(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210950910.0 (22)申请日 2022.08.09 (71)申请人 合肥中科创安科技有限公司 地址 230088 安徽省合肥市高新区望江西 路900号中安创谷科技园西北角D9栋5 层525室 (72)发明人 汪国航　鲍翊平　叶辉　朱敏敏　 王磊　潮家东　 (51)Int.Cl. G06F 21/60(2013.01) G06F 21/62(2013.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种联合深度学习模式下同态加密的数据 安全分享方法 (57)摘要 本发明公开了一种联合深度学习模式下同 态加密的数据安全分享方法， 属于物联网数据领 域， 信任机构 TA产生密钥， 公开公钥， 分发私钥给 每个用户； 每个用户Ui在自己私 有的本地数据集 上训练模型； GMMA调用Callback请求这些登记用 户上传自己的本地参数梯度值； GMMA通知这些用 户下载最新的全局参数； 请求U i上传它们各自的 本地参数梯度值 ▽i w的密文给GMMA； 请求Ui下载 全局版本的模型参数wglobal， 并将其应用在自己 的模型上。 本发 明使得多个用户协同起来共同训 练一个全局模 型成为可能， 每个用户都不需要泄 漏自己的数据， 却能使自己的模 型受益于其它用 户的数据， 从而实现数据安全分享。 具有用户隐 私保护特性、 容错性和可调节性， 适用于实际部 署。 权利要求书1页 说明书9页 附图2页 CN 115455441 A 2022.12.09 CN 115455441 A 1.一种联合深度学习模式下同态加密的数据安全分享方法， 其特征在于， 其方法步骤 如下： S1.Setup信任机构TA产生密钥， 公开公钥， 分发私钥给每 个用户； S2.Training每个用户Ui(i＝1,2,...,n)在自己私有的本地数据集上训练模型， 为每 个模型参数产生本地梯度 S3.Register  Ui选择一个参数集Ri作为自己向全局模型贡献的更新参数集合， 并且向 全局模型维护机构登记贡献请求； S4.Callback如果至少k个用户登记请求贡献参数w的梯度， GMMA调用Callback请求这 些登记用户上传自己的本地参数梯度值； 同时， 一旦全局模型更新一次， GMMA 通知这些用户 下载最新的全局参数； S5.Upload全局模型维护机构GMMA触 发， 请求Ui上传它们各自的本地参数梯度值 ▽i w的 密文给GM MA； S6.Download全局模型维护机构GMMA触发， 请求Ui下载全局版本的模型参数wglobal， 并 将其应用在自己的模型 上。 2.根据权利要求1所述的联合深度学习模式下同态加密的数据安全分享方法， 其特征 在于， 所述的信任机构TATA产生密钥； 具体地， 首先随机选择两个不相等的大素数p,q， 计算 n＝pq， p＝2p'+1,q＝2q'+1， m＝p'q'， 在Zn*上随机选择元素α， 得到私钥sk＝α m； 在Znm上， 利用Shamir的(k,l)门限秘密分享方案对私钥sk进行分享， 随机选择一个k ‑1多项式G(x)∈ Znm[x]， 并使得G(0)＝α m； 即在Znm上任意选取k ‑1个随机数a0,a1,...,ak‑1， 则G(x)＝a0+a1x +a2x2+...+ak‑1xk‑1， 其中a0＝α m； 在Zn*上随机选择两个元素a,b， 令g＝(1+n)ban mod n2， 如 果元素a在Zn*上的阶是β， 则g在Zn*上的阶是nβ； 计 算θ ＝β α m  mod n， 公开公钥pk(g,n, θ )， 通 过安全信道将秘密 λi(1≤i≤l)分发给 各本地用户Ui； 最后将a,b,sk销毁。 3.根据权利要求2所述的联合深度学习模式下同态加密的数据安全分享方法， 其特征 在于， 所述的全局模 型维护机构GMMA首先初始 化全局模型的参数； 之后该算法一直执行， 直 到达到近似最优模型； 对于参数w， GMMA维护了一个参数贡献用户集合Uw， 该集合记录了所 有参与更新w的用户； 当用户Ui请求贡献参数w， GMMA将其加入到Uw中； 当GMMA接收到用户Ui 对参数w更新的梯度时， 执行聚合密文操作Cw←Cw*Ciw； 当集合Uw 大小达到门限值k时， 密文聚 合操作执行完成； GMMA将聚合后的密文分发给Uw中的用户； 待接收到用户计算出的部分解 密中间值hiw之后， 计算 得到全局梯度的聚合值 的明文； 接着执行全局参数更新操作： 最后将本轮更新之后的全局参数wglobal发送给用户Ui(Ui∈ Uw)。 