CN115392487B 基于同态加密的隐私保护非线性联邦支持向量机训练方法及系统 （中国人民解放军网络空间部队信息工程大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115392487B(45)授权公告日2025.07.01

(21)申请号202210758385.2

(22)申请日2022.06.30

(65)同一申请的已公布的文献号申请公布号CN115392487A

(43)申请公布日2022.11.25

(73)专利权人中国人民解放军网络空间部队信

息工程大学

地址450000河南省郑州市高新区科学大

道62号

(51)Int.CI.

GO6N20/10(2019.01)

GO6F21/60(2013.01)

GO6F21/62(2013.01)

(56)对比文件

CN108521326A,2018.09.11CN113434873A,2021.09.24审查员王齐强

(72)发明人胡学先杨鸿健魏江宏李可佳徐阳张蕾

(74)专利代理机构郑州大通专利商标代理有限公司41111

专利代理师周艳巧

权利要求书2页说明书6页附图3页

(54)发明名称

基于同态加密的隐私保护非线性联邦支持向量机训练方法及系统

(57)摘要

CN115392487B本发明属于隐私保护的机器学习技术领域，特别涉及一种基于同态加密的隐私保护非线性联邦支持向量机训练方法及系统，各参与方利用密钥协商协议获取组密钥及用于生成原始数据映射函数的随机种子；利用随机种子生成映射函数，并使用映射函数将各参与方的本地数据集作为原始数据映射到相同高维空间，以获取各参与方对应的高维数据；并利用高维数据作为训练样本，使用隐私保护的联邦SVM算法训练局部模型参数，并通过服务器利用同态加密运算聚合各局部模型参数，通过联合训练来获取最终模型。本发明可以实现隐私保护的联邦SVM联合训练，可

CN115392487B

应用。

参与方通过

参与方通过Burmester-Desmedi协议协商组密钥

阶段一：随机种子协商

设置PRNG,并使用PRNG生成随机种子

参与方使用随机种子生成映射函数

阶段二：核近似映射

使用映射函数将将原始数据映射至高维空间

服务器生成初始模型参数并将其广播至参与方

参与方使用本地数据训练得到局部模型参数

对局部模型参数进行同态加密并上传服务器

服务器使用同态运算聚合模型参数

服务器将加密模型参数发送至各参与方

阶段三：模型训练

CN115392487B权利要求书1/2页

2

1.一种基于同态加密的隐私保护非线性联邦支持向量机训练方法，其特征在于，包含如下内容：

各参与方利用密钥协商协议获取组密钥及用于生成原始数据映射函数的随机种子，其中，各参与方采用Burmester-Desmedt协议作为密钥协商协议来获取公私钥对；并将自身公钥广播给其他参与方；通过各参与方参与密钥协商的中间参数来获取组密钥，组密钥K表

为中间参数，且X=Z;+1/Z,Z=g*--*k;

各参与方利用随机种子生成映射函数，并使用映射函数将各参与方的本地数据集作为原始数据映射到相同高维空间，以获取各参与方对应的高维数据；

各参与方利用高维数据作为训练样本，使用隐私保护的联邦SVM算法训练局部模型参数，并通过服务器利用同态加密运算聚合各局部模型参数，通过联合训练来获取最终模型。

2.根据权利要求1所述的基于同态加密的隐私保护非线性联邦支持向量机训练方法，其特征在于，将组密钥作为伪随机数生成器的输入，利用伪随机数生成器来获取用于生成原始数据映射函数的随机种子。

3.根据权利要求1所述的基于同态加密的隐私保护非线性联邦支持向量机训练方法，其特征在于，利用Burmester-Desmedt协议生成公私钥对中，所选用的群为RFC3526中2048-bit的乘法循环群。

4.根据权利要求2所述的基于同态加密的隐私保护非线性联邦支持向量机训练方法，其特征在于，伪随机数生成器采用ChaCha伪随机数生成器。

5.根据权利要求1所述的基于同态加密的隐私保护非线性联邦支持向量机训练方法，其特征在于，针对获取的随机种子，结合随机傅里叶特征算法将各参与方的原始数据映射到相同的高维空间中。

6.根据权利要求5所述的基于同态加密的隐私保护非线性联邦支持向量机训练方法，其特征在于，随机傅里叶特征算法中，依据随机种子设置随机数生成器；并通过随机数生成器来构建映射函数；利用映射函数对各参与方本地数据集的