同执行所述目标节点的聚合状态的计算。
[0024]所述的隐私保护的图神经网络训练方法，其中，所述第一计算终端按照所述第一预设方式对所述第一状态加密数组进行旋转后为每个元素添加噪声后生成所述第一旋转数组，所述第二计算终端按照所述第二预设方式对所述第二状态加密数组进行旋转后为每个元素添加噪声后生成所述第二旋转数组。
[0025]所述的隐私保护的图神经网络训练方法，其中，所述第一计算终端和所述第二计算终端根据接收到的数据，基于加性秘密共享执行图神经网络训练过程中的计算，包括：
[0026]对于图神经网络训练过程中的除法运算，所述第一计算终端和所述第二计算终端基于加性秘密共享通过第二计算公式迭代计算得到分母的倒数，再基于加性秘密共享对分母的倒数和分子进行乘法运算；
[0027]其中，所述第二计算公式为：
[0028]y
n+1
＝y
n
(2
‑
xy
n
)；
[0029]其中，y
n
表示第n次迭代计算分母倒数的计算结果，x表示除法运算中的分母；
[0030]对于图神经网络训练过程中的平方根运算，所述第一计算终端和所述第二计算终端基于加性秘密共享通过第三计算公式迭代计算得到平方根的倒数；
[0031]其中，所述第三计算公式为：
[0032][0033]其中，y
′
n
表示第n次迭代计算方根倒本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种隐私保护的图神经网络训练方法，其特征在于，所述方法包括：原始数据持有终端随机生成图数据中的目标节点对应的第一加密向量，基于所述第一加密向量和所述目标节点对应的初始特征向量生成所述目标节点对应的第二加密向量，并将所述第一加密向量发送给第一计算终端，将所述第二加密向量发送给第二计算终端，其中，所述第一加密向量和所述第二加密向量的和为所述目标节点对应的初始特征向量；所述原始数据持有终端基于所述目标节点对应的邻居节点和所述目标节点的邻居节点与所述目标节点的连线对应的边权值生成所述目标节点对应的目标数组，所述目标数组中的元素的索引为所述目标节点的真实邻居节点的节点ID和虚假邻居节点的节点ID，所述目标数组中的元素包括第一元素和第二元素，所述第一元素为所述目标节点的真实邻居节点的节点ID对应的元素，所述第二元素为所述虚假邻居节点对应的元素，所述第一元素为所述目标节点的真实邻居节点与所述目标节点的连线对应的边权值，所述第二元素为0；所述原始数据持有终端随机生成所述目标节点对应的第一加密数组，基于所述第一加密数组和所述目标数组生成所述目标节点对应的第二加密数组，将所述第一加密数组发送给所述第一计算终端，将所述第二加密数组发送给所述第二计算终端，其中，所述第一加密数组和所述第二加密数组的和为所述目标数组；所述第一计算终端和所述第二计算终端根据接收到的数据，基于加性秘密共享执行图神经网络训练过程中的计算。2.根据权利要求1所述的隐私保护的图神经网络训练方法，其特征在于，所述第一计算终端和所述第二计算终端根据接收到的数据，基于加性秘密共享执行图神经网络训练过程中的计算之前，包括：所述第一计算终端和所述第二计算终端基于加性秘密共享对所述目标节点对应的初始特征向量进行归一化处理。3.根据权利要求1所述的隐私保护的图神经网络训练方法，其特征在于，所述第一计算终端和所述第二计算终端根据接收到的数据，基于加性秘密共享执行图神经网络训练过程中的计算，包括：所述第一计算终端和所述第二计算终端基于加性秘密共享通过第一计算公式协同计算所述目标节点在图神经网络第k层的聚合状态；所述第一计算公式为：其中，表示所述目标节点v
i
在第k层的聚合状态，表示所述目标节点v
i
在第k层的初始状态，表示所述目标节点v
i
的所有边权值的和，d
max
为所述图数据中所有节点中最大的度，表示所述节点的所有边权值的和，表示节点在第k层的初始状态；表示所述目标节点v
i
与所述目标节点v
i
的邻居节点的边权值；其中，所述目标节点在图神经网络的第0层的初始状态为所述目标节点对应的初始特征向量。
4.根据权利要求1所述的隐私保护的图神经网络训练方法，其特征在于，所述第一计算终端和所述第二计算终端根据接收到的数据，基于加性秘密共享执行图神经网络训练过程中的计算，包括：所述原始数据持有终端随机生成第一状态加密数组，并基于所述第一状态加密数组和目标状态数组生成第二状态加密数组，将所述第一状态加密数组发送给所述第一计算终端，将所述第二状态加密数组发送给所述第二计算终端，其中，所述第一状态加密数组和所述第二状态加密数组的和为所述目标状态数组，所述目标状态数组中的元素为所述图数据中所有节点在第k层的初始状态；所述第一计算终端按照第一预设方式对所述第一状态加密数组进行旋转后生成第一旋转数组发送至第三计算终端，所述第二计算终端按照第一预设方式对所述第二状态加密数组进行旋转生成第二旋转数组发送至第三计算终端；所述原始数据持有终端基于所述第一预设方式和所述第二预设方式确定所述目标节点的邻居节点在第k层的初始状态在所述第一旋转数组和所述第二旋转数组中对应的目标位置并将所述目标位置发送至所述第三计算终端；所述第三计算终端基于所述目标位置获取所述图数据中的节点在第k层的初始状态，并生成第一加密状态和第二加密状态，将所述第一加密状态发送至所述第一计算终端，将所述第二加密状态发送至所述第二计算终端，以使得所述第一计算终端和所述第二计算终端基于加性秘密共享协同执行所述目标节点的聚合状态的计算。5.根据权利要求4所述的隐私保护的图神经网络训练方法，其特征在于，所述第一计算终端按照所述第一预设方式对所述第一状态加密数组进行旋转后为每个元素添加噪声后生成所述第一旋转数组，所述第二计算终端按照所述第二预设方式对所述第二状态加密数组进行旋转后为每个元素添加噪声后生成所述第二旋转数组。6.根据权利要求1<...

【专利技术属性】
技术研发人员：郑宜峰，王松磊，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：