基于安全两方计算的具有隐私性的回归算法

doi:10.3969/j.issn.1671-1122.2018.10.002

信息网络安全 ›› 2018, Vol. 18 ›› Issue (10): 10-16.doi: 10.3969/j.issn.1671-1122.2018.10.002

基于安全两方计算的具有隐私性的回归算法

唐春明(), 魏伟明

广州大学数学与信息科学学院,广东广州510006

收稿日期:2018-08-27 出版日期:2018-10-10 发布日期:2020-05-11
作者简介:
作者简介：唐春明（1972—）,男,湖南,教授,博士,主要研究方向为信息安全、密码学;魏伟明（1993—）,男,广东,硕士研究生,主要研究方向为信息安全、密码学。
基金资助:
国家自然科学基金面上项目[61772147];广东省自然科学基金基础研究重大项目[2015A030308016];广东省教育厅科研团队项目 [2015KCXTD014];广州市教育局协同创新重大项目[1201610005];国家密码发展基金[MMJJ20170117]

Regression Algorithm with Privacy Based on Secure Two-party Computation

Chunming TANG(), Weiming WEI

College of Mathematics and Information, Guangzhou University, Guangdong Guangzhou 510006, China

Received:2018-08-27 Online:2018-10-10 Published:2020-05-11

摘要/Abstract

摘要：

为了确保模型的精确度, 传统机器学习算法需要收集大量的原始数据进行模型训练,但这容易造成隐私泄露。为此,文章使用加法秘密共享方案在两个非共谋半诚实服务器进行安全两方计算,给出了具有隐私性的线性回归算法。考虑到sigmoid函数不利于进行安全两方计算,因此使用它的泰勒逼近形式,并结合线性回归算法给出了具有隐私性的Logistic回归算法。这两种算法都可以同时实现原始数据和模型参数的隐私保护。

关键词: 安全两方计算, 秘密共享, 隐私保护, 回归模型

Abstract:

In order to ensure the accuracy of model, traditional machine learning algorithms need to collect a large amount of raw data for model training, which easily causes privacy leakage. This paper uses the additive secret sharing scheme to perform secure two-party computing on two non-collusion semi-honest servers, and gives a linear regression algorithm with privacy. Considering that the sigmoid function is hard to support secure two-party calculation, its Taylor approximation form is used, and a Logistic regression algorithm with privacy is given in combination with linear regression algorithm. Both linear regression algorithms can simultaneously achieve the privacy protection of raw data and model parameters.

Key words: secure two-party computation, secret sharing, privacy protection, regression model

中图分类号:

TP309

唐春明, 魏伟明. 基于安全两方计算的具有隐私性的回归算法[J]. 信息网络安全, 2018, 18(10): 10-16.

Chunming TANG, Weiming WEI. Regression Algorithm with Privacy Based on Secure Two-party Computation[J]. Netinfo Security, 2018, 18(10): 10-16.

