本发明是有关于一种运算方法，且特别是有关于一种基于同态加密的隐私运算方法。
背景技术：
：：1、目前神经网路有两种常见使用方法。(1)由资料拥有者提供资料给模型拥有者运算，再将结果回传给资料拥有者。(2)模型拥有者将模型传送给资料拥有者，由资料拥有者运算模型得到结果。这两种方法皆会让两方中任一方有隐私外泄的风险。2、目前常见隐私计算的方法有三种。(1)机密计算(confidential computing)，让双方共同将资料与模型在一个可信任执行环境(trust execution environment)运算，硬体会为这个环境单独分配一个隔离的存储器空间，拒绝任何神经网路模型之外指令的读取，确保隐私。(2)安全多方计算(secure multi-party computation)，解决一组互不信任的参与方各自持有秘密数据，协同计算一个既定函数的问题。目前安全多方计算主要通过混淆电路实现让两个参与方能在互相不知晓对方数据的情况下计算某一函数，会需要庞大的计算量及通信量，且较适合简单逻辑运算。(3)同态加密(homomorphic encryption)，支持在加密之后的密文上进行计算，且计算结果解密后的内容近似明文的计算结果。3、然而，现有全同态加密方法支援加密资料于神经网路模型内的非线性函数的运算通常使用以下两种方法实现。(1)近似计算同态加密算法(ckks)使用泰勒展开式近似非现性函数，这方法需要大量的乘法运算且无法完全近似(只能小区间近似)，因此会降低神经网路运算的精准度。(2)使用基于gsw技术的同态加密(fully homomorphic encryptionbased on gsw,fhew)方案中透过自举(bootstrapping)的过程中建构查找表(lookuptable)来实现非线性函数，这方法目前只支援容错学习问题(learning with errors,lwe)为基础的整数加密方案，并无支援浮点数运算，无法有效用于神经网路运算。技术实现思路1、本发明提出一种基于同态加密的隐私运算方法，改善先前技术的问题。2、在本发明的一些实施例中，本发明所提出的基于同态加密的隐私运算方法，其包含以下步骤：将明文资料编码及加密成密文资料，密文资料具有浮点数同态加密资料结构，密文资料的浮点数同态加密资料结构包含密文尾数、指数参数与增益参数，增益参数设定密文尾数对应的浮点数的精度，指数参数适用于乘法或除法；将密文资料传送给人工智能模型，使人工智能模型对密文资料进行运算以回传密文结果；将密文结果解码及解密成明文结果。3、在本发明的一些实施例中，明文资料包含带小数的实数，将明文资料编码及加密成密文资料的步骤包含：将带小数的实数乘以增益参数并除以指数参数以得出明文尾数；将明文尾数加密成密文尾数，密文尾数为整数。4、在本发明的一些实施例中，密文结果具有一浮点数同态加密资料结构，密文结果的浮点数同态加密资料结构包含另一密文尾数、另一指数参数与另一增益参数，将密文结果解码及解密成明文结果的步骤包含：将该另一密文尾数解密成明文尾数；将明文尾数除以该另一增益参数并乘以该另一指数参数以得出明文结果。5、在本发明的一些实施例中，本发明所提出的基于同态加密的隐私运算方法，其包含以下步骤：接收密文资料，密文资料具有浮点数同态加密资料结构，密文资料的浮点数同态加密资料结构包含密文尾数、指数参数与增益参数，增益参数设定密文尾数对应的浮点数的精度，指数参数适用于乘法或除法；透过人工智能模型对密文资料进行运算以回传密文结果。6、在本发明的一些实施例中，密文资料包含一第一密文资料与第二密文资料，第一密文资料的浮点数同态加密资料结构包含第一密文尾数、指数参数与增益参数，第二密文资料的浮点数同态加密资料结构包含第二密文尾数、指数参数与增益参数，人工智能模型对密文资料所进行的运算包含加法运算，加法运算包含：当第一密文资料的指数参数与第二密文资料的指数参数相同时，将第一密文资料的第一密文尾数与第二密文资料的第二密文尾数相加以得出第三密文资料的第三密文尾数，第三密文资料的浮点数同态加密资料结构包含第三密文尾数、指数参数与增益参数。