縱向聯(lián)邦線性模型在線推理過(guò)程中成員推斷攻擊的隱私保護(hù)研究

尹虹舒，周旭華，周文君

中國(guó)電信股份有限公司研究院安全技術(shù)研究所，上海 201315

0 引言

隨著大數(shù)據(jù)的迅速發(fā)展以及數(shù)據(jù)安全相關(guān)法規(guī)的出臺(tái)，人們對(duì)數(shù)據(jù)安全與隱私保護(hù)的意識(shí)逐漸加強(qiáng)，企業(yè)之間的數(shù)據(jù)共享變得愈加困難，“數(shù)據(jù)孤島”現(xiàn)象愈發(fā)嚴(yán)重。聯(lián)邦學(xué)習(xí)是目前在保護(hù)數(shù)據(jù)隱私前提下解決“數(shù)據(jù)孤島”問(wèn)題的有效方式[1]。聯(lián)邦學(xué)習(xí)能在將各方數(shù)據(jù)保存在本地的同時(shí)進(jìn)行模型訓(xùn)練，降低了隱私泄露的風(fēng)險(xiǎn)。在實(shí)際應(yīng)用中，聯(lián)邦學(xué)習(xí)分為3種，分別是橫向聯(lián)邦學(xué)習(xí)、縱向聯(lián)邦學(xué)習(xí)、聯(lián)邦遷移學(xué)習(xí)。其中，縱向聯(lián)邦學(xué)習(xí)在數(shù)據(jù)賦能、數(shù)據(jù)變現(xiàn)等場(chǎng)景中的應(yīng)用較為普遍，受到了越來(lái)越多的關(guān)注，它表現(xiàn)為各方數(shù)據(jù)集的用戶重疊部分較大，用戶特征重疊部分較小[2]，例如在金融領(lǐng)域中，銀行與電商之間的聯(lián)合建模能更準(zhǔn)確地識(shí)別信貸風(fēng)險(xiǎn)[3]。

縱向聯(lián)邦學(xué)習(xí)在應(yīng)用過(guò)程中可分為兩個(gè)階段：聯(lián)邦模型訓(xùn)練和聯(lián)邦在線推理。參與聯(lián)邦建模的機(jī)構(gòu)（即數(shù)據(jù)擁有方，后文均稱之為參與方）先進(jìn)行加密樣本對(duì)齊與加密模型訓(xùn)練，此過(guò)程被稱為聯(lián)邦模型訓(xùn)練；在完成模型訓(xùn)練并建立預(yù)測(cè)模型后，后續(xù)的預(yù)測(cè)由參與方在各自的數(shù)據(jù)上使用模型參數(shù)計(jì)算結(jié)果，這一預(yù)測(cè)過(guò)程被稱為聯(lián)邦在線推理。

以兩個(gè)參與方的場(chǎng)景為例，預(yù)測(cè)發(fā)起方（以下簡(jiǎn)稱發(fā)起方）開展在線推理時(shí)，需要將包含數(shù)據(jù)標(biāo)識(shí)的請(qǐng)求體發(fā)送給另一個(gè)參與方（后文均稱之為響應(yīng)方），響應(yīng)方根據(jù)請(qǐng)求體中的數(shù)據(jù)標(biāo)識(shí)查找己方對(duì)應(yīng)的數(shù)據(jù)，并使用模型參數(shù)計(jì)算部分預(yù)測(cè)結(jié)果，然后將該部分預(yù)測(cè)結(jié)果返回給發(fā)起方；與此同時(shí)，發(fā)起方計(jì)算己方的部分預(yù)測(cè)結(jié)果，并與響應(yīng)方的部分預(yù)測(cè)結(jié)果進(jìn)行合并，從而完成整個(gè)在線推理過(guò)程。該合并結(jié)果即完整的預(yù)測(cè)結(jié)果。