图/表 2

参考文献 17

[1]	WEN Weiping, WU Bozhi, JIAO Yingnan, et al.Design and Implementation on Malicious Documents Detection Tool Based on Machine Learning[J].Netinfo Security,2018,18(8):1-7.
	文伟平,吴勃志,焦英楠,等.基于机器学习的恶意文档识别工具设计与实现[J].信息网络安全,2018,18(8):1-7.
[2]	LINDELL Y, PINKAS B.Privacy Preserving Data Mining[J].Journal of Cryptology, 2002,15(3):177-206.
[3]	MARCHAL S, SAARI K, SINGH N, et al.Know Your Phish: Novel Techniques for Detecting Phishing Sites and Their Targets[C]// IEEE. IEEE 36th International Conference on Distributed Computing Systems, June 27-30, 2016, Nara, Japan. NJ: IEEE, 2016:323-333.
[4]	GENTRY C.Fully Homomorphic Encryption Using Ideal Lattices[J]. Stoc, 2009, 9(4):169-178.
[5]	LV Haifeng, DING Yong, DAI Hongyan, et al.Survey on LWE-based Fully Homomorphic Encryption Scheme[J].Netinfo Security, 2015,15(1):32-38.
	吕海峰,丁勇,代洪艳,等.LWE上的全同态加密方案研究[J].信息网络安全,2015,15(1):32-38.
[6]	DOWLIN N, GILAD-BACHRACH R, LAINE K, et al. CryptoNets: Applying Neural Networks to Encrypted Data with High Throughput and Accuracy[EB/OL].,2018-7-23.
[7]	XIE Pengtao, BILENKO M, FINLEY T, et al. Crypto-Nets: Neural Networks over Encrypted Data[EB/OL]. .
[8]	MOHASSEL P, ZHANG Yupeng.SecureML: A System for Scalable Privacy-preserving Machine Learning[C]// IEEE. IEEE Symposium on Security and Privacy, May 22-26, 2017, San Jose, CA, USA. NJ: IEEE, 2017:19-38.
[9]	WAGH S, GUPTA D, CHANDRAN N. Cryptology ePrint Archive: Report 2018/442[EB/OL].
[10]	LIU Jian, JUUTI M, LU Yao, et al.Oblivious Neural Network Predictions via MiniONN Transformations[C]// ACM.2017 ACM SIGSAC Conference on Computer and Communications Security, October 30 - November 3, 2017, Dallas, Texas, USA. New York: ACM, 2017:619-631.
[11]	FENG Dengguo.Security Protocol: Theory and Practice[M]. Beijing: Tsinghua University Press,2011.
	冯登国. 安全协议:理论与实践[M]. 北京:清华大学出版社, 2011.
[12]	ZHOU Zhihua.Machine Learning[M]. Beijing: Tsinghua University Press,2016.
	周志华. 机器学习[M]. 北京:清华大学出版社, 2016.
[13]	BEAVER D. Efficient Multiparty Protocols Using Circuit Randomization[EB/OL]. .
[14]	DEMMLER D, SCHNEIDER T, ZOHNER M.ABY - A Framework for Efficient Mixed-protocol Secure Two-party Computation[J]. NDSS, 2015(2):8-11.
[15]	CANETTI R.Universally Composable Security: A New Paradigm for Cryptographic Protocols[C]// IEEE. 2001 IEEE International Conference on Cluster Computing, October 14-17, 2001, Las Vegas, Nevada, USA.NJ:IEEE, 2001:136.
[16]	WANG Xiao, MALOZEMOFF A J, KATZ J. Faster Secure Two-Party Computation in the Single-execution Setting[EB/OL]. .
[17]	CHEN Li, LIN Bogang.Secure Protocols for Resolving Distributed System of Linear Equations[J].Netinfo Security, 2013,13(9):2-5.
	陈莉,林柏钢.基于分布式线性方程组求解的安全多方计算协议[J].信息网络安全,2013,13(9):2-5.

基于安全两方计算的具有隐私性的回归算法

Regression Algorithm with Privacy Based on Secure Two-party Computation

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 2

参考文献 17

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘晓芬, 陈晓峰, 连桂仁, 林崧. 基于d级单粒子的可认证多方量子秘密共享协议[J]. 信息网络安全, 2020, 20(3): 51-55.
[2]	唐春明, 林旭慧. 隐私保护集合交集计算协议[J]. 信息网络安全, 2020, 20(1): 9-15.
[3]	汪金苗, 王国威, 王梅, 朱瑞瑾. 面向雾计算的隐私保护与访问控制方法[J]. 信息网络安全, 2019, 19(9): 41-45.
[4]	郝文江, 林云. 互联网企业社会责任现状与启示研究[J]. 信息网络安全, 2019, 19(9): 130-133.
[5]	周权, 许舒美, 杨宁滨. 一种基于ABGS的智能电网隐私保护方案[J]. 信息网络安全, 2019, 19(7): 25-30.
[6]	李怡霖, 闫峥, 谢皓萌. 车载自组织网络的隐私保护综述[J]. 信息网络安全, 2019, 19(4): 63-72.
[7]	傅彦铭, 李振铎. 基于拉普拉斯机制的差分隐私保护k-means++聚类算法研究[J]. 信息网络安全, 2019, 19(2): 43-52.
[8]	赵志岩, 吴剑, 康凯. 一种兼顾业务数据安全的隐私保护世系发布方法[J]. 信息网络安全, 2019, 19(12): 29-37.
[9]	胡荣磊, 何艳琼, 曾萍, 范晓红. 一种大数据环境下医疗隐私保护方案设计与实现[J]. 信息网络安全, 2018, 18(9): 48-54.
[10]	李佩丽, 徐海霞, 马添军, 穆永恒. 区块链技术在网络互助中的应用及用户隐私保护[J]. 信息网络安全, 2018, 18(9): 60-65.
[11]	马蓉, 陈秀华, 刘慧, 熊金波. 移动群智感知中用户隐私度量与隐私保护研究[J]. 信息网络安全, 2018, 18(8): 64-72.
[12]	赖成喆, 王文娟. 面向车队的安全且具备隐私保护的移动性管理框架[J]. 信息网络安全, 2018, 0(7): 36-46.
[13]	王乐, 杨哲荣, 刘容京, 王祥. 基于属性加密算法的可穿戴设备系统隐私保护方法研究[J]. 信息网络安全, 2018, 0(6): 77-84.
[14]	张磊, 王斌, 于莉莉. 基于马尔可夫预测的连续查询隐私保护方法[J]. 信息网络安全, 2018, 0(5): 12-12.
[15]	刘成基, 李志慧, 司萌萌, 白晨明. 基于局域区分的六粒子正交纠缠态的量子秘密共享方案[J]. 信息网络安全, 2018, 0(4): 56-64.