(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 202210562869.X (22)申请日 2022.05.23 (71)申请人 北京融数联智科技有限公司 地址 100037 北京市西城区阜成门外大街 31号4层407D (72)发明人 田健　薛瑞东　 (74)专利代理 机构 北京三聚阳光知识产权代理 有限公司 1 1250 专利代理师 胡晓静 (51)Int.Cl. H04L 9/40(2022.01) H04L 9/08(2006.01) G06N 20/00(2019.01) G06F 21/60(2013.01) G06F 21/62(2013.01) (54)发明名称 一种无需第三方参与的逻辑回归模型训练 方法及系统 (57)摘要 本发明公开了一种无需第三方参与的逻辑 回归模型训练方法及系统， 该方法包括： 通过接 收数据源 方发送的第二加密数据； 根据自身存储 的第一特征数据和第二加密数据计算得到被数 据源方加密的总特征数据； 利用总特征数据计算 第一密文梯度， 并将第一密文梯度进行加盐处理 后发送至 数据源方； 接收数据源 方发送的第一解 密数据； 对第一解密数据进行去盐处理， 得到第 一梯度数据； 根据第一梯度数据对 数据请求方的 模型系数进行更新。 本发明在数据传输过程中， 通过各自密钥对 数据进行加密并加盐 处理， 安全 性高， 有效保护了 隐私， 同时由于无需可信第三 方， 有效规避了第三方潜在的串谋风险所带来的 安全性隐患， 有效降低了交互次数从而降低了传 输成本。 权利要求书3页 说明书10页 附图7页 CN 115021985 A 2022.09.06 CN 115021985 A 1.一种无需第三方参与的逻辑回归模型训练方法， 用于数据请求方， 其特征在于， 包 括： 接收数据源方发送的第 二加密数据， 所述第 二加密数据 是数据源方将自身存储的第 二 特征数据通过自身的第二公钥进行加密得到的； 根据自身存储的第一特征数据和第二加密数据计算得到被数据源方加密的总特征数 据； 利用所述总特征数据计算第 一密文梯度， 并将所述第 一密文梯度进行加盐处理后发送 至数据源方； 接收数据源方发送的第 一解密数据， 所述第 一解密数据为数据源方根据自身的第 二私 钥对所述加盐处 理后的第一密文梯度进行解密后得到的； 对所述第一 解密数据进行去盐处 理， 得到第一梯度数据； 根据所述第一梯度数据对数据请求方的模型系数进行 更新。 2.根据权利要求1所述的无需第 三方参与的逻辑 回归模型训练方法， 其特征在于， 还包 括： 生成随机数并根据自身的第一公钥对所述随机数进行加密得到加密随机数； 基于所述总特 征数据计算第一预测 加密数据； 将所述第一预测 加密数据与所述随机数进行叠加得到加盐预测数据； 将所述加密随机数和所述加盐预测数据发送至数据源方； 接收所述数据源方发送的加盐处理后的第 二密文梯度， 所述第 二密文梯度是数据源方 对所述加盐预测数据进行解密后与所述加密随机数结合得到被数据请求方加密的第二预 测加密数据； 根据所述第二预测 加密数据计算得到的； 基于自身的第 一私钥对所述加盐处理后的第 二密文梯度进行解密， 得到第 二解密数据 并发送至数据源方。 3.根据权利要求1所述的无需第 三方参与的逻辑 回归模型训练方法， 其特征在于， 所述 利用所述总特 征数据计算第一密文梯度， 包括： 基于所述总特 征数据计算第一预测 加密数据； 根据所述第一预测 加密数据和自身的标签数据计算第一密文梯度。 4.根据权利要求2或3所述的无需第三方参与的逻辑回归模型训练方法， 其特征在于， 所述基于所述总特 征数据计算第一预测 加密数据， 包括： 基于所述总特 征数据计算总特 征数据的平方项和立方项； 对所述总特征数据和所述总特征数据的平方项和立方项进行多项式拟合， 得到第 一预 测加密数据。 