目前聯(lián)邦模型訓(xùn)練階段的安全性已被廣泛研究，而聯(lián)邦在線推理階段的安全性研究相對(duì)較少。在上述縱向聯(lián)邦在線推理過(guò)程中，預(yù)測(cè)請(qǐng)求的請(qǐng)求體內(nèi)包含的數(shù)據(jù)標(biāo)識(shí)可能會(huì)讓響應(yīng)方直接定位到具體的用戶，再結(jié)合聯(lián)合建模的業(yè)務(wù)特點(diǎn)，響應(yīng)方很容易推測(cè)出業(yè)務(wù)背后隱含的用戶需求，導(dǎo)致用戶隱私泄露，如用戶是否有貸款需求。

可以發(fā)現(xiàn)，縱向聯(lián)邦在線推理過(guò)程中有用戶隱私泄露的可能性，針對(duì)此問(wèn)題以及現(xiàn)有研究的不足，本文提出一種面向縱向聯(lián)邦線性模型在線推理過(guò)程中的成員推斷攻擊的隱私保護(hù)方法，對(duì)傳輸過(guò)程中的數(shù)據(jù)標(biāo)識(shí)進(jìn)行處理，并優(yōu)化現(xiàn)有方案，進(jìn)而避免用戶隱私泄露。

1 相關(guān)工作

在聯(lián)邦學(xué)習(xí)技術(shù)中，當(dāng)前的安全性研究主要集中在訓(xùn)練階段，作為聯(lián)邦學(xué)習(xí)的最后一環(huán)，在線推理階段在實(shí)際應(yīng)用場(chǎng)景中的使用頻率最高，然而該階段中的數(shù)據(jù)安全性問(wèn)題仍然存在。

1.1 聯(lián)邦學(xué)習(xí)用戶隱私保護(hù)的國(guó)內(nèi)外研究現(xiàn)狀

1.1.1 模型訓(xùn)練階段

目前針對(duì)聯(lián)邦學(xué)習(xí)的隱私安全問(wèn)題，諸多研究專注于聯(lián)邦學(xué)習(xí)的訓(xùn)練過(guò)程。Nasr M等人[4]基于模型訓(xùn)練的參數(shù)泄露，利用隨機(jī)梯度下降的隱私漏洞提出了一種推理攻擊算法。羅丹等人[5]提出了一種應(yīng)用差分隱私技術(shù)保護(hù)模型訓(xùn)練過(guò)程中的參數(shù)的方法，通過(guò)合理分配隱私預(yù)算實(shí)現(xiàn)用戶隱私保護(hù)。對(duì)于隱私攻擊方式，Barreno M等人[6]提到了規(guī)避/探索攻擊，此類攻擊方式會(huì)導(dǎo)致輸出一個(gè)錯(cuò)誤的結(jié)果，或者通過(guò)收集關(guān)于模型特征的信息進(jìn)行攻擊。Bouacida N等人[7]討論了聯(lián)邦學(xué)習(xí)工作流程中涉及的多種隱私泄露情況，包括通信狀態(tài)中模型被惡意替換、梯度泄露、通過(guò)模型參數(shù)或訓(xùn)練數(shù)據(jù)來(lái)破壞訓(xùn)練過(guò)程、篡改聚合模型更新、聚合算法配置錯(cuò)誤等，因此依舊需要相關(guān)安全策略來(lái)降低隱私泄露的風(fēng)險(xiǎn)。

1.1.2 在線推理階段

Luo X J等人[8]研究了縱向聯(lián)邦學(xué)習(xí)在線推理階段的隱私泄露問(wèn)題，提出了基于模型預(yù)測(cè)的特征推理的攻擊方案。針對(duì)聯(lián)邦學(xué)習(xí)在線推理階段，Lyu L J等人[9]提到推理階段的攻擊可以分為白盒攻擊（可以完全訪問(wèn)聯(lián)邦學(xué)習(xí)模型）和黑盒攻擊（只能夠查詢聯(lián)邦學(xué)習(xí)模型），其中模型的傳輸步驟使得任何惡意客戶端都可以訪問(wèn)該模型，因此需要采取一些措施來(lái)預(yù)防白盒攻擊。