4.根据权利要求3所述的联合深度学习模式下同态加密的数据安全分享方法， 其特征 在于， 所述的用户Ui与GMMA一样， 首先初始化全局参数， 在全局模型达到近似最优模型之 前， 该算法一直执行； 用户在本地进行一个epoch的训练， 然后选择自己想要更新的参数Ri， 并将这个参数集对GMMA进行注册， 然后请求上传加密参数梯度； 对参数梯度的加密采用 Paillier进行同态加密； 将加密之后的结果上传给GMMA， 当GMMA完成对参数梯度的密文聚 合任务后， 用户接收这个聚合的密文Cw； 然后执行hiw＝(Cw)2l！ λi mod n2进行半解密操作； 将 半解密的结果hiw上传到GMMA， 待GMMA利用聚合的参 数梯度值计 算得到了新一轮的全局参 数 时， 用户下 载这个全局参数， 并用它对本地 参数进行 更新。权　利　要　求　书 1/1 页 2 CN 115455441 A 2一种联合深度学习模式下同 态加密的数据安全分享方 法 技术领域 [0001]本发明涉及 一种物联 网数据领域， 具体是一种联合深度学习模式下同态加密的数 据安全分享方法。 背景技术 [0002]物联网是指通过各种信息传感器、 射频识别技术、 全球定位系统、 红外感应器、 激 光扫描器等各种装置与技术， 实时采集任何需要监控、 连接、 互动的物体或过程， 采集其声、 光、 热、 电、 力学、 化学、 生物、 位置等各种需要的信息， 通过各类可能的网络接入， 实现物与 物、 物与人的泛在连接， 实现对物品和过程的智能化感知、 识别和管理。 物联网是一个基于 互联网、 传统电信网等的信息承载体， 它 让所有能够被独立寻址的普通物理对 象形成互联 互通的网络。 随着物联网和大数据技术的发展， 数据经过共享交互和分析 处理， 无时无刻不 产生着巨大 的信息增 益， 并为我们的生活提供丰富多样的应用选择。 物联网能够通过网络 连接终端或传感器连接到各种各样的东西， 它将是未来一段时间内大数据市场的基本载 体。 随着5G和物联网技术的发展， ID C估计， 到2020年将会有大约五百亿个网络连接设备， 比 PC、 手机和平板电脑等加 起来的数量还要多。 影响物联网两个主要因素包括通信技术和数 据， 其中数据具有突出地位。 从信息论的角度来看， 孤立的数据通常包含着极小的信息量， 只有将数据进行共享交互和分析处理才能获得较大 的信息增益。 因此在物联网时代， 数据 分享是数据发挥其重要价值的前提， 数据分享的聚集效应通过统计学工具和人工智能算法 得到一定程度的放大， 从而创造出巨大的经济效益和社会效益。 [0003]总结现有工作的不足之处： 现有工作所实现的安全大多是面向实现诚实用户之间 的安全通信， 对于系统内部不诚实用户之间的非法通信无法有效阻止。 方案大多在云环境 下构造， 而物联网将普遍采用云+边缘+终端(云边端协同 )的架构， 在这种新架构下进行数 据安全分享的研究尚且不多。 未来物联网结合人工智能， 提供智能化的服务将是一个显著 的发展趋势， 而分布式人工智能系统更加 适合物联网环境， 如何在这种分布式智能环境下 实现用户数据的安全分享将是一个研究热点。 本文将针对以上三点不足， 结合具体的应用 场景， 构造符合特定安全需求的数据安全分享方案 。 发明内容 [0004]对于现有的产生的问题， 本发明的目的在于提供一种联合深度学习模式下同态加 密的数据安全分享方法， 以解决上述背景技 术中提出的问题。 [0005]为实现上述目的， 本发明提供如下技 术方案： [0006]一种联合深度学习模式下同态加密的数据安全分享方法， 其方法步骤如下： [0007]S1.Setup信任机构TA产生密钥， 公开公钥， 分发私钥给每 个用户； [0008]S2.Training每个用户Ui(i＝1,2,...,n)在自己私有的本地数据集上训练模型， 为每个模型参数产生本地梯度 [0009]S3.Register  Ui选择一个参数集Ri作为自己向全局模型贡献的更新参数集合， 并说　明　书 1/9 页 3 CN 115455441 A 3