基于RLWE加密与随机量化的多智能体隐私保护平均共识方法
本发明属于分布式协同控制与数据隐私保护,具体涉及一种基于rlwe加密与随机量化的多智能体隐私保护平均共识方法。
背景技术:
1、平均共识在分布式控制、分布式估计与优化等各类分布式系统中发挥着核心作用。在传统的平均共识协议中,网络内的各智能体基于底层通信拓扑与其邻居节点进行迭代交互,通过融合邻接节点的状态来更新自身状态,最终收敛至所有智能体初始状态的全局平均值。然而,传统的明文交互方式容易导致智能体的状态信息暴露给系统中的其他节点或外部窃听者,存在数据隐私泄露的隐患。因此,需要在保障合法智能体数据隐私的前提下实现系统的平均共识。
2、目前,现有的隐私保护平均共识方案主要存在以下两方面的技术局限性:
3、一方面,基于差分隐私的方法通过在节点交互状态中注入随机噪声来掩盖真实状态。由于该类方法的隐私保护强度与所注入噪声的方差直接相关,为了满足高标准的隐私需求,系统通常需要注入大方差噪声。这种机制不可避免地受制于隐私安全性与一致性精度之间的权衡,较大方差的噪声会引起系统状态的波动,导致系统难以在高隐私约束下实现高精度的共识收敛。
4、另一方面,现有的基于同态加密的方法在应用于高维系统时面临计算与量化的双重挑战。首先,现有协议普遍采用逐元素加密方式,当智能体状态维度较高时,同态运算的计算开销会随状态维度增长,难以适应复杂系统的在线计算需求。其次,现代密码系统的同态运算定义在整数环上,而控制系统的状态通常处于实数域。在将实数状态映射为整数密文的过程中,若采用常规的确定性量化策略,当节点间状态差异较小时,量化后的整数差值会提前归零,导致系统陷入未达到全局平均值便停止状态更新的“死区效应”,从而产生不可消除的稳态误差。
技术实现思路
1、本发明旨在解决现有隐私保护平均共识方法中存在的以下技术问题:
2、第一,基于同态加密的现有协议普遍采用逐元素加密方式,当智能体状态维度较高时,同态运算的计算开销会随状态维度增长,难以适应高维复杂系统的在线计算需求。
3、第二,现有方法在将状态从实数域映射至整数域时,若采用常规的确定性量化策略,当节点间状态差异较小时,量化后的整数差值会提前归零,导致系统陷入未达到全局平均值便停止状态更新的“死区效应”,从而产生不可消除的静态共识误差。
4、第三,现有基于同态加密的隐私保护共识方法未充分考虑密文域运算中的模截断问题,当明文模数选取不当时,解密后的数值可能超出模数范围,导致模截断错误,破坏解密结果的正确性和共识算法的可靠性。
5、为解决上述技术问题,本发明提供了一种基于rlwe加密与随机量化的多智能体隐私保护平均共识方法,应用于由多个智能体节点及通信链路构成的连通网络拓扑中,该方法包括以下步骤:
6、步骤1:各智能体节点生成自身的密钥对,并设定系统缩放因子、精度参数以及邻接权重的取值范围;
7、步骤2:在当前离散时间步,各智能体节点获取当前的状态向量,采用随机量化,生成独立的随机扰动向量注入该状态向量,结合所述系统缩放因子执行实数至整数域的量化映射,得到整数形式的量化状态;
8、步骤3:各智能体节点对自身量化状态执行取负操作,通过simd打包将多个量化状态值嵌入至单一多项式的不同槽位中,以支持并行计算,再通过自身公钥加密该多项式,生成节点负状态密文,并将公钥和节点负状态密文发送给邻居节点;
9、步骤4:邻居节点获取自身的量化状态,利用接收到的公钥加密生成自身的量化状态密文;邻居节点在所述邻接权重的取值范围内选取本地邻接权重,将本地邻接权重结合所述精度参数转化为整数形式,然后在密文域内将邻居节点的量化状态密文与所述节点负状态密文执行同态加法运算,并与转化后的本地邻接权重执行明文-密文乘法,得到加权密文差值,将该加权密文差值返回给对应的智能体节点;
10、步骤5:各智能体节点使用自身私钥对所述加权密文差值进行解密与解包,获取明文状态差值;结合所述系统缩放因子与所述精度参数,将明文状态差值缩放恢复至实数域,并据此更新自身的状态向量至下一离散时间步。
