基于数据对齐和隐私保护的多参与方纵向联邦学习方法

1.一种基于数据对齐和隐私保护的多参与方纵向联邦学习方法，其特征在于：包括以下步骤：S1：协议初始化阶段：初始化协议，可信机构TA对ID进行注册并签名；S2：用户ID验证阶段：各参与方使用零知识证明证明其用户ID的合法性；S3：多方私有集合交集计算阶段：第三方审查机构TPA使用经过验证的用户ID哈希集合进行交集计算，确保交集集合中仅包含各方的真实用户ID；S4：加密验证与同态加密检查阶段：TPA通过加密验证和动态同态加密检查，确保各方仅在完整的交集用户集合 上进行训练；S5：违规处理与奖惩机制阶段：当检测到参与方存在违规行为时，TPA依据预定的奖惩机制进行处理；步骤S2具体包括以下步骤：S21：生成用户ID哈希：首先将用户持有的证书 与对应的用户ID集合 进行绑定；然后将绑定后的结果与用户ID集合一起进行用户ID哈希计算，每个参与方 将其用户ID集合 进行哈希转换，得到哈希集合：其中 为单向哈希函数，确保TPA无法还原用户ID的原始值；S22：生成零知识证明：参与方 对每个哈希值生成零知识证明 ，使得：其中，AC表示该ID满足真实性要求的属性；采用基于Schnorr协议的零知识证明流程：假设每个用户ID对应的哈希值 有一个秘密 来自用户ID的签名密钥，满足以下关系：其中 是生成元， 是大素数；证明者希望证明其知道 ，使得 成立，但不直接泄露 ；结合证书 中的相关信息，确保整个证明过程能够反映ID的真实性以及证书的有效性；S23：参与方 将哈希集合 、对应的零知识证明 以及绑定后的证书与ID集合一同提交给TPA；S24：验证零知识证明：TPA接收每个参与方 提交的哈希集合 、对应的零知识证明集合 以及绑定后的证书与ID集合，并执行以下验证步骤：首先从证书中获取可信机构的公钥，验证证书 的签名是否有效，检查证书是否在有效期内，以及证书中的 ID 信息与提交的ID集合是否一致；如果证书验证不通过，则直接判定该参与方提交的 ID 集合无效，标记为违规行为；如果证书验证通过，则验证零知识证明，对于每个 ，TPA使用验证算法 检查对应的证明 是否有效： ，如果验证通过，则将 记录为合法用户ID；否则，标记为无效；S25：记录合法用户ID哈希集合：验证完成后，TPA将每个参与方的合法用户ID哈希集合进行记录；步骤S3具体包括以下步骤：S31：MPSI的输入与加密逆布隆过滤器生成并发送给服务器端 ；S32：MPSI计算：服务器首先为用户ID集合中的每个元素计算哈希值，并在客户端的加密逆布隆过滤器中查找匹配项；服务器计算密文之和并重新随机化处理；服务器将加密结果分发给选定的客户端，客户端解密后反馈给服务器；服务器汇总解密结果，形成交集集合，提交给TPA确认后，用于联邦训练。 2.根据权利要求1所述的基于数据对齐和隐私保护的多参与方纵向联邦学习方法，其特征在于：步骤S1中所述协议初始化包括：协议中有 各方，各方持有的私密数据集合分别为 ，每个集合包含 个元素，协议的目标是通过安全计算得到交集： ；确保每一方只能在交集用户上进行训练；参与方中， 到 称为客户端， 为服务器端，TPA作为审查机构负责全程监督，TA为可信机构对ID进行注册并签名；所述可信机构TA对ID进行注册并签名，具体包括：每个参与方 将其用户的ID集合 发送给TA，TA对收到的每个ID进行验证，对于验证通过的ID，TA采用非对称加密算法，使用TA的私钥对ID相关信息进行签名，为参与方 颁发一个包含签名和TA公钥信息的证书 ，并发送回对应的参与方 保存。 3.