欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022114177618
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于隐私保护联邦学习的医疗数据分析方法,所述方法由联邦学习系统执行,所述联邦学习系统包括服务器和本地拥有数据集的医疗机构所在客户端,其特征在于,所述方法包括如下步骤,且以下步骤顺序进行:步骤1:服务器选定并发布学习任务,服务器获取根数据集,并初始化全局模型wg和服务器参考模型wS;

步骤2:服务器协调所有客户端生成用于隐私保护的随机掩码向量r,客户端计算并向服务器提交随机掩码向量r的校验值;

步骤3:服务器生成零知识证明电路,零知识证明电路用于对客户端模型的安全性以及掩码计算的正确性进行验证,同时服务器生成零知识证明的验证秘钥vk和证明秘钥pk,并将证明秘钥pk广播给所有客户端;所述零知识证明电路由四条约束构成,其中两条约束用于验证客户端模型的安全性,另外两条约束用于验证掩码计算的正确性;

对客户端模型的安全性进行验证的两条约束,分别为余弦相似度验证约束和欧式距离验证约束;

其中,余弦相似度验证约束:

欧式距离验证约束:

对掩码计算的正确性进行验证的两条约束,分别为掩码向量校验值约束:和掩码计算约束;

其中,掩码向量校验值约束:Mjmod10=Mjmod10+rj,

掩码计算约束:

上述约束中,k表示浮点数的定点化表示时的扩大倍数,m表示模型参数的个数,j表示向量中的第j个值,M表示根据随机掩码向量r生成的中间向量,该向量包含10个元素,wi为第i个客户端的客户端模型,其为包含m个参数的单维向量, 表示客户端模型wi中的第j个值,wS为服务器参考模型,其为包含m个参数的单维向量, 表示服务器参考模型wS的第j个值,τc为余弦相似度阈值,τe为欧氏距离阈值, 为掩码后的第i个客户端的客户端模型,表示第t轮的掩码后的第i个客户端的客户端模型; 表示第t轮的第i个客户端的客户端模型,t表示迭代的第t轮,li表示第i个客户端的掩码向量校验值,Mj表示向量M的第j个值,Mjmod10表示以元素索引j对10取模后的值作为下标所对应的向量M中的元素值,Mjmod10=Mjmod10+rj该公式表示含义为对于随机掩码向量r的第j个元素,首先计算j模10的值,该值将作为向量M的索引;对于向量M中的第j模10个元素的值将被更新为向量M中的第j模10个元素与随机掩码向量r的第j个元素求和,rj表示随机掩码向量的第j个值;

步骤4:服务器与客户端进行本地模型训练;

具体训练过程为:所有客户端从服务器处下载全局模型,并揭示全局模型的真实值,客户端利用本地的数据集训练模型,并将训练好的模型掩码后发送给服务器,同时,服务器使用根数据集训练一个参考模型,同时生成用于本轮的证明参数;

其中,全局模型的真实值揭示过程为客户端从下载的全局模型中减去随机掩码向量r,得到真实的全局模型值;

步骤5:所有客户端首先从服务器处下载本轮的证明参数,然后生成客户端模型的可用性证明,并将该证明提交到服务器;该证明的具体生成过程为:所有客户端首先从服务器处下载本轮的证明参数,证明参数包含本轮的服务器参考模型wS、余弦相似度阈值τc、欧氏距离阈值τe、随机掩码向量r的校验值,然后每个客户端以第t轮的客户端模型、掩码后的客户端模型、证明参数作为零知识证明电路的输入,并使用证明秘钥pk产生客户端模型的可用性证明;

步骤6:服务器验证每个证明和客户端模型的合法性,对于合法的客户端模型,其满足零知识证明电路的四条约束,验证结果将会输出1,通过验证的客户端模型将允许参与聚合;零知识证明电路的四条约束只要有一条约束验证失败,则其验证结果将会输出0,未通过验证的客户端模型将被丢弃;对所有通过验证的客户端模型执行 其中,n是通过验证的客户端模型的数量,wg为全局模型, 为第t+1轮掩码后的全局模型, 为第i个客户端第t轮的客户端模型;

步骤7:客户端和服务器重复步骤4至步骤6,直至达到固定的迭代轮数或全局模型收敛。

2.根据权利要求1所述的基于隐私保护联邦学习的医疗数据分析方法,其特征在于:步骤2中,生成用于隐私保护的随机掩码向量r的过程如下:首先,由每个客户端本地随机生成一个随机数种子,然后,使用同态加密算法加密后发送给服务器,接着,服务器收集所有客户端的加密种子后执行加法同态运算,并将结果广播给所有客户端;最后,客户端收到后解密结果得到明文随机数种子,并以该随机数种子生成随机掩码向量r。

3.根据权利要求2所述的基于隐私保护联邦学习的医疗数据分析方法,其特征在于:所述同态加密算法采用Paillier同态加密算法。

4.根据权利要求1所述的基于隐私保护联邦学习的医疗数据分析方法,其特征在于:步骤2中,随机掩码向量r的校验值计算方法如下:

1)每个客户端维护一个长度为10的向量,记为M,其中Mjmod10=Mjmod10+rj,即对于随机掩码向量r的第j个元素,首先计算j模10的值,该值将作为向量M的索引;对于向量M中的第j模

10个元素的值将被更新为向量M中的第j模10个元素与随机掩码向量r的第j个元素求和值;

r为随机掩码向量,j表示随机掩码向量r中的第j个元素;

2)对向量M中的10个元素执行累积运算,结果即为客户端生成的对该随机掩码向量r的校验值;

3)所有客户端将本地计算的随机掩码向量r的校验值发送到服务器,服务器取所有随机掩码向量r的校验值的众数作为最终的随机掩码向量r的校验值。

5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令被执行时使所述计算机执行权利要求1‑4任一项所述的基于隐私保护联邦学习的医疗数据分析方法的步骤。