面向CNN的区块链可信隐私服务计算模型

doi:10.12263/DZXB.20200731

电子学报 ›› 2022, Vol. 50 ›› Issue (6): 1399-1409.DOI: 10.12263/DZXB.20200731

面向CNN的区块链可信隐私服务计算模型

丁毅¹, 沈薇¹, 李海生²^,³, 钟琼慧¹, 田明宇¹, 李洁¹

^1.北京物资学院信息学院，北京 101149
^2.北京工商大学农产品质量安全追溯技术及应用国家工程实验室，北京 100048
^3.北京工商大学计算机学院，北京 100048

收稿日期:2020-07-16 修回日期:2021-03-30 出版日期:2022-06-25
- 通讯作者:
- 李洁
- 作者简介:
- 丁毅男，1981年9月出生于河北省沧州市.北京物资学院信息学院副教授，硕士生导师.主要研究方向为区块链和智能合约技术、隐私计算等.
  沈薇女，1999年9月出生于江苏省宿迁市.北京物资学院本科生.主要研究方向为同态加密和区块链技术.
  沈薇女，1999年9月出生于江苏省宿迁市 . 北京物资学院本科生 . 主要研究方向为同态加密和区块链技术.
  李洁（通讯作者）女，1983年1月出生于北京市.北京物资学院信息学院助理研究员.主要研究方向为区块链、隐私计算及形式化验证等.
- 基金资助:
- 国家重点研发计划 (2018YFB1402703); 北京市教育委员会科技计划一般项目 (KM201910037003); 北京工商大学农产品质量安全追溯技术及应用国家工程实验室开放课题 (AQT-2020-YB5); 北京市社会科学基金研究基地项目 (18JDGLB026); 北京物资学院2020年度“实培计划”项目

Blockchain Trusted Privacy Service Computing Model for CNN

DING Yi¹, SHEN Wei¹, LI Hai-sheng²^,³, ZHONG Qiong-hui¹, TIAN Ming-yu¹, LI Jie¹

^1.School of Information, Beijing Wuzi University, Beijing 101149, China
^2.National Engineering Laboratory for Agri-product Quality Traceability, Beijing Technology and Business University, Beijing 100048, China
^3.School of Computer Science and Engineering, Beijing Technology and Business University, Beijing 100048, China

Received:2020-07-16 Revised:2021-03-30 Online:2022-06-25 Published:2022-06-25
- Corresponding author:
- LI Jie
- Supported by:
- National Key Research and Development Program of China (2018YFB1402703); General Program of Science and Technology Planning Project of Beijing Municipality Education Commission (KM201910037003); Open Project of State Engineering Laboratory of Agricultural Product Quality and Safety Traceability Technology and Application, Beijing Technology and Business University (AQT-2020-YB5); Research Base Project of Beijing Municipal Social Science Foundation (18JDGLB026); Practical Training Project of Beijing Wuzi University in 2020

摘要/Abstract

摘要：

在当前移动互联网时代，数据量增长迅速，服务计算能力不断增强，数据隐私保护和服务环境可信成为备受关注的重要问题.本文研究面向卷积神经网络典型应用场景的可信隐私服务计算模型，探索支持同态加密的数据和模型计算方法，保护数据隐私.构建基于区块链和智能合约技术服务过程存证及计算权益分配方法，保证服务计算的公开透明、可信可追溯.探索资源提供者、模型拥有者及用户的新型云环境资源数据服务模式，促进资源有效整合，发展共享经济.最后，通过实验分析该模型的隐私保护方法.

关键词: 同态加密, 隐私保护, 智能合约, 卷积神经网络

Abstract:

Data privacy protection and service environment trust have become important issues with the rapidly increasing amount of data and computing power of services in current era of Mobile Internet. This paper studies the trusted privacy service computing model for typical application scenarios of convolutional neural network. It explores data and model computing methods supporting homomorphic encryption to protect data privacy, builds methods of service certificate storage and calculating equity interests distribution based on blockchain and smart contract technology to ensure the openness, transparency, credibility and traceability of service computing. A novel resource and data service paradigm of cloud environment is explored for resource providers, model owners and users to promote the effective integration of resources and develop sharing economy. Finally, the privacy protection method in the model is analyzed through experiments.