11、可选地,所述步骤2中,随机扰动向量的各个分量相互独立,且均服从区间上的均匀分布;针对n维的状态向量及随机扰动向量,其整数形式的量化状态由向量量化算子表示为 ,其中l为所述系统缩放因子,k为当前离散时间步;向量量化算子的具体构成为:设上述状态向量及随机扰动向量的第m个分量分别为和,其中,且i表示智能体节点索引,则量化状态的第m个分量为,其中为标量量化算子,具体为:对于任意实数标量,标量量化函数的分段映射规则如下:当s满足时,,其中,当时,。
12、可选地,所述步骤3中,通过simd打包将多个量化状态值嵌入至单一多项式的不同槽位中,以支持并行计算;打包后的多项式作为明文,定义在分圆多项式环上,其中,为形式变量,d是2的幂次,q为正整数,定义为,且明文模数q满足。
13、可选地,所述步骤4中,多智能体系统的底层通信拓扑为无向连通图,设该无向连通图的网络最大度数为;邻接权重的取值范围满足以下收敛性约束条件:,为确保在密文域计算与解密解包过程中不发生模截断错误,明文模数q受到以下代数防溢出边界的约束:
14、 ,其中,p为所述精度参数,为系统更新过程中所有智能体节点状态向量的上界。
15、可选地,所述步骤5中,智能体节点状态更新公式为:
16、,
17、其中,为节点i在时刻k的状态向量,为更新后的状态向量,为整数转化前的本地邻接权重,为解密与解包后获取的明文状态差值,为所述智能体节点的邻居节点集合。
18、一种计算机设备,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现上述方法的步骤。
19、一种计算机可读存储介质,其上存储有程序,所述程序被处理器执行时,实现上述方法的步骤。
20、一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
21、与现有技术相比,本发明具有以下有益效果:
22、(1)本发明通过simd打包将多个状态值嵌入至单一多项式的不同槽位中,使得多个状态值可并行计算,一次运算即可同时处理多个状态值的加法或乘法;再结合rlwe加密系统对打包后的多项式进行加密,保护隐私的同时节省了计算资源。
23、(2)本发明采用随机量化,确保量化误差具有零均值统计特性,克服了确定性量化导致的“死区效应”,减小了量化误差引起的性能下降。
24、(3)本发明通过建立防溢出代数条件并据此选取明文模数,确保了密文域计算和解密过程不发生模截断错误,保障了底层密码系统的可靠运行,为隐私保护共识的实际部署提供了参数选取依据。
1.一种基于rlwe加密与随机量化的多智能体隐私保护平均共识方法,其特征在于,应用于由多个智能体节点及通信链路构成的连通网络拓扑中,该方法包括以下步骤:
2.根据权利要求1所述的基于rlwe加密与随机量化的多智能体隐私保护平均共识方法,其特征在于,步骤2中,随机扰动向量的各个分量相互独立,且均服从区间上的均匀分布;
3.根据权利要求1所述的基于rlwe加密与随机量化的多智能体隐私保护平均共识方法,其特征在于,步骤3中,通过simd打包将多个量化状态值嵌入至单一多项式的不同槽位中,以支持并行计算;打包后的多项式作为明文,定义在分圆多项式环上,其中,为形式变量, d是2的幂次,q为正整数, 定义为,且明文模数q满足。
4.根据权利要求1所述的基于rlwe加密与随机量化的多智能体隐私保护平均共识方法,其特征在于,所述多智能体系统的底层通信拓扑为无向连通图,设该无向连通图的网络最大度数为;
5.根据权利要求4所述的基于rlwe加密与随机量化的多智能体隐私保护平均共识方法,其特征在于,步骤5中,智能体节点状态更新公式为:
6.一种计算机设备,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,其特征在于,所述处理器执行所述可执行代码时,实现如权利要求1至5任一项所述的方法的步骤。
7.一种计算机可读存储介质,其上存储有程序,其特征在于,所述程序被处理器执行时,实现如权利要求1至5任一项所述的方法的步骤。
8.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至5任一项所述的方法的步骤。
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