目前聯(lián)邦學(xué)習(xí)的安全性問(wèn)題涉及的大多是數(shù)據(jù)訓(xùn)練以及推理過(guò)程中的特征推理攻擊，而本文研究的問(wèn)題是在線推理過(guò)程中的數(shù)據(jù)標(biāo)識(shí)泄露問(wèn)題。這些攻擊很大程度上依賴于訓(xùn)練過(guò)程中的訓(xùn)練數(shù)據(jù)樣本或破壞模型更新過(guò)程、篡改數(shù)據(jù)特征、泄露交換的模型梯度。為了解決這些隱私 安全問(wèn)題，目前安全多方計(jì)算、差分隱私和同態(tài)加密等方法均在聯(lián)邦學(xué)習(xí)中得到了廣泛應(yīng)用[10-12]。

1.2 縱向聯(lián)邦在線推理介紹與安全風(fēng)險(xiǎn)

縱向聯(lián)邦學(xué)習(xí)是聯(lián)邦學(xué)習(xí)中比較常見(jiàn)的一類場(chǎng)景，它適用于幾個(gè)數(shù)據(jù)集共享相同的數(shù)據(jù)樣本但特征空間不同的情況[2]。例如同一城市的兩家不同的機(jī)構(gòu)，一方為銀行，另一方為電商。兩方的用戶集可能為該地區(qū)的大多數(shù)居民，因此數(shù)據(jù)樣本重合較多，然而銀行與電商的特征空間有很大不同，銀行具有用戶收支行為和信用評(píng)級(jí)的特征，電商的特征則為用戶的瀏覽和購(gòu)買歷史。在金融領(lǐng)域中，以數(shù)字銀行貸款業(yè)務(wù)為例，一家銀行的目標(biāo)是建立一個(gè)機(jī)器學(xué)習(xí)模型，通過(guò)聯(lián)合電商公司的數(shù)據(jù)來(lái)評(píng)估是否可以為某些用戶提供貸款。只有銀行擁有訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集中的標(biāo)簽信息，即是否應(yīng)批準(zhǔn)貸款，于是銀行與電商兩方聯(lián)合建模共同完成了針對(duì)金融風(fēng)控的模型訓(xùn)練。為了訓(xùn)練縱向聯(lián)邦學(xué)習(xí)模型，各參與方以安全的方式迭代交換某些中間結(jié)果，直到獲得完成聯(lián)邦訓(xùn)練的模型，最后將訓(xùn)練好的模型發(fā)布給各方。獲得訓(xùn)練好的模型后，各方再利用該模型協(xié)同進(jìn)行“預(yù)測(cè)數(shù)據(jù)集”中新樣本的模型預(yù)測(cè)。

聯(lián)邦學(xué)習(xí)的在線建模結(jié)束后，各個(gè)用戶只能得到與自己相關(guān)的模型參數(shù)，因此縱向聯(lián)邦學(xué)習(xí)的在線推理階段需要所有用戶協(xié)作完成。兩個(gè)用戶場(chǎng)景下的縱向聯(lián)邦學(xué)習(xí)在線推理流程如圖1所示。

圖1 縱向聯(lián)邦學(xué)習(xí)在線推理流程

①收到業(yè)務(wù)預(yù)測(cè)請(qǐng)求：發(fā)起方收到業(yè)務(wù)預(yù)測(cè)請(qǐng)求。

②發(fā)送預(yù)測(cè)請(qǐng)求體：發(fā)起方將包含數(shù)據(jù)及模型標(biāo)識(shí)等信息的請(qǐng)求體發(fā)送給響應(yīng)方。

③進(jìn)行本地計(jì)算并得到部分預(yù)測(cè)結(jié)果：發(fā)起方和響應(yīng)方分別基于本地部分模型參數(shù)進(jìn)行預(yù)測(cè)計(jì)算，得到部分預(yù)測(cè)結(jié)果。

④發(fā)送部分預(yù)測(cè)結(jié)果：響應(yīng)方將己方的部分預(yù)測(cè)結(jié)果發(fā)送給發(fā)起方，便于發(fā)起方聚合雙方結(jié)果。

⑤合并預(yù)測(cè)結(jié)果：發(fā)起方聚合雙方的部分預(yù)測(cè)結(jié)果，得到最終的預(yù)測(cè)結(jié)果。

由②可以發(fā)現(xiàn)，數(shù)據(jù)標(biāo)識(shí)傳輸會(huì)造成信息泄露的風(fēng)險(xiǎn)，形成成員推斷攻擊，例如電商（響應(yīng)方）可以通過(guò)銀行（發(fā)起方）發(fā)送的數(shù)據(jù)標(biāo)識(shí)推斷出哪些用戶存在貸款需求。

