一种面向大于比较运算的函数秘密分享方法
本发明属于大数据安全与云计算隐私保护,具体是指一种面向大于比较运算的函数秘密分享方法。
背景技术:
1、随着云计算和机器学习服务的发展,越来越多的计算密集型任务被外包至云端执行。此类任务通常涉及用户数据、模型参数、业务阈值、交易记录或图结构等敏感信息,因此需要在不泄露明文数据和函数参数的前提下完成计算。安全多方计算为上述需求提供了重要技术路径。对于加法、线性层、矩阵乘法等线性计算,基于算术秘密分享和预处理随机性的方案已经较为成熟。然而,比较、符号判断、最大值等非线性计算仍然是隐私保护机器学习中的主要性能瓶颈,常常带来较高的通信轮次和在线计算开销。例如,在隐私保护神经网络推理中,relu等激活函数可转化为符号或比较判断,因此比较函数的效率会直接影响整体系统性能。
2、函数秘密分享(function secret sharing,fss)是一种面向函数级别的轻量级密码学原语。其基本思想是由密钥生成算法将目标函数拆分为两个函数密钥,两个非共谋服务器分别使用各自密钥对同一输入执行本地评估,最终将两个输出份额重构为目标函数值。与混淆电路或多轮交互式比较协议相比,fss通常能够将大量密码学工作转移到离线密钥生成阶段,并显著降低在线通信轮次。分布式点函数(distributed point function,dpf)和分布式比较函数(distributed comparison function,dcf)是函数秘密分享中的代表性构造,已被用于安全比较、安全神经网络激活函数等场景。
3、ggm树(goldreich-goldwasser-micali tree)是基于伪随机生成函数递归扩展形成的二叉树结构,是dpf/dcf类fss构造中的常用密钥评估结构。现有分布式比较函数可以支持比较运算,但在面向实际隐私保护推理系统时仍存在不足:现有方案在每一层同时扩展左右两个ggm树子节点,导致在线伪随机函数调用次数较多。
4、传统分布式比较函数属于函数秘密分享原语,目标是在两台非合谋服务器上实现比较函数的本地评估,使两个服务器分别得到输出份额,重构后得到比较结果对应的载荷。传统dcf以小于比较函数为基本形式,但可通过额外的阈值变换或区间变换操作实现大于比较。
5、传统dcf通常实现如下函数:给定阈值和输出载荷,对于输入,当时输出,否则输出0。密钥生成方在离线阶段根据阈值、载荷和安全参数生成两个服务器分别持有的dcf密钥;在线阶段,两个服务器对同一个输入进行本地评估并输出份额,最终两份输出相加后得到函数结果。
6、参考文献1(boyle e , chandran n , gilboa n ,et al.function secretsharing for mixed-mode and fixed-point secure computation[j]. 2021.doi:10.1007/978-3-030-77886-6_30.)公开了传统dcf密钥生成技术。如图1所示,在传统dcf密钥生成(gen)阶段,输入安全参数、比较阈值、算术载荷以及加法群,输出两个服务器分别持有的密钥和;密钥生成方确定伪随机生成器和映射,伪随机生成器用于从比特种子扩展得到左右子节点状态、控制比特和群元素掩码,映射函数将比特串映射为群元素;密钥生成方将比较阈值分解为n位二进制表示,为两个服务器随机采样初始种子开始密钥生成,对每个服务器在每一层用该服务器的上一层种子调用伪随机生成器,得到左分支和右分支的种子,群元素掩码和控制比特,根据阈值比特确定分支和分支,表示继续保持与阈值前缀相等的分支,表示在该层偏离阈值路径的分支;然后在分支为左分支时加入与相关的修正项,使两方输出在重构后满足小于比较函数的定义;密钥生成方为每个未被随机采样覆盖的路径计算校正字,综合种子与校正字,输出两份密钥份额和,分别交给两个服务器。如图1所示,在传统dcf密钥评估(eval)阶段,两个服务器并行执行密钥评估流程,每个服务器输入自身密钥和待评估输入,输出该服务器持有的函数值份额。服务器在每一层解析当前层校正字,并以当前种子调用伪随机生成器,同时生成左分支和右分支的完整状态,根据上一层控制比特决定是否校正左右分支状态,在处理完全部层后,利用终止校正字修正最终输出,返回自身函数份额。两个服务器的函数值份额相加得到传统dcf比较函数输出。