7、在本发明的一些实施例中，密文资料包含第一密文资料与第二密文资料，第一密文资料的浮点数同态加密资料结构包含第一密文尾数、第一指数参数与增益参数，第二密文资料的浮点数同态加密资料结构包含第二密文尾数、第二指数参数与增益参数，人工智能模型对密文资料所进行的运算包含一加法运算，加法运算包含：当第一指数参数与第二指数参数不同时，将第一指数参数除以第二指数参数以得出乘数，将第一密文尾数乘以乘数以得出新的第一密文尾数，将第一密文资料的第二指数参数替换为第一指数参数；将第一密文资料的新的第一密文尾数与第二密文资料的第二密文尾数相加以得出第三密文资料的第三密文尾数，第三密文资料的浮点数同态加密资料结构包含第三密文尾数、第一指数参数与增益参数。8、在本发明的一些实施例中，人工智能模型对密文资料所进行的运算包含乘法运算，乘法运算包含：将密文资料的指数参数乘以乘数以得出密文资料的新的指数参数。9、在本发明的一些实施例中，人工智能模型对密文资料所进行的运算包含：透过人工智能模型的功能自举(functional bootstrapping)对密文尾数去除杂讯并执行查表功能以实现非线性函数的运算。10、在本发明的一些实施例中，基于同态加密的隐私运算方法更包含：在人工智能模型的训练完成以后，调整人工智能模型中查找表的内容以及功能自举中撷取(extraction)的编码器(encoder)，以避免运算过程中的溢位。11、在本发明的一些实施例中，基于同态加密的隐私运算方法更包含：在人工智能模型的训练完成以后，对人工智能模型逐层搜索适用于神经元的权重归零的数值以做为阀值；将人工智能模型的神经元中小于阀值的权重归零。12、综上所述，本发明的技术方案与现有技术相比具有明显的优点和有益效果。本发明的基于同态加密的隐私运算方法可以让加密资料运行人工智能模型(如：神经网路)得到精准答案。有别于明文运算，本发明不会泄漏资料拥有者与模型拥有者的隐私。相较于机密计算，本发明无须特殊的硬体支援的可信任执行环境。相较于安全多方计算，本发明可以执行复杂的运算也无须模型拥有者与资料拥有者双方大量的交互工作。相较于过去的同态加密方案，本发明提升同态加密在人工智能模型(如：神经网路模型)运算的效率与精准度。13、以下将以实施方式对上述的说明作详细的描述，并对本发明的技术方案提供更进一步的解释。技术特征：1.一种基于同态加密的隐私运算方法，其特征在于,包含以下步骤：2.如权利要求1所述的基于同态加密的隐私运算方法，其特征在于,其中所述明文资料包含带小数的实数，将所述明文资料编码及加密成所述密文资料的步骤包含：3.如权利要求1所述的基于同态加密的隐私运算方法，其特征在于,其中所述密文结果具有一浮点数同态加密资料结构，所述密文结果的所述浮点数同态加密资料结构包含另一密文尾数、另一指数参数与另一增益参数，将所述密文结果解码及解密成所述明文结果的步骤包含：4.一种基于同态加密的隐私运算方法，其特征在于,包含以下步骤：5.如权利要求4所述的基于同态加密的隐私运算方法，其特征在于,其中所述密文资料包含一第一密文资料与一第二密文资料，所述第一密文资料的一浮点数同态加密资料结构包含一第一密文尾数、所述指数参数与所述增益参数，所述第二密文资料的一浮点数同态加密资料结构包含一第二密文尾数、所述指数参数与所述增益参数，所述人工智能模型对所述密文资料所进行的所述运算包含一加法运算，所述加法运算包含：6.如权利要求4所述的基于同态加密的隐私运算方法，其特征在于,其中所述密文资料包含一第一密文资料与一第二密文资料，所述第一密文资料的一浮点数同态加密资料结构包含一第一密文尾数、一第一指数参数与所述增益参数，所述第二密文资料的一浮点数同态加密资料结构包含一第二密文尾数、一第二指数参数与所述增益参数，所述人工智能模型对所述密文资料所进行的所述运算包含一加法运算，所述加法运算包含：7.如权利要求4所述的基于同态加密的隐私运算方法，其特征在于,其中所述人工智能模型对所述密文资料所进行的所述运算包含一乘法运算，所述乘法运算包含：8.如权利要求4所述的基于同态加密的隐私运算方法，其特征在于,其中所述人工智能模型对所述密文资料所进行的所述运算包含：9.如权利要求4所述的基于同态加密的隐私运算方法，其特征在于,更包含：10.如权利要求4所述的基于同态加密的隐私运算方法，其特征在于,更包含：技术总结本发明提出一种基于同态加密的隐私运算方法，其包含以下步骤:接收密文资料，密文资料具有浮点数同态加密资料结构，密文资料的浮点数同态加密资料结构包含密文尾数、指数参数与增益参数，增益参数设定密文尾数对应的浮点数的精度，指数参数适用于乘法或除法；透过人工智能模型对密文资料进行运算以回传密文结果。技术研发人员：顾昱得,许之凡,陈维超,刘峰豪,张明清受保护的技术使用者：英业达科技有限公司技术研发日：技术公布日：2024/5/16