針對(duì)上述問(wèn)題以及現(xiàn)有研究的不足，本文提出一種面向縱向聯(lián)邦線性模型在線推理過(guò)程中的成員推斷攻擊的隱私保護(hù)方法，旨在完善縱向聯(lián)邦線性模型的在線推理過(guò)程，保障用戶隱私安全。

2 方法設(shè)計(jì)與實(shí)現(xiàn)

在 縱向聯(lián)邦學(xué)習(xí)的在線推理階段，預(yù)測(cè)發(fā)起方將數(shù)據(jù)標(biāo)識(shí)發(fā)送給響應(yīng)方的過(guò)程中，在部分場(chǎng)景下，安全的求交方式使得雙方知道共有用戶的情況，這可能會(huì)間接泄露該信息附帶的隱私信息，比如共有用戶正在尋求貸款。該數(shù)據(jù)標(biāo)識(shí)的傳輸使得響應(yīng)方能夠間接獲取用戶的隱私，造成信息泄露。

針對(duì)此問(wèn)題以及現(xiàn)有研究的不足，本文提出一種基于具有假陽(yáng)率的過(guò)濾器、支持密文倍乘計(jì)算的加法同態(tài)加密算法和隨機(jī)數(shù)乘法盲化的面向縱向聯(lián)邦線性模型在線推理過(guò)程中的成員推斷攻擊的隱私保護(hù)方法，對(duì)傳輸過(guò)程中的數(shù)據(jù)標(biāo)識(shí)進(jìn)行處理，并優(yōu)化現(xiàn)有方案，進(jìn)而避免用戶隱私泄露。

2.1 符號(hào)說(shuō)明

為了方便理解，對(duì)本文用到的符號(hào)做如下說(shuō)明，具體見(jiàn)表1。其中，加密使用的是部分同態(tài)加密算法，提供加法同態(tài)計(jì)算，具有密文倍乘性質(zhì)。

表1 符號(hào)說(shuō)明

2.2 總體框架

在縱向聯(lián)邦學(xué)習(xí)的在線推理過(guò)程中，本文方法的總體流程如圖2所示，發(fā)起方收到在線推理請(qǐng)求后，使用數(shù)據(jù)標(biāo)識(shí)id構(gòu)造出具有假陽(yáng)率的過(guò)濾器Fid（如布隆過(guò)濾器（Bloom filter），它是一種用于數(shù)據(jù)過(guò)濾的概率數(shù)據(jù)結(jié)構(gòu)，可以返回假陽(yáng)性結(jié)果[13-15]），并將該過(guò)濾器提供給響應(yīng)方；響應(yīng)方使用該過(guò)濾器進(jìn)行全庫(kù)篩選，獲得數(shù)據(jù)標(biāo)識(shí)集Iid，滿足id∈Iid且|Iid|＞1，因此響應(yīng)方需返回針對(duì)多條數(shù)據(jù)的部分預(yù)測(cè)結(jié)果，而不是僅返回原始id對(duì)應(yīng)的單條數(shù)據(jù)，從而使發(fā)起方無(wú)法精確定位到原數(shù)據(jù)標(biāo)識(shí)對(duì)應(yīng)的用戶。在后續(xù)過(guò)程中，發(fā)起方聚合雙方的預(yù)測(cè)結(jié)果，并對(duì)該結(jié)果進(jìn)行盲化處理，進(jìn)一步保護(hù)用戶隱私安全。