5.一种无需第三方参与的逻辑回归 模型训练方法， 用于数据源方， 其特 征在于， 包括： 将自身存 储的第二特 征数据通过自身的第二公钥进行加密得到的第二加密数据； 将所述第二加密数据发送至数据请求方； 接收数据请求方发送加盐处理后的第 一密文梯度， 所述第 一密文梯度 是数据请求方根 据自身存储的第一特征数据和 第二加密数据计算得到被数据源方加密的总特征数据； 利用 所述总特 征数据计算第一密文梯度， 并将所述第一密文梯度进行加盐处 理后得到的； 根据自身的第 二私钥对所述加盐处理后的第 一密文梯度进行解密得到第 一解密数据，权　利　要　求　书 1/3 页 2 CN 115021985 A 2并将所述第一解密数据发送至数据请求方， 以使 数据请求方对所述第一解密数据进行去盐 处理， 得到第一梯度数据； 根据所述第一梯度数据对数据请求方的模型系数进行 更新。 6.根据权利要求5所述的无需第 三方参与的逻辑 回归模型训练方法， 其特征在于， 还包 括： 接收数据请求方发送的加密随机数和加盐预测数据； 所述加密随机数是数据请求方生 成随机数并根据自身的第一 公钥对所述随机数进 行加密得到的； 所述加盐预测数据是数据 请求方基于所述总特征数据计算第一预测加密数据， 将所述第一预测加密数据与所述随机 数进行叠加得到的； 将所述加盐预测数据解密后与所述加密随机数结合， 得到被数据请求方加密的第 二预 测加密数据； 根据所述第 二预测加密数据计算第 二密文梯度， 并将所述第 二密文梯度进行加盐处理 后发送至数据请求方； 接收数据请求方发送的第 二解密数据， 所述第 二解密数据为所述数据请求方基于自身 的第一私钥对所述加盐处 理后的第二密文梯度进行解密得到的； 对所述第二 解密数据进行去盐处 理， 得到第二梯度数据； 根据所述第二梯度数据对数据源方的模型系数进行 更新。 7.根据权利要求6所述的无需第 三方参与的逻辑 回归模型训练方法， 其特征在于， 所述 将所述加盐预测数据解密后与所述加密随机数结合， 得到被数据请求方加密的第二预测加 密数据， 包括： 对所述加盐预测数据进行解密， 得到第一特征数据、 第二特征数据和随机数进行叠加 的随机加密数据； 通过所述随机加密数据减去所述加密随机数， 得到被数据请求方加密的第 二预测加密 数据。 8.一种逻辑回归 模型训练系统， 其特 征在于， 包括： 数据请求方和数据源方， 其中， 数据源方将自身存储的第二特征数据通过自身的第二公钥进行加密得到的第二加密 数据； 将所述第二加密数据发送至数据请求方； 数据请求方接收数据源方发送的第 二加密数据； 根据自身存储的第 一特征数据和第 二 加密数据计算得到被数据源方加密的总特征数据； 利用所述总特征数据计算第一密文梯 度， 并将所述第一密文梯度进行加盐处 理后发送至数据源方； 数据源方接收数据请求方发送加盐处理后的第 一密文梯度； 根据自身的第 二私钥对所 述加盐处理后的第一密文梯度进 行解密得到第一解密数据， 并将所述第一解密数据发送至 数据请求方； 数据请求方接收数据源方发送的第一解密数据； 对所述第一解密数据进行去盐处理， 得到第一梯度数据； 根据所述第一梯度数据对数据请求方的模型系数进行 更新； 数据请求方生成随机数并根据自身的第一公钥对所述随机数进行加密得到加密随机 数； 基于所述总特征数据计算第一预测加密数据； 将所述第一预测加密数据与所述 随机数 进行叠加得到加盐预测数据； 将所述加密随机数和所述加盐预测数据发送至数据源方； 数据源方接收数据请求方发送的加密随机数和加盐预测数据； 将所述加盐预测数据解 密后与所述加密随机数结合， 得到被数据请求方加密的第二预测加密数据； 根据所述第二权　利　要　求　书 2/3 页 3 CN 115021985 A 3