隐私保护的高效安全三方稀疏数据计算.pdfVIP

第47卷第5期计算机学报Vol.47No.5

2024年5月CHINESEJOURNALOFCOMPUTERSMay2024

隐私保护的高效安全三方稀疏数据计算

周丹钰阎允雪张建栋41），2)徐秋亮

蒋瀚

1)（山东大学软件学院济南250101)

2（山东省软件工程重点实验室（山东大学）济南250101）

摘要如今，大数据与人工智能技术发展迅猛，基于海量数据进行精确训练的机器学习模型及其应用推动了生

产力的提升，但同时也带来了严重的数据安全与隐私泄露问题，这一问题促进了隐私保护机器学习的研究.在实际

应用中，机器学习算法常常在稀疏数据集上进行运算，明文下的模型训练存在高效计算方法，可以充分利用数据稀

疏性，提高计算效率.为了保护数据隐私而引入的密码技术，将稀疏数据转化为稠密数据，从而使高效的稀疏数据

运算变得复杂.现有的对于安全稀疏数据计算的相关研究都涉及大量公钥密码操作，计算效率不高，并且主要考虑

两方的场景.实际上，稀疏数据的计算可简化为非零位置上相应元素的计算.为了充分利用这一特性以提高效率，

本文将稀疏向量乘法问题分为了过滤和乘法计算两个模块来处理，并在三方联合计算的场景下进行协议设计首

先，基于三方加法复制秘密分享以及伪随机置换技术构建过滤协议，该协议能够实现对向量元素的过滤，筛选出向

量中非零位置对应的元素.随后，在过滤协议的基础上引人加法同态加密技术，对非零元素进行安全乘法计算，实

现一个隐私保护的安全三方稀疏向量乘法协议，并在半诚实敌手模型下，使用理想现实模拟范式证明了协议的安

全性，最后，将隐私保护稀疏向量乘法协议应用到逻辑回归模型中，验证了其可用性.通过实验以及效率分析表明，

相对于隐私保护稀疏矩阵乘法协议CAESAR,本文所提出的协议将主要计算开销由O(n)的密文运算次数，降低为

O(m)次，其中n是向量的维数，m是向量中非零元素数量；在小批量的逻辑回归模型训练中，文本协议与通用安全

多方计算框架ABY3相比有10%～30%的效率提升.

关键词安全多方计算；隐私保护机器学习；秘密分享；稀疏向量乘法；隐私计算

中图法分类号TP309D0I号10.11897/SP.J.1016.2024.01179

EfficientPrivacy-PreservingSecureThree-PartySparseDataComputing

ZHOUDan-Yul)

YANYun-Xuel)Z

ZHANGJian-DongJIANGHan).2)XUQiu-Liangl).2)

D)(SchoolofSoftware,ShandongUniversity,Jinan250101)

2)(KeyLaboratoryofSoftuwareEngineeringofShandongProvuince(ShandongUniversity),Jinan250101)

AbstractNowadays,withtherapiddevelopmentofbigdataandartificialintelligence(AI)tech-

nology,machinelearningmodelstrainedpreciselyonvastamountsofdataandtheirapplications

havepropelledanincreaseinproductivity.However,suchmodeltrainingoftennecessitates

collaborationamongmultipledata