7、现有分布式比较函数可以支持比较运算,但在面向实际隐私保护推理系统时仍存在不足:现有方案在每一层同时扩展左右两个ggm树子节点,导致在线伪随机函数调用次数较多。传统dcf在线评估阶段通常需要在每一层同时扩展左右两个子节点,再根据当前输入比特选择其中一个子节点继续评估。对于大于比较而言,最终只有输入路径对应的一个分支会被使用,另一分支的扩展结果会被丢弃,因此产生了不必要的伪随机生成和状态解析开销。这使得其在大于比较和隐私保护机器学习等场景中效率不足,尤其用于云计算大规模部署场景时会导致在线本地的计算机系统的计算开销、临时状态生成量和内存访问开销增加等。
技术实现思路
1、本发明要解决的技术问题是:如何在安全多方计算场景的两服务器半诚实模型下,构造一种面向大于比较运算的函数秘密分享方法,使得在保护比较阈值、算术载荷和中间评估状态隐私的同时,降低在线评估阶段的服务器本地计算开销,提高服务器的计算机系统对大批量比较运算的执行效率。为了解决上述技术问题,本发明提供了一种面向大于比较运算的函数秘密分享方法,将大于事件的触发条件嵌入密钥生成过程,使其在保持函数参数隐私和半诚实安全性的同时,减少在线评估阶段的伪随机树扩展开销。
2、本发明提供的一种面向大于比较运算的函数秘密分享方法,应用的系统包括密钥生成方、结果使用方以及不合谋的服务器和,该方法包括如下步骤:
3、步骤1,密钥生成方根据比较阈值、算术载荷和安全参数,生成服务器持有的密钥,其中;
4、在密钥生成方的计算机系统中部署密钥生成算法的执行程序,并预先设置算法中的低位后缀数、左扩展函数、右扩展函数和终止映射函数,只扩展左子节点并不产生载荷的掩码,只扩展右子节点并产生载荷的掩码;密钥生成方执行算法,根据输入的阈值、算术载荷、安全参数和加法群,输出服务器持有的密钥;
5、所述算法将分解为位比特串,对该比特串前位比特,逐层施加校正字,在每层利用左扩展函数扩展左子节点,利用右扩展函数扩展右子节点并产生载荷的掩码;对该比特串的最后位比特,利用终止映射函数和第层的节点状态生成叶子掩码和查找表;最终将服务器的初始节点状态、初始控制比特、前层的校正信息和查找表组合为该服务器的密钥;
6、密钥生成方将密钥发送给服务器;
7、步骤2,两服务器对输入数据并行执行在线评估,输出各自的算术份额给结果使用方;
8、在服务器的计算机系统中部署密钥评估算法的执行程序;当服务器获得输入数据时,执行算法,输出自身的算术份额;服务器解析本地密钥,获得初始节点状态、初始控制比特、前层的校正信息和查找表,所述算法将输入数据分解为位比特串,对的前的每位比特,根据比特值执行单边扩展,若该值为1扩展右子节点,否则扩展左子节点,并更新每层节点状态和控制比特,当扩展右子节点时利用校正后的载荷掩码更新累加值;对的最后位后缀,通过终止映射函数获得叶子群元素,基于第层的控制比特和查找表校正叶子群元素,利用校正后的叶子群元素更新累加值,得到服务器的算术份额;
9、步骤3,结果使用方将两服务器的算术份额在加法群中相加,得到输入数据与阈值的比较结果,若结果为,否则结果为0。
10、相比现有技术,本发明的优点与积极效果在于:本发明方法直接面向大于比较函数设计密钥生成和评估过程;在密钥生成阶段,根据大于比较的触发条件,仅在高位前缀相同且存在阈值比特、输入比特的真正可能产生大于结果的有效分支上嵌入算术载荷;在密钥评估阶段,提出单边ggm树评估机制,不再同时扩展左右两个子节点,而是根据当前输入比特只扩展一个子节点,从而减少在线伪随机扩展次数。本发明方法在实现保护比较阈值、算术载荷和中间评估状态隐私的同时,降低了在线评估阶段的服务器本地计算开销,提高了大批量比较运算的执行效率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com