(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211099367.4 (22)申请日 2022.09.09 (65)同一申请的已公布的文献号 申请公布号 CN 115186831 A (43)申请公布日 2022.10.14 (73)专利权人 之江实验室 地址 311121 浙江省杭州市余杭区之江实 验室南湖总部 (72)发明人 万志国　高睿　王化群　 (74)专利代理 机构 北京志霖恒远知识产权代理 有限公司 1 1435 专利代理师 戴莉 (51)Int.Cl. G06N 20/00(2019.01) G06N 3/04(2006.01) G06F 21/60(2013.01)G06F 21/62(2013.01) H04L 9/08(2006.01) (56)对比文件 CN 112182649 A,2021.01.0 5 CN 112395643 A,2021.02.23 CN 111275202 A,2020.0 6.12 KR 20190 072770 A,2019.0 6.26 Yan Zhou et al. .Open-Pub: A Transparent yet Privacy-Preservi ng Academic Publ ication System based o n Blockchain. 《2021 I nternati onal Conference on Computer Com munications and Netw orks (ICCCN)》 .2021, 黄子君.面向分布式支持向量机的隐私保护 技术研究. 《万方》 .202 2, 审查员 郭晓坤 (54)发明名称 一种高效隐私保护的深度学习方法 (57)摘要 本发明公开了一种高效隐私保护的深度学 习方法， 包含在加法秘密共享的情况下比较数值 大小、 和快速 隐私保护的深度学习两个部分； 所 述的在加法秘密共享的情况下比较数值大小包 含在加法秘密共享的情况下计算秘密数值的正 负性和在加法秘密共享的情况下比较两个被共 享的数的大小两个步骤； 相较于现在正在使用的 安全多方计算和全同态加密实现隐私、 安全的深 度学习预测方法， 本发明没有使用非对称公钥加 密体系， 整个计算过程在实数域上完成， 有极大 的效率优势。 同时保护了模型提供方的模型的安 全性和数据拥有者输入数据的安全性。 权利要求书2页 说明书12页 附图1页 CN 115186831 B 2022.12.13 CN 115186831 B 1.一种高效隐私保护的深度学习方法， 其特征在于： 包含在加法秘密共享的情况下比 较数值大小、 和快速隐私保护的深度学习两个部分； 所述的在加法秘密共享的情况 下比较数值大小包 含以下步骤： （1） 在加法秘密共享的情况 下计算秘密数值的正负性； （2） 在加法秘密共享的情况 下比较两个 被共享的数的大小两个步骤； 所述的步骤 （1） 包 含以下子步骤： R1： 参与者从可信第三方处获取比较二元组； R2： 使用加法共享状态下的元 素乘法协议对获取的比较二元组进行盲化变量 值处理； R3： 使用盲化后的变量 值， 计算用来表征变量的正负号的函数的乘法共享； R4： 使用盲化后的变量 值， 计算用来表征变量的正负号的函数的加法共享； 所述的步骤 （2） 包 含以下子步骤： S1： 计算两个 被共享的数的子 秘密差值； S2： 服务器运行步骤R4， 得到 子秘密差值的正负号， 即被共享状态的分类结果； 所述的快速隐私保护的深度学习包 含以下步骤： T1： 数据拥有者、 模型提供 方、 可信第三方 数据分发； T2： 云服务器通过分发共享的数据计算卷积层、 最大值池化层、 激活函数， 获取更新后 的卷积层、 最大值池化层、 激活函数的特 征图； T3： 云服务器根据卷积层、 最大值池化层、 激活函数的特征图计算全连接层并将分类结 果秘密地发送给模型提供 方； T4： 模型提供方将收到的被共享状态的分类结果相加得到深度神经网络的分类预测结 果； 所述步骤T2包 含以下子步骤： T2.1： 云服务器计算卷积层， 基于img2col算法和在加 法共享状态下的矩阵乘法协议， 云服务器使用各自拥有的特 征图和卷积核秘密值计算卷积层； T2.2： 云服务器计算最大值池化层， 基于在加法秘密共享的情况下比较两个被共享的 数的大小， 云服 务器计算最大值池化层； T2.3： 云服务器计算激活函数； 基于在加法秘密共享的情况下比较数值大小， 云服务器 计算激活函数。 2.根据权利要求1所述的一种高效隐私保护的深度 学习方法， 其特征在于， 所述步骤T1 中的数据分发包括： 数据拥有者将输入图像加法共享给参与者； 模型提供方将深度学习的 模型参数共享给云服 务器； 可信第三方分发 足够的乘法三元组和比较二元组给参与者。 3.根据权利要求1所述的一种高效隐私保护的深度 学习方法， 其特征在于： 所述步骤T3 包含以下子步骤： T3.1： 云服务器使用加法共享状态下的矩阵乘法协议计算全连接层， 得到共享状态下 的预测结果向量； T3.2： 云服 务器分别将各自持有的共享状态下的预测结果向量发送给模型提供 方。 4.根据权利要求1所述的一种高效隐私保护的深度 学习方法， 其特征在于： 所述步骤T4 包含以下子步骤： T4.1： 模型提供 方收到被共享状态的预测结果向量后相加还原真实分类结果；权　利　要　求　书 1/2 页 2 CN 115186831 B 2T4.2： 模型提供 方将真实分类结果返还给 数据拥有者。 5.根据权利要求1所述的一种高效隐私保护的深度学习方法， 其特征在于： 所述步骤 T2.1包含以下子步骤： T2.1.1： 云服 务器使用img2co l算法将卷积运 算变为两个二维矩阵之间的乘法； T2.1.2： 云服 务器使用加法共享状态下的矩阵乘法协议计算； T2.1.3： 云服 务器改变数组状态， 得到计算结果并更新特 征图。 6.根据权利要求1所述的一种高效隐私保护的深度学习方法， 其特征在于： 所述步骤 T2.2包含以下子步骤： T2.2.1： 云服务器使用n*n ‑1次最大值协议计算大小为n*n的子矩阵所有元素的数值最 大值， n为大于1的自然数； T2.2.2： 云服 务器更新特 征图。 7.根据权利要求1所述的一种高效隐私保护的深度学习方法， 其特征在于： 所述步骤 T2.3包含以下子步骤： T2.3.1： 云服 务器使用在加法秘密共享的情况 下比较数值大小的方法计算 矩阵中每 个元素的正负性； T2.3.2： 云服 务器更新特 征图。权　利　要　求　书 2/2 页 3 CN 115186831 B 3