圖2 總體流程

2.3 詳細(xì)流程

在縱向聯(lián)邦學(xué)習(xí)在線推理階段，本文方法的詳細(xì)流程如圖3所示。

圖3 詳細(xì)流程

（1）響應(yīng)方預(yù)先生成同態(tài)加密算法的密鑰對(duì)(PK,SK)，并將公鑰PK發(fā)送給發(fā)起方。

（2）當(dāng)發(fā)起方收到業(yè)務(wù)系統(tǒng)的在線推理請(qǐng)求后，根據(jù)預(yù)定規(guī)則，針對(duì)數(shù)據(jù)標(biāo)識(shí)id生成具有假陽(yáng)率的過(guò)濾器Fid，并發(fā)送給響應(yīng)方。過(guò)濾器構(gòu)造規(guī)則根據(jù)業(yè)務(wù)需求的不同而不同，可以選擇布隆過(guò)濾器、n-前/后綴過(guò)濾器等。

（3）響應(yīng)方和發(fā)起方同步進(jìn)行如下步驟。

響應(yīng)方根據(jù)Fid生成滿足過(guò)濾器規(guī)則的數(shù)據(jù)標(biāo)識(shí)集Iid，并查找與之對(duì)應(yīng)的特征數(shù)據(jù)集；針對(duì)中的每條數(shù)據(jù)，響應(yīng)方使用部分模型wH計(jì)算得到對(duì)應(yīng)的部分預(yù)測(cè)結(jié)果后，使用公鑰PK對(duì)該結(jié)果進(jìn)行加密，得到密文，形成部分預(yù)測(cè)結(jié)果集密文；最后將以及Iid發(fā)送給發(fā)起方。

（4）發(fā)起方根據(jù)Iid從集合中提取出與id對(duì)應(yīng)的響應(yīng)方的部分預(yù)測(cè)結(jié)果密文，并進(jìn)行聚合計(jì)算，得到

上述步驟為縱向聯(lián)邦學(xué)習(xí)在線推理階段隱私保護(hù)方法的詳細(xì)流程，其中使用了具有假陽(yáng)率的過(guò)濾器，使得響應(yīng)方無(wú)法定位到單條數(shù)據(jù)，只需計(jì)算過(guò)濾出的數(shù)據(jù)標(biāo)識(shí)所對(duì)應(yīng)的數(shù)據(jù)預(yù)測(cè)結(jié)果，降低了計(jì)算開銷。在同態(tài)密文聚合后，加入不同隨機(jī)數(shù)進(jìn)行乘法盲化，進(jìn)一步提高了隱私保護(hù)的安全性。

3 性能與安全性分析

本節(jié)從性能與安全性兩個(gè)方面分析本文提出的面向縱向聯(lián)邦線性模型在線推理過(guò)程中的成員推斷攻擊的隱私保護(hù)方法。

3.1 性能分析

為了更好地表示性能分析效果，設(shè)發(fā)起方發(fā)送給響應(yīng)方的請(qǐng)求體中的數(shù)據(jù)量為n，過(guò)濾器的假陽(yáng)率為P。其中下標(biāo)1表示原方法，下標(biāo)2表示本文方法。僅考慮比較耗時(shí)的操作，不考慮算術(shù)運(yùn)算。

3.1.1 計(jì)算量分析

本節(jié)的計(jì)算量分析針對(duì)基于本地部分模型參數(shù)的預(yù)測(cè)計(jì)算、過(guò)濾器運(yùn)算、加解密運(yùn)算、聚合運(yùn)算以及盲化與去盲化運(yùn)算。其中，α表示基于本地部分模型參數(shù)的預(yù)測(cè)計(jì)算量，β表示過(guò)濾器處理運(yùn)算的計(jì)算量，γ表示加解密運(yùn)算的計(jì)算量，δ表示聚合運(yùn)算的計(jì)算量，分別表示盲化、去盲化運(yùn)算的計(jì)算量。

在縱向聯(lián)邦線性模型在 線推理原過(guò)程中，由第1.2節(jié)介紹的流程可知，整個(gè)計(jì)算過(guò)程中的計(jì)算量可以表示為：

在本文方法中，根據(jù)第2.3節(jié)的（3）可知，響應(yīng)方需要使用過(guò)濾器Fid處理原數(shù)據(jù)標(biāo)識(shí)集，獲得的新的數(shù)據(jù)標(biāo)識(shí)集大小為|Iid|=nP。在發(fā)起方進(jìn)行聚合計(jì)算后，與原方法相比，本文方法后續(xù)增加了盲化與去盲化過(guò)程，整個(gè)計(jì)算過(guò)程中的計(jì)算量可以表示為：

