用于量子卷积计算的同态加密方法、系统、设备及终端

本发明属于量子卷积神经网络、云计算，尤其涉及一种用于量子卷积计算的同态加密方法、系统、设备及终端。

背景技术：

1、目前，在数据爆炸式增长的时代中，使用云服务来存储、分析、处理大数据是十分流行的手段。尽管云服务供应商能够给用户提供更强的算力资源，但是在数据传输、存储的各个阶段也由此带来了许多隐私安全问题。机器学习即服务便是将机器学习算法作为一种服务提供给用户。其中，用户提供数据，云端提供计算资源。用户可以通过购买云计算资源，从而快速使用机器学习算法达成特定目标。然而，机器学习即服务为用户带来方便的同时，也带来了许多隐私问题。攻击者能够通过模型逆向、模型提取、成员推理等手段获取用户的私密信息。

2、量子机器学习算法是一种通过量子叠加特性实现并行加速的机器学习算法。由于量子计算硬件价格极高，环境要求极其严格，普通用户无法拥有量子计算能力。量子机器学习的量子计算能力通常由量子云计算服务器提供。因此，云服务器提供的量子机器学习服务也需要考虑对用户的隐私保护。现有的量子机器学习算法主要通过量子同态加密、量子差分隐私、量子安全多方计算以及其他技术来实现隐私保护。然而为了实现隐私保护，算法在效率、准确度、复杂性上做出了牺牲。

3、量子同态加密大都需要用户准备、操作或测量量子态。此外，为了保护隐私，算法需要使用额外的量子门，从而产生复杂的量子电路。基于量子差分隐私的隐私保护方案，通过增加噪声来保护隐私，这不仅增加了额外的量子门，也降低了算法的准确性。量子安全多方计算则因为参与的用户多以及使用的数据量大导致通信开销巨大。不仅如此，多用户参与计算的方式还会引入更多其他安全问题。

4、在许多领域中应用卷积神经网络都能取得十分不错的效果。量子卷积神经网络基于量子计算特性能够进一步实现计算加速。而量子卷积神经网络在被提出之后，其中的隐私问题一直没有被解决。如何在普通用户委托量子云卷积计算时，不泄露自己的隐私数据，仍然是需要解决的问题。

5、通过上述分析，现有技术存在的问题及缺陷为：

6、(1)由于量子计算硬件价格极高，环境要求极其严格，普通用户无法拥有量子计算能力，且现有量子机器学习算法使用的隐私保护方法会导致原算法的效率和准确度降低、复杂性增高。

7、(2)现有基于量子差分隐私的隐私保护方案通过增加噪声保护隐私，增加了额外的量子门，产生复杂的量子电路，同时降低了算法的准确性。

8、(3)现有量子安全多方计算则因为参与的用户多以及使用的数据量大导致通信开销巨大，多用户参与计算的方式还会引入更多其他安全问题。

9、(4)在量子云卷积计算中，缺少能够保护用户数据的隐私保护方法。

10、(5)云计算环境下，用户使用的量子卷积计算中的隐私问题没有解决，用户数据的安全需要得到保护。其次，现有的隐私保护方案存在复杂、效率低、准确率下降以及需要用户具有量子设备等问题。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种用于量子卷积计算的同态加密方法、系统、设备及终端，尤其涉及一种具有隐私量子计算的混合量子经典卷积神经网络构建方法、系统、介质、设备及终端。

2、本发明是这样实现的，一种用于量子卷积计算的同态加密方法，使用加密算法在本地计算机上对自己的图像数据进行加密保护；将加密数据集发送给量子云服务器；量子云服务器对收到的加密图像数据集进行量子编码，并使用量子卷积线路完成对加密图像数据集的卷积计算，将得到的加密特征图数据集发送给用户；用户逐个解密收到的密文特征图，得到特征图数据集。

3、用于量子卷积计算的同态加密方法包括：利用符号qconv(·)表示量子卷积线路，q(·)表示量子编码，en(·)表示在量子卷积线路中使用的同态加密，de(·)表示同态加密的解密方式，key表示用户使用的密钥，p表示用户的图像；在传统计算机上使用同态加密方式en(·)以及密钥key加密图像p，在图像加密的情况下，经过量子卷积计算得到结果；量子卷积计算结果经过用户解密后与直接输入明文图像到量子卷积中得到的结果一致，则加密方法为用于量子卷积的heqc；使用公式表示用于量子卷积的heqc为：de(qconv(q(en(p,key))),key)＝qconv(q(p))。

4、本发明提出的用于量子卷积计算的同态加密方法既能保护输入的图像不被泄露，又能正确提取出图像的特征，没有改变原始量子卷积的复杂度。与现有的其他量子机器学习隐私保护方案相比，本发明通过非量子的手段加密图像，并且没有降低后续模型的精度，它对于没有量子能力的用户十分友好。