根据权利要求1所述的基于数据对齐和隐私保护的多参与方纵向联邦学习方法，其特征在于：步骤S31所述MPSI的输入与加密逆布隆过滤器生成包括以下步骤：S311：输入：每个客户端 - 持有一个共享解密密钥 ，该密钥属于一种具有零解密算法ShDec0的加性同态门限加密方案；公钥 对所有方可见；S312：初始化：服务器 随机选择一组哈希函数 并发送给客户端；S313：本地加密的逆布隆过滤器生成：每个客户端执行以下步骤以生成加密的逆布隆过滤器，从而实现隐私保护的用户ID加密：计算其用户ID集合 的布隆过滤器 、获取布隆过滤器的逆布隆过滤器 、对 中的每个元素进行加密，得到加密后的逆布隆过滤器并发送给服务器端 。 4.根据权利要求1所述的基于数据对齐和隐私保护的多参与方纵向联邦学习方法，其特征在于：步骤S32中，服务器端 执行以下步骤以计算交集用户集合：对服务器持有的用户ID集合 中的每个元素 ，计算 个哈希值 ，并对每个哈希值 在各客户端的反布隆过滤器 中查找值： ， 计算密文之和并重新随机化：服务器将结果 分发给 个客户端的任意 个客户端，并请求它们对每个 进行解密；合规检查：每个客户端 计算其解密份额 并将其反馈给服务端，具体如下：（1）客户端首先对 进行随机化处理，将随机化后的 发送回服务端，服务器将其组合为 并发送给各个客户端；（2）服务端汇总客户端反馈的解密份额 ，最终形成解密份额集合 ；TPA验证解密过程：TPA监督客户端的解密反馈过程，确保所有反馈都是通过安全通道发送，并防止服务端或客户端通过操纵反馈数据来干扰计算结果；TPA随机抽查客户端的反馈解密份额，确保解密过程合规；（3）服务端使用组合算法进行解密，对于每个 ，服务器使用组合算法计算： ；如果解密结果为零，即 ，则表示 在所有参与方的用户ID集合中，服务器将 添加到交集集合 中；否则，丢弃 ；最后交集用户集合输出：服务端 最终输出交集集合 ，并将结果提交给TPA进行最终确认；TPA对交集结果进行验证后，将合规的交集集合发送给各方。 5.根据权利要求1所述的基于数据对齐和隐私保护的多参与方纵向联邦学习方法，其特征在于：步骤S4具体包括以下步骤：S41：加密验证机制：每一轮训练开始前，TPA要求各方提交用于训练的用户ID的加密哈希集合 ，以验证训练数据的合规性；各方生成加密哈希集合，TPA验证这些集合与已知的完整交集集合是否一致；如果验证通过，表明各方在正确的交集用户上进行训练；如果失败，TPA将记录违规行为；S42：动态同态加密检查：TPA采用动态同态加密检查技术，以防止参与方在部分轮次中使用非交集用户数据；首先随机生成检查点：TPA在训练过程中的随机轮次生成检查点，要求各参与方重新提交加密的训练数据集合 ；然后同态加密验证：TPA在检查点使用同态加密技术，验证 是否与 一致，确保每轮训练数据均来自完整交集；S43：训练阶段：在确定共有实体后，各方使用这些共有实体的数据来协同地训练一个机器学习模型。 6.根据权利要求5所述的基于数据对齐和隐私保护的多参与方纵向联邦学习方法，其特征在于：步骤S43所述的训练阶段包括以下步骤：S431：可信协调者创建密钥对，并将公共密钥发送给客户端和服务端；S432：客户端和服务端对中间结果进行加密和交换，中间结果用来帮助计算梯度和损失值；S433：客户端和服务端计算加密梯度并分别加入附加掩码，服务端计算加密损失，客户端和服务端将加密的结果发送给可信协调者；S434：可信协调者对梯度和损失信息进行解密，并将结果发送回客户端和服务端；客户端和服务端解除梯度信息上的掩码，并根据这些梯度信息来更新模型参数。 7.根据权利要求1所述的基于数据对齐和隐私保护的多参与方纵向联邦学习方法，其特征在于：步骤S5具体包括以下步骤：违规检测：TPA在各关键步骤中使用零知识证明和加密验证技术，定期检查各方的合规性；处罚措施：对于确认违规的参与方，TPA将采取以下措施：（1）模型权重降低：减少其在联邦模型中的贡献权重；（2）经济罚款：对违规方施加经济处罚；（3）合作限制：在严重违规情况下，暂停其在联邦学习中的参与资格；奖励措施：对于合规的参与方，TPA颁发合规证书并给予适当奖励，以鼓励各方遵循协议。