基于同态加密的机器学习线性模型预测方法与流程

1.本申请涉及机器学习领域，具体而言，涉及一种基于同态加密的机器学习线性模型预测方法。


背景技术：

2.不久的将来医疗行业将融入更多人工智能、传感技术等高科技，使医疗服务走向真正意义的智能化，推动医疗事业的繁荣发展。在中国新医改的大背景下，智慧医疗正在走进寻常百姓的生活。医疗行业数据存在隐私保护的需要，因此将人工智能应用于医疗领域进行研究、模型训练和数据预测时，往往需要多个医疗机构通过联网和数据协同的方式进行。
3.但是现有技术方案并无法保证模型和数据的隐私性。


技术实现要素：

4.为了解决现有技术的不足之处，本申请提供了一种基于同态加密的机器学习线性模型预测方法，包括如下步骤：服务器端公布已有的模型及输入和输出的字段参数；客户端向服务器端的发送需要使用的模型编号；服务器端根据接收得到的编号得到模型权重参数、训练数据预处理的参数；服务器端进行加密后得到加密的模型，同时生成一对公钥和私钥，将加密的模型和公钥发送给客户端；客户端使用公钥和加密的模型以及待预测的数据进行线性运算，得到加密的预测结果，发送给服务器端；服务器端接收到加密的预测结果，采用私钥进行解密得到预测结果返还给客户端，客户端得到预测结果。
5.进一步地，所述加密方法为paillier加密算法。
6.进一步地，所述待预测数据为医疗数据。
7.进一步地，所述模型包括人工神经网络模型。
8.进一步地，一个所述服务器端对应多个所述客户端。
9.进一步地，一个所述客户端通过所述服务器端向另一个所述客户端发送协同预测的请求。
10.进一步地，当协同的所述客户端同意请求时，所述服务器端向另一个所述客户端发送所述公钥和加密的模型。
11.进一步地，对于不同的所述客户端发送不同所述公钥。
12.进一步地，对于不同的所述客户端生成不同的所述私钥。
13.进一步地，一个所述客户端通过所述服务器端选定其他所述客户端中训练数据的范围。
14.本申请的有益之处在于：提供了一种保证原始模型和数据都不被他人获取进而保证隐私性的基于同态加密的机器学习线性模型预测方法。
附图说明
15.构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是根据本申请一种实施例的基于同态加密的机器学习线性模型预测方法的步骤示意框图；图2是根据本申请一种实施例的基于同态加密的机器学习线性模型预测方法所应用的系统架构示意图。
具体实施方式
16.为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
17.需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
18.参照图1和图2所示，本申请的基于同态加密的机器学习线性模型预测方法，包括如下步骤：服务器端公布已有的模型及输入和输出的字段参数；客户端向服务器端的发送需要使用的模型编号；服务器端根据接收得到的编号得到模型权重参数、训练数据预处理的参数；服务器端进行加密后得到加密的模型，同时生成一对公钥和私钥，将加密的模型和公钥发送给客户端；客户端使用公钥和加密的模型以及待预测的数据进行线性运算，得到加密的预测结果，发送给服务器端；服务器端接收到加密的预测结果，采用私钥进行解密得到预测结果返还给客户端，客户端得到预测结果。
19.作为具体方案，加密方法为paillier加密算法。
20.作为具体方案，待预测数据为医疗数据。
21.作为具体方案，模型包括人工神经网络模型。
22.作为具体方案，一个服务器端对应多个客户端。一个客户端通过服务器端向另一个客户端发送协同预测的请求。当协同的客户端同意请求时，服务器端向另一个客户端发送公钥和加密的模型。对于不同的客户端发送不同公钥。对于不同的客户端生成不同的私钥。一个客户端通过服务器端选定其他客户端中训练数据的范围。
23.通过这样的方式，不同的客户端之间可以在保证数据隐私安全的基础上，实现模型训练的协作，从而满足机器学习的需要。
24.以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。


技术特征：
1.一种基于同态加密的机器学习线性模型预测方法，其特征在于：所述基于同态加密的机器学习线性模型预测方法包括如下步骤：服务器端公布已有的模型及输入和输出的字段参数；客户端向服务器端的发送需要使用的模型编号；服务器端根据接收得到的编号得到模型权重参数、训练数据预处理的参数；服务器端进行加密后得到加密的模型，同时生成一对公钥和私钥，将加密的模型和公钥发送给客户端；客户端使用公钥和加密的模型以及待预测的数据进行线性运算，得到加密的预测结果，发送给服务器端；服务器端接收到加密的预测结果，采用私钥进行解密得到预测结果返还给客户端，客户端得到预测结果。2.根据权利要求1所述的基于同态加密的机器学习线性模型预测方法，其特征在于：所述加密方法为paillier加密算法。3.根据权利要求2所述的基于同态加密的机器学习线性模型预测方法，其特征在于：所述待预测数据为医疗数据。4.根据权利要求3所述的基于同态加密的机器学习线性模型预测方法，其特征在于：所述模型包括人工神经网络模型。5.根据权利要求4所述的基于同态加密的机器学习线性模型预测方法，其特征在于：一个所述服务器端对应多个所述客户端。6.根据权利要求5所述的基于同态加密的机器学习线性模型预测方法，其特征在于：一个所述客户端通过所述服务器端向另一个所述客户端发送协同预测的请求。7.根据权利要求6所述的基于同态加密的机器学习线性模型预测方法，其特征在于：当协同的所述客户端同意请求时，所述服务器端向另一个所述客户端发送所述公钥和加密的模型。8.根据权利要求7所述的基于同态加密的机器学习线性模型预测方法，其特征在于：对于不同的所述客户端发送不同所述公钥。9.根据权利要求8所述的基于同态加密的机器学习线性模型预测方法，其特征在于：对于不同的所述客户端生成不同的所述私钥。10.根据权利要求9所述的基于同态加密的机器学习线性模型预测方法，其特征在于：一个所述客户端通过所述服务器端选定其他所述客户端中训练数据的范围。

技术总结
本申请公开了一种基于同态加密的机器学习线性模型预测方法，包括如下步骤：服务器端公布已有的模型及输入和输出的字段参数；客户端向服务器端的发送需要使用的模型编号；服务器端根据接收得到的编号得到模型权重参数、训练数据预处理的参数；服务器端进行加密后得到加密的模型，同时生成一对公钥和私钥，将加密的模型和公钥发送给客户端；客户端使用公钥和加密的模型以及待预测的数据进行线性运算，得到加密的预测结果，发送给服务器端；服务器端接收到加密的预测结果，采用私钥进行解密得到预测结果返还给客户端，客户端得到预测结果。本申请的有益之处在于提供了一种保证原始模型和数据都不被他人获取进而保证隐私性的基于同态加密的机器学习线性模型预测方法。于同态加密的机器学习线性模型预测方法。于同态加密的机器学习线性模型预测方法。


技术研发人员：王涛 林博 张豫元 董科雄 石培泽
受保护的技术使用者：杭州医康慧联科技股份有限公司
技术研发日：2021.07.16
技术公布日：2021/11/28