對(duì)比式（1）與式（2）可以發(fā)現(xiàn)，與原方法相比，本文方法增加了數(shù)據(jù)標(biāo)識(shí)處理運(yùn)算、加解密以及盲化與去盲化的計(jì)算量。其中由于過(guò)濾器對(duì)原數(shù)據(jù)標(biāo)識(shí)進(jìn)行了處理，響應(yīng)方需要處理的數(shù)據(jù)量增加，因此Q2＞Q1。

由上述分析可知，本文方法的計(jì)算量增加了，但是可以使用技術(shù)手段降低本文方法帶來(lái)的計(jì)算性能損耗，例如可以使用GPU硬件加速、同態(tài)加密打包技術(shù)等提高計(jì)算效率。

3.1.2 通信量分析

針對(duì)縱向聯(lián)邦線性模型在線推理過(guò)程中的通信量，本節(jié)分析通信輪次以及與傳輸數(shù)據(jù)量相關(guān)的通信量。本文使用Paillier同態(tài)加密算法，密文長(zhǎng)度是1 024 bit，原數(shù)據(jù)標(biāo)識(shí)長(zhǎng)度為mbit。

在縱向聯(lián)邦線性模型在線推理的原方法中，由第1.2節(jié)介紹的流程可知，整個(gè)過(guò)程包含1輪次數(shù)據(jù)傳輸通信。由第2.3節(jié)的（5）～（7）可知，相比原方法，本文方法增加了1輪次數(shù)據(jù)傳輸通信。原方法的通信量可以表示為：

在本文方法中，由于使用了過(guò)濾器，響應(yīng)方需要計(jì)算nP條數(shù)據(jù)的預(yù)測(cè)結(jié)果，將該結(jié)果加密后傳輸給發(fā)起方的通信量可以表示為：

由式（3）和式（4）可知，本文方法的通信量增加了。在后續(xù)盲化過(guò)程中，同態(tài)加密后的結(jié)果與盲化因子相乘后長(zhǎng)度不變，對(duì)通信量開銷無(wú)影響。

與原方法相比，本文方法增加了1輪次數(shù)據(jù)傳輸通信。常數(shù)次通信開銷的增加對(duì)系統(tǒng)的影響可忽略不計(jì)。由過(guò)濾器的使用造成的額外通信開銷可以使用控制過(guò)濾器的假陽(yáng)率不能過(guò)大的方法尋找平衡點(diǎn)；根據(jù)密鑰的生命周期較短、使用后即可丟棄的特性，可通過(guò)降低密鑰長(zhǎng)度來(lái)降低通信開銷；可使用同態(tài)加密打包技術(shù)，減少傳輸過(guò)程中的數(shù)據(jù)量，從而降低額外的密文通信開銷。

3.2 安全性分析

當(dāng)參與方數(shù)量為兩個(gè)時(shí)，本文方法是安全的。由于在計(jì)算機(jī)網(wǎng)絡(luò)安全方面，很難做到萬(wàn)無(wú)一失，任何破壞與攻擊都有可能產(chǎn)生，因此本節(jié)做出如下假設(shè)：①本文方法應(yīng)用于受控環(huán)境中，受控環(huán)境可通過(guò)傳統(tǒng)的安全加固措施實(shí)現(xiàn)；②所有參與方均為半誠(chéng)實(shí)的，即參與方都會(huì)執(zhí)行預(yù)設(shè)的方案步驟，但也會(huì)嘗試推斷方案之外的信息；③本文僅考慮兩個(gè)參與方的情形。

