(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210900706.8 (22)申请日 2022.07.28 (71)申请人 上海光之树科技有限公司 地址 200433 上海市杨 浦区国和路6 0号 (72)发明人 夏家骏　谭博予　张珣　夏长达　 张子扬　张佳辰　 (74)专利代理 机构 广州鼎贤知识产权代理有限 公司 44502 专利代理师 刘莉梅 (51)Int.Cl. G06F 21/62(2013.01) G06F 21/60(2013.01) (54)发明名称 基于多方纵向隐私保护和逻辑回归的模型 联合构建方法 (57)摘要 本发明公开了一种基于多方纵向隐私保护 和逻辑回归的模 型联合构建方法， 属于数据隐私 保护技术领域。 本发明本发明只在服务端生成一 次公私钥， 相比较现有的基于Paillier同态加密 的多方纵向隐私保护逻辑回归算法在每个客户 端生成公私钥， 并利用所有客户端的公私钥进行 加密运算， 在Pailier密钥长度均为512时， 每轮 联合逻辑回归建模的速度快了接近一倍， 使 得多 方联合建模不再局限于两方。 对 联邦模型的梯度 作了保护， 每个客户端仅发送本地计算的部分模 型梯度给服务端， 使 得服务端不仅不知晓每个客 户端的所有数据， 同时也不能准确判断模型每次 更新时的梯度， 保护了各客户端的原始数据不泄 露。 权利要求书2页 说明书5页 附图1页 CN 115329369 A 2022.11.11 CN 115329369 A 1.一种基于多方纵向隐私保护和逻辑回归的模型联合构建方法， 其特征在于， 步骤包 括： S1， 联邦学习框架下的服务端生成公钥pk和私钥sk并存储， 并将所述公钥pk发送给参 与联邦学习的各客户端； S2， 所述服务端对每个所述客户端发送的在本地计算的部分模型梯度beta_i进行聚 合， 得到聚合梯度beta_agg， 然后利用所述公钥pk对beta_agg进行加密， 并将加密后的 [[beta_agg]]pk发送给每 个所述客户端； S3， 每个所述客户端计算[[beta_agg]]pk下的梯度[[grad_i]]pk， 并加上随机掩码mask_ i后将加密结果[[gradi+mask_i]]pk发送给所述服务端， 并在本地存储所述随机掩码mask_ i； S4， 所述服务端使用所述私钥sk解密[[gradi+mask_i]]pk， 并将解密 结果[gradi+mask_ i]发送给对应的所述 客户端； S5， 每个所述客户端使用本地存储的所述随机掩码mask_i对所述解密结果[gradi+ mask_i]作mask_i匹配， 过 滤掉mask_i后得到明文梯度gradi以更新本地模型。 2.根据权利要求1所述的基于多方纵向隐私保护和逻辑回归的模型联合构建方法， 其 特征在于， 所述 服务端基于Pai llier同态加密算法生成所述公钥pk和所述私钥sk。 3.根据权利要求1所述的基于多方纵向隐私保护和逻辑回归的模型联合构建方法， 其 特征在于， 作为联邦学习任务发起方的所述客户端发送给所述服务端作梯度聚合的所述部 分模型梯度beta_i 通过以下表达式(1)表达： 表达式(1)中， yi表示作为所述任务发起方的客户端A在本地训练逻辑回归模型的样本 XAi的真实值； uAi表示所述客户端A训练的所述逻辑回归模型作线性回归的假设函数， uAi的计算通过 以下表达式(2)表达： 表达式(2)中， 表示θA的转置， θA为所述客户端A本地训练的所述逻辑回归模型的参 数； XAi表示所述 客户端A进行本地模型训练的第i个样本 。 4.根据权利要求1所述的基于多方纵向隐私保护和逻辑回归的模型联合构建方法， 其 特征在于， 作为联邦学习任务接受方的所述客户端发送给所述服务端作梯度聚合的所述部 分模型梯度beta_i 通过以下表达式(3)表达： 表达式(3)中， uMi表示作为所述任务接收方的客户端M本地训练的逻辑回归模型作 线性 回归的假设函数， uMi通过以下表达式(4)表达： 表达式(4)中， 表示θM的转置， θM为所述客户端M本地训练的所述逻辑回归模型的参 数；权　利　要　求　书 1/2 页 2 CN 115329369 A 2XMi表示所述 客户端A进行本地模型训练的第i个样本 。权　利　要　求　书 2/2 页 3 CN 115329369 A 3