5、进一步，用于量子卷积计算的同态加密方法包括以下步骤：

6、步骤一，用户使用加密算法en(·)以及密钥key加密图像pm×n；

7、步骤二，用户对数据集加密完成后，将加密数据集发送给量子云服务器；

8、步骤三，量子云服务器将加密图像的量子态输入量子卷积线路进行计算；

9、步骤四，量子云服务器测量密文量子图像的特征图enfm×n；

10、步骤五，用户将得到的密文特征图输入解密函数de(·)中解密得到明文特征图；

11、步骤六，逐个对密文特征图数据集进行解密，得到的特征图数据集并用于后续混合量子经典卷积神经网络的模型训练与预测。

12、进一步，步骤一中的用户使用加密算法en(·)以及密钥key加密图像pm×n包括：

13、加密算法选择图像置乱算法，使用符号en(·)表示；加密单个图像时，用户根据使用的卷积核大小p×q，对明文图像pm×n进行分割；使用密钥key对图像进行置乱加密，得到密文图像enpm×n；重复使用加密方法，实现对数据集中的每幅图像的加密；其中，用户尽可能多地使用不同的密钥加密数据集中的图像；

14、enpm×n＝en(pm×n,key)。

15、进一步，步骤二中，用户对数据集加密完成后，将加密数据集发送给量子云服务器；量子云服务器对收到的数据进行量子编码，并标准化图像；

16、

17、使用ry(θ)对标准化后的数据进行量子化编码，其中αij表示图像标准化之后第i行第j列中的值；

18、

19、分割后的单个子图像的量子态表示为：

20、

21、整个密文图像的量子态表示为：

22、

23、进一步，步骤三中，量子云服务器将加密图像的量子态输入量子卷积线路进行计算，使用r(β)表示量子卷积线路，r(β)包括量子卷积线路中使用的所有量子门，β表示量子卷积线路中的所有参数，则得到的密文特征图的量子态表示为：

24、|ψ″>＝r(β)|ψ′>。

25、进一步，步骤四中，量子云服务器测量密文量子图像的特征图enfm×n，并对enfm×n中每个p×q大小的子图进行求和，得到经典计算机使用的数据enfa×b；重复步骤二～步骤四，处理用户数据集中的所有图像。

26、量子云服务器计算完成后，将密文特征图数据集发送给用户：

27、

28、进一步，步骤五中，用户将得到的密文特征图输入解密函数de(·)中，解密得到的明文特征图fa×b为：

29、fa×b＝de(enfa×b,key)。

30、本发明的另一目的在于提供一种应用所述的用于量子卷积计算的同态加密方法的用于量子卷积计算的同态加密系统，用于量子卷积计算的同态加密系统包括：

31、图像加密模块，用于使用加密算法en(·)以及密钥key加密图像pm×n；用户对数据集加密完成后，将加密数据集发送给量子云服务器；

32、特征图测量模块，用于利用量子云服务器将加密图像的量子态输入量子卷积线路进行计算，量子云服务器测量密文量子图像的特征图enfm×n；

33、特征图数据集构建模块，用于将密文特征图输入解密函数de(·)中解密得到明文特征图，逐个对密文特征图数据集进行解密，得到特征图数据集。

34、本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的用于量子卷积计算的同态加密方法的步骤。

35、本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的用于量子卷积计算的同态加密方法的步骤。

36、本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的用于量子卷积计算的同态加密系统。

37、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

38、第一，针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

39、现有的量子卷积神经网络没有考虑对用户隐私的保护。本发明关注的要点是如何保护普通用户在委托量子云卷积计算时，不泄露自己的隐私数据。现有的其他量子隐私保护方案，有的要求用户拥有量子设备，有的会增加算法的复杂度，有的会影响算法的准确率，使得这些方案实用性降低、计算复杂度增高、准确率降低。在保护隐私的同时，平衡算法的复杂性、准确性和实用性也是本发明关注的要点。在这样的背景下，本发明提出了具有隐私量子计算的混合量子经典卷积神经网络。本发明在混合量子经典卷积神经网络中，对用户使用的量子卷积步骤进行隐私保护。具体来讲，本发明提出了一种用于量子卷积计算的同态加密方法heqc，以保护混合量子经典卷积神经网络中用户数据的隐私，用户不需要准备、测量或操作量子态，从而使该方案非常容易实现。

40、第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

41、本发明提出了一种具有隐私量子计算的混合量子经典卷积神经网络。首先，本发明在委托量子云卷积计算的整个过程中，用户的数据处于加密的状态，没有泄露给量子云服务器或其他节点，用户的隐私得到了保护。第二，本发明提出的加密方案，不要求用户具备量子能力，用户的加解密操作都是在本地的经典计算机上完成，适用性更广。第三，本发明没有对混合量子经典卷积神经网络算法产生影响，没有增加该算法的复杂度，训练得到的模型准确率没有下降。总的来说，本发明既保护了用户的隐私，又考虑了算法的复杂性和实用性，几乎所有需要图像卷积的计算都可以从这种方法中受益。

42、第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：

43、(1)本发明的技术方案填补了国内外业内技术空白：

44、量子卷积神经网络自被提出以来，其中的隐私问题就一直存在。当前的隐私保护方案中缺少对量子卷积的保护，用户的数据安全问题亟需解决。本发明提出了一种量子卷积计算中保护用户数据隐私的方案。

45、(2)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：

46、隐私问题一直是云计算推广应用中的难题，保证云计算用户的数据安全是用户所关注渴望的。量子卷积计算的隐私保护方案的提出，保护了用户数据的安全，有利于量子云卷积计算的推广使用。