Key words: homomorphic encryption, privacy protection, smart contract, convolutional neural network

中图分类号:

TP309.2

丁毅, 沈薇, 李海生, 等. 面向CNN的区块链可信隐私服务计算模型[J]. 电子学报, 2022, 50(6): 1399-1409.

Yi DING, Wei SHEN, Hai-sheng LI, et al. Blockchain Trusted Privacy Service Computing Model for CNN[J]. Acta Electronica Sinica, 2022, 50(6): 1399-1409.

图/表 11

图1 可信隐私服务计算架构图

图2 卷积神经网络预测服务计算模型流程图

图3 卷积神经网络预测模块各层次关系示意图

表1 权益评估计算参数表

时间i时存储容量z_i_,单位容量收益z

图片大小 $w × h$

(默认 $r 1 × r 2$ )

通道数c

(默认k)

模型提供端

x₁

x₂

x₃

云服务端

t × s

z × ∑ 0 t z i

y 1 + w × h - r 1 × r 2 × p 1

y 2 + c - k × p 2

表1 权益评估计算参数表

参数收益

模型准确度e

使用时长t

时间服务收益s

时间i时存储容量z_i_,单位容量收益z

数据量

<80%

80%~95%

>95%

图片大小 $w × h$

(默认 $r 1 × r 2$ )

通道数c

(默认k)