3.2.1 數(shù)據(jù)標(biāo)識(shí)的安全分析

在縱向聯(lián)邦線性模型在線推理過(guò)程中，當(dāng)預(yù)測(cè)發(fā)起方發(fā)起推理請(qǐng)求后，請(qǐng)求體中需要包含的數(shù)據(jù)標(biāo)識(shí)為發(fā)起方用于匹配樣本的標(biāo)識(shí)，其可能為設(shè)備號(hào)或手機(jī)號(hào)的哈希值等。響應(yīng)方收到該數(shù)據(jù)標(biāo)識(shí)后，可以反向推斷出該數(shù)據(jù)標(biāo)識(shí)對(duì)應(yīng)用戶的其他業(yè)務(wù)功能標(biāo)簽，造成隱私泄露。因此本文方法考慮對(duì)該數(shù)據(jù)標(biāo)識(shí)進(jìn)行處理，將具有假陽(yáng)率的過(guò)濾器發(fā)送給響應(yīng)方。發(fā)起方根據(jù)己方設(shè)定的規(guī)則將該過(guò)濾器發(fā)送至響應(yīng)方后，響應(yīng)方獲得被擾動(dòng)的數(shù)據(jù)集[13]，該擾動(dòng)數(shù)據(jù)集中包含原數(shù)據(jù)標(biāo)識(shí)，數(shù)據(jù)范圍的擴(kuò)大使得響應(yīng)方無(wú)法精確定位到原數(shù)據(jù)標(biāo)識(shí)的對(duì)應(yīng)用戶，從而較好地保證發(fā)起方的隱私安全。

3.2.2 響應(yīng)方計(jì)算結(jié)果的安全分析

在縱向聯(lián)邦線性模型在線推理過(guò)程中，所有計(jì)算均在同態(tài)加密密文上進(jìn)行，因此發(fā)起方無(wú)法獲知計(jì)算的中間結(jié)果明文，其中包括響應(yīng)方的部分預(yù)測(cè)結(jié)果明文。

3.2.3 最終推理結(jié)果的安全分析

發(fā)起方使用隨機(jī)數(shù)乘法盲化對(duì)聚合結(jié)果進(jìn)行處理，每次選擇不同的隨機(jī)數(shù)進(jìn)行盲化，再將盲化后的預(yù)測(cè)結(jié)果發(fā)送給響應(yīng)方。發(fā)起方利用同態(tài)加密的密文倍乘性質(zhì)，實(shí)現(xiàn)了對(duì)最終推理結(jié)果的盲化處理；即使響應(yīng)方使用私鑰對(duì)盲化的最終推理結(jié)果進(jìn)行解密，也無(wú)法得到去盲化的最終推理結(jié)果；只有發(fā)起方使用盲化隨機(jī)數(shù)進(jìn)行去盲化處理后，才能恢復(fù)出最終推理結(jié)果。由此可以看出，最終推理結(jié)果只能由發(fā)起方獲得，保證了最終推理結(jié)果的安全性。

綜上分析，在縱向聯(lián)邦線性模型的在線推理階段，本文方法的貢獻(xiàn)可歸納為如下3點(diǎn)：①通過(guò)構(gòu)造具有假陽(yáng)率的過(guò)濾器來(lái)避免響應(yīng)方對(duì)數(shù)據(jù)標(biāo)識(shí)的精確定位，從而保證數(shù)據(jù)標(biāo)識(shí)的安全性；②使用同態(tài)加密實(shí)現(xiàn)在線推理過(guò)程的全密態(tài)，保護(hù)響應(yīng)方的中間計(jì)算結(jié)果；③根據(jù)同態(tài)加密的密文倍乘性質(zhì)，使用隨機(jī)數(shù)乘法盲化操作，使得最終推理結(jié)果只能由發(fā)起方獲得，保證了最終推理結(jié)果的安全性。上述3點(diǎn)保證了縱向聯(lián)邦線性模型在線推理階段中參與方交互信息的安全性。

4 結(jié)束語(yǔ)

針對(duì)縱向聯(lián)邦線性模型在線推理階段中的成員推斷攻擊問(wèn)題，本文提出了一種面向縱向聯(lián)邦線性模型在線推理過(guò)程中的成員推斷攻擊的隱私保護(hù)方法，確保經(jīng)過(guò)處理后的數(shù)據(jù)標(biāo)識(shí)的傳輸不會(huì)造成用戶隱私泄露，并保證了整個(gè)過(guò)程交互信息的安全性。在性能方面，與原方法相比，本文方法的計(jì)算量與通信量雖有所增加，但可以使用相關(guān)技術(shù)來(lái)降低額外開銷；在安全性方面，在本文假設(shè)條件下，本文方法能夠有效避免用戶隱私泄露。