(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 202210758385.2 (22)申请日 2022.06.30 (71)申请人 中国人民解 放军战略支援 部队信息 工程大学 地址 450000 河南省郑州市高新区科 学大 道62号 (72)发明人 胡学先　杨鸿健　魏江宏　李可佳　 徐阳　张蕾　 (74)专利代理 机构 郑州大通专利商标代理有限 公司 41111 专利代理师 周艳巧 (51)Int.Cl. G06N 20/10(2019.01) G06F 21/60(2013.01) G06F 21/62(2013.01) (54)发明名称 基于同态加密的隐私保护非线性联邦支持 向量机训练方法及系统 (57)摘要 本发明属于隐私保护的机器学习技术领域， 特别涉及一种基于同态加密 的隐私保护非线性 联邦支持向量机训练方法及系统， 各参与方利用 密钥协商协议获取组密钥及用于生成原始数据 映射函数的随机种子； 利用随机种子生成映射函 数， 并使用映射函数将各参与方的本地数据集作 为原始数据映射到相同高维空间， 以获取各参与 方对应的高维数据； 并利用高维数据作为训练样 本， 使用隐私保护的联邦SVM算法训练局部模型 参数， 并通过服务器利用同态加密运算聚合各局 部模型参数， 通过联合训练来获取最终模型。 本 发明可以实现隐私保护的联邦SVM联合训练， 可 兼顾各参与方隐私保护及训练速度， 能够缓解引 入密码系统带来的高额时间开销， 便于实际场景 应用。 权利要求书2页 说明书6页 附图3页 CN 115392487 A 2022.11.25 CN 115392487 A 1.一种基于同态加密的隐私保护非线性联邦支持向量机训练方法， 其特征在于， 包含 如下内容： 各参与方利用密钥协商协议获取组密钥及用于生成原 始数据映射 函数的随机种子； 各参与方利用随机种子生成映射函数， 并使用映射函数将各参与 方的本地数据集作为 原始数据映射到相同高维空间， 以获取 各参与方对应的高维数据； 各参与方利用高维数据作为训练样本， 使用隐私保护的联邦SVM算法训练局部模型参 数， 并通过服 务器利用同态加密运 算聚合各局部模型参数， 通过 联合训练来获取最终模型。 2.根据权利要求1所述的基于同态加密的隐私保护非线性联邦支持向量机训练方法， 其特征在于， 各参与方采用Burmester ‑Desmedt协议作为密钥协商协议来获取公私钥对； 并 将自身公钥广播给其 他参与方； 通过 各参与方参与密钥协商的中间参数来获取组密钥。 3.根据权利要求1或2所述的基于同态加密的隐私保护非线性联邦支持向量机训练方 法， 其特征在于， 将组密钥作为伪随机数生成器的输入， 利用伪随机数生成器来获取用于生 成原始数据映射 函数的随机种子 。 4.根据权利要求2所述的基于同态加密的隐私保护非线性联邦支持向量机训练方法， 其特征在于， 利用Burmester ‑Desmedt协议生成公私钥对中， 所选用的群为RFC  3526中 2048‑bit的乘法循环群。 5.根据权利要求3所述的基于同态加密的隐私保护非线性联邦支持向量机训练方法， 其特征在于， 伪随机数生成器采用C haCha伪随机数生成器。 6.根据权利要求1所述的基于同态加密的隐私保护非线性联邦支持向量机训练方法， 其特征在于， 针对获取 的随机种子， 结合 随机傅里叶特征算法将各参与方的原始数据映射 到相同的高维空间中。 7.根据权利要求6所述的基于同态加密的隐私保护非线性联邦支持向量机训练方法， 其特征在于， 随机傅里叶特征算法中， 依据随机种子 设置随机数生成器； 并通过随机数生成 器来构建 映射函数； 利用映射函数对各参与方本地数据集的原始数据进行映射， 得到对应 映射后的高维数据。 8.根据权利要求1所述的基于同态加密的隐私保护非线性联邦支持向量机训练方法， 其特征在于， 使用隐私保护的联邦SVM算法对模 型进行联合训练中， 服务器生成初始模型参 数并将初始模型参数广播至各参与方； 各参与方对本地模型进 行迭代训练， 在迭代训练中， 首先， 各参与方利用本地训练样本进行模型训练获取局部模型参数， 对局部模型参数进行 同态加密并上传至服务器， 服务器使用同态加密运算聚合各参与方的局部模型参数来获取 全局模型参数密文， 并将全局模型参数密文发送给各参与方， 各参与方依据接 收的全局模 型参数密文， 通过解密来 获取本地模型参数， 并进入下一轮的模型训练， 直至满足预设的最 大迭代轮次。 9.根据权利要求8所述的基于同态加密的隐私保护非线性联邦支持向量机训练方法， 其特征在于， 联合训练中， 依据各参与方本地数据集样本大小设置参与方贡献度， 在 迭代训 练中各参与方利用本地训练样本训练本轮模型参数， 并利用接收到的全局模型参数和本轮 训练的本地模型参数及参与方贡献度来更新当前轮次接收的全局模型参数， 并将更新后的 全局模型参数作为该参与方的局部模型参数， 对局部模型参数进 行同态加密并发送给服务 器。权　利　要　求　书 1/2 页 2 CN 115392487 A 210.一种基于同态加密的隐私保护非线性联邦支持向量机训练系统， 其特征在于， 包 含： 密钥协商模块、 样本构建模块及联合训练模块， 其中， 密钥协商模块， 用于各参与方利用密钥协商协议获取组密钥及用于生成原始数据映射 函数的随机种子； 样本构建模块， 用于各参与方利用随机种子生成映射函数， 并使用映射函数将各参与 方的本地数据集作为原 始数据映射到相同高维空间， 以获取 各参与方对应的高维数据； 联合训练模块， 用于各参与方利用高维数据作为训练样本， 使用隐私保护的联邦SVM算 法训练局部模型参数， 并通过服务器利用同态加密运算聚合各局部模型参数， 通过联合训 练来获取最终模型。权　利　要　求　书 2/2 页 3 CN 115392487 A 3