模型提供端

x₁

x₂

x₃

云服务端

t × s

z × ∑ 0 t z i

y 1 + w × h - r 1 × r 2 × p 1

y 2 + c - k × p 2

图4 加密时间随数据位数变化对比图

图5 解密时间随数据位数变化对比图

图6 加密时间随数据个数变化对比图

图7 解密时间随数据个数变化对比图

表2 同态加密算法对比表

加密算法

加密时间

解密时间

支持多位

(bit)加密

表3 明密文CNN各层执行时间占比对比表

时间占比	卷积层	激活层	池化层	全连接层
明文	39.59%	2.20%	54.79%	3.42%
密文	66.49%	5.84%	0.49%	27.18%

图8 密文卷积预测模型各部分时间占比图

参考文献 28

1	王雪乔. 论欧盟GDPR中个人数据保护与"同意"细分[J]. 政法论丛, 2019, (4): 136-146.
	WANGX Q. Personal data protection and "consent" segmentationin EU GDPR[J]. Journal of Political Science and Law, 2019, (4): 136-146. (in Chinese)
2	陈丹伟, 邵菊, 樊晓唯, 等. 基于MAH-ABE的云计算隐私保护访问控制[J]. 电子学报, 2014, 42(4): 821-827.
	CHEND W, SHAOJ, FANX W, et al. MAH-ABE based privacy access control in cloud computing[J]. Acta Electronica Sinica, 2014, 42(4): 821-827. (in Chinese)
3	SHANZ H, RENK, BLANTONM, et al. Practical secure computation outsourcing[J]. ACM Computing Surveys, 2019, 51(2): 1-40.
4	蒋林智.(全)同态加密及其在云计算中的应用研究[D].成都: 电子科技大学, 2018.
	JIANGL Z. Research on (Fully) Homomorphic Encryption and Its Application in Cloud Computing[D]. Chengdu: University of Electronic Science and Technology of China, 2018. (in Chinese)
5	谷思竹. 整数上全同态加密及其在云平台的应用研究[D]. 深圳: 深圳大学, 2016.
	GUS Z. Research on Fully Homomorphic Encryption Over the Integers and Application in Cloud Platform[D]. Shenzhen: Shenzhen University, 2016. (in Chinese)
6	丁毅, 沈薇, 李洁, 等. 卫星通信全代理同态可信传输机制研究[J]. 中国空间科学技术, 2020, 40(4): 84-96.
	DINGY, SHENW, LIJ, et al. Research on trusted full-proxy homomorphic transmission mechanism for satellite communication[J]. Chinese Space Science and Technology, 2020, 40(4): 84-96. (in Chinese)
7	GENTRYC. Fully homomorphic encryption using ideal lattices[C]//STOC'09: Proceedings of the Forty-First Annual ACM Symposium on Theory of Computing. New York: ACM, 2009: 169-178.
8	VAN DIJKM, GENTRYC, HALEVIS, et al. Fully homomorphic encryption over the integers[C]//29th Annual International Conference on Theory and Applications of Cryptographic Techniques. Berlin: Springer, 2010: 24-43.
9	CORONJ S, MANDALA, NACCACHED, et al. Fully homomorphic encryption over the integers with shorter public keys[C]//Proceedings of Conference on Advances in Cryptology. New York: Springer-Verlag, 2011: 487-504.
10	林如磊, 王箭, 杜贺. 整数上的全同态加密方案的改进[J]. 计算机应用研究, 2013, 30(5): 1515-1519.
	LINR L, WANGJ, DUH. Improved fully homomorphic encryption over integers[J]. Application Research of Computers, 2013, 30(5): 1515-1519. (in Chinese)
11	孙霓刚, 朱浩然, 汪伟昕. 一种适用于n bit的整数上全同态加密方案[J]. 计算机应用研究, 2018, 35(4): 1179-1181.
	SUNN G, ZHUH R, WANGW X. Fully homomorphic encryption scheme applied to n bit[J]. Application Research of Computers, 2018, 35(4): 1179-1181. (in Chinese)
12	拱长青, 肖芸, 李梦飞, 等. 云计算安全研究综述[J]. 沈阳航空航天大学学报, 2017, 34(4): 1-17.
	GONGC Q, XIAOY, LIM F, et al. Summary of cloud computing security research[J]. Journal of Shenyang Aerospace University, 2017, 34(4): 1-17. (in Chinese)
13	杨健, 汪海航, 王剑, 等. 云计算安全问题研究综述[J]. 小型微型计算机系统, 2012, 33(3): 472-479.
	YANGJ, WANGH H, WANGJ, et al. Survey on some security issues of cloud computing[J]. Journal of Chinese Computer Systems, 2012, 33(3): 472-479. (in Chinese)
14	蒋瀚, 徐秋亮. 基于云计算服务的安全多方计算[J]. 计算机研究与发展, 2016, 53(10): 2152-2162.
	JIANGH, XUQ L. Secure multiparty computation in cloud computing[J]. Journal of Computer Research and Development, 2016, 53(10): 2152-2162. (in Chinese)
15	PEARSONS, SHENY, MOWBRAYM. A privacy manager for cloud computing[C]//IEEE International Conference on Cloud Computing. Berlin, Heidelberg: Springer, 2009: 90-106.
16	CHAUHANK K, SangerA K S, VermaA. Homomorphic encryption for data security in cloud computing[C]//2015 International Conference on Information Technology(ICIT). Bhubaneswar: IEEE, 2015: 206-209.
17	MINZ E, YANGG. Homomorphic encryption technology for cloud computing[J]. Procedia Computer Science, 2019, 154:73-83.
18	GOEYJ Z, LEEW K, GOIB M, et al. Accelerating number theoretic transform in GPU platform for fully homomorphic encryption[J]. The Journal of Supercomputing, 2021, 77(2): 1455-1474.
19	袁鹏. 图像卷积算法的隐私保护和应用研究[D]. 西安: 西安电子科技大学, 2017.
	YUANP. Privacy Preserving and Application of Image Convolution Algorithm[D]. Xi'an: Xidian University, 2017. (in Chinese)
20	DOWLINN, GILAD-BACHRACHR, LAINEK, et al. Cryptonets: Applying neural networks to encrypted data with high throughput and accuracy[C]//International Conference on Machine Learning. New York: ACM, 2016: 201-210.
21	CHABANNEH, DE-WARGNYA, MILGRAMJ, et al. Privacy-preserving classification on deep neural network[EB/OL]. (2017)[2020]. .
22	许世聪. 隐私保护卷积神经网络前向传播方法研究[D]. 西安: 西安电子科技大学, 2019.
	XUS C. Research on Forward Propagation Method of Privacy-Preserving Convolutional Neural Network[D]. Xi'an: Xidian University, 2019. (in Chinese)
23	李少华. 云端卷积神经网络算法的安全增强机制研究[D]. 合肥: 中国科学技术大学, 2019.
	LIS H. Research on Security Enhancement Mechanism for Convolutional Neural Network Predictions in Cloud[D]. Hefei: University of Science and Technology of China, 2019. (in Chinese)
24	JUVEKARC, VAIKUNTANATHANV, CHANDRAKASANA. Gazelle: A low latency framework for secure neural network inference[EB/OL]. (2018)[2021]. .
25	贺海武, 延安, 陈泽华. 基于区块链的智能合约技术与应用综述[J]. 计算机研究与发展, 2018, 55(11): 2452-2466.
	HEH W, YANA, CHENZ H. Survey of smart contract technology and application based on blockchain[J]. Journal of Computer Research and Development, 2018, 55(11): 2452-2466. (in Chinese)
26	杨强. AI与数据隐私保护:联邦学习的破解之道[J]. 信息安全研究, 2019, 5(11): 961-965.
	YANGQ. AI and data privacy protection: The way to federated learning[J]. Journal of Information Security Research, 2019, 5(11): 961-965. (in Chinese)
27	CommunityNumPy. NumPy User Guide[EB/OL]. (2020)[2020]. .
28	LECUNY, BOTTOUL, BENGIOY. MNIST[EB/OL]. [2020]. .

[1]	黄赟, 张帆, 郭威, 陈立, 羊光. 一种基于数据标准差的卷积神经网络量化方法[J]. 电子学报, 2023, 51(3): 639-647.
[2]	吕杭, 蒋明峰, 李杨, 张鞠成, 王志康. 基于混合时频域特征的卷积神经网络心律失常分类方法的研究[J]. 电子学报, 2023, 51(3): 701-711.
[3]	郭庆, 田有亮, 万良. 基于代理重加密的区块链数据受控共享方案[J]. 电子学报, 2023, 51(2): 477-488.
[4]	许新征, 李杉. 基于特征膨胀卷积模块的轻量化技术研究[J]. 电子学报, 2023, 51(2): 355-364.
[5]	丁琪, 田萱, 孙国栋. 基于注意力增强的热点感知新闻推荐模型[J]. 电子学报, 2023, 51(1): 93-104.
[6]	张永梅, 孙捷. 基于动静态特征双输入神经网络的咳嗽声诊断COVID-19算法[J]. 电子学报, 2023, 51(1): 202-212.
[7]	袁海英, 成君鹏, 曾智勇, 武延瑞. Mobile_BLNet：基于Big-Little Net的轻量级卷积神经网络优化设计[J]. 电子学报, 2023, 51(1): 180-191.
[8]	吴靖, 叶晓晶, 黄峰, 陈丽琼, 王志锋, 刘文犀. 基于深度学习的单帧图像超分辨率重建综述[J]. 电子学报, 2022, 50(9): 2265-2294.
[9]	毛国君, 王者浩, 黄山, 王翔. 基于剪边策略的图残差卷积深层网络模型[J]. 电子学报, 2022, 50(9): 2205-2214.
[10]	张少波, 原刘杰, 毛新军, 朱更明. 基于本地差分隐私的K-modes聚类数据隐私保护方法[J]. 电子学报, 2022, 50(9): 2181-2188.
[11]	袁海英, 曾智勇, 成君鹏. 面向灵活并行度的稀疏卷积神经网络加速器[J]. 电子学报, 2022, 50(8): 1811-1818.
[12]	王相海, 赵晓阳, 王鑫莹, 赵克云, 宋传鸣. 非抽取小波边缘学习深度残差网络的单幅图像超分辨率重建[J]. 电子学报, 2022, 50(7): 1753-1765.
[13]	张志文, 刘天歌, 聂鹏举. 基于实景数据增强和双路径融合网络的实时街景语义分割算法[J]. 电子学报, 2022, 50(7): 1609-1620.
[14]	张波, 陆云杰, 秦东明, 邹国建. 一种卷积自编码深度学习的空气污染多站点联合预测模型[J]. 电子学报, 2022, 50(6): 1410-1427.
[15]	廖勇, 李玉杰. 一种轻量化低复杂度的FDD大规模MIMO系统CSI反馈方法[J]. 电子学报, 2022, 50(5): 1211-1217.

面向CNN的区块链可信隐私服务计算模型

Blockchain Trusted Privacy Service Computing Model for CNN

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 28

相关文章 15

编辑推荐

Metrics