6G网络中朴素贝叶斯模型的安全获取方法

本发明属于信息安全，尤其涉及一种6g网络中朴素贝叶斯模型的安全获取方法。

背景技术：

1、第六代移动通信网络(6th generation mobile networks，以下简称为6g网络)是第五代移动通信网络(5th generation mobile networks，以下简称为5g网络)的延伸。6g网络在现有5g网络架构的基础上，基于各节点(也可以理解为计算机设备)对应的算力大小，将各节点部署在不同的位置，从而形成本地用户终端节点-超级边缘节点-中心节点的分层架构。相较于5g网络架构，这种分层架构不但能实现网络容量和传输速率的突破，而且在人工智能(artificial intelligence，ai)服务领域，通过结合大规模分布式协作的机器学习，可实时收集大量用户数据，并基于收集的大量用户数据不断优化模型能力。通过这种实时采集数据生成/更新模型的方式可以为用户提供高质量的在线智能化服务。

2、在6g网络包含的诸多模型中，朴素贝叶斯模型(bayesian model，nbm)是一种基于朴素贝叶斯算法建立的模型。朴素贝叶斯模型通过假设特征条件之间相互独立，先通过已给定的训练集，以特征词之间独立作为前提假设，学习从输入到输出的联合概率分布，再基于学习到的模型，确定事件b发生的前提下，预测事件a发生的概率。在实际操作中，朴素贝叶斯模型可应用于文本分类、垃圾邮件过滤、情感倾向分析、个性化网页推荐、疾病诊断、金融风险管理等。

3、然而，在现有的6g网络中，使用采集的海量用户数据生成或更新朴素贝叶斯模型时，对用户数据的私密性的重视程度较低，存在泄露敏感信息的风险。尽管已有技术人员考虑到引入同态加密(homomorphic encryption)技术来对用户数据的私密性进行保护，但在实际操作中，同态加密技术需要处理海量用户数据，这无疑是笔很大的开销。此外，传统的基于同态加密的朴素贝叶斯模型的训练方法无法适用于6g无线网络中的分层架构。也就是说，在6g网络中，现有的获取朴素贝叶斯模型的方法无法有效兼顾朴素贝叶斯模型的可用性和安全性。

技术实现思路

1、本发明提供了一种6g网络中朴素贝叶斯模型的安全获取方法，能够在6g网络中部署朴素贝叶斯模型时，有效兼顾朴素贝叶斯模型的可用性和安全性。

2、第一方面，本发明提供了一种6g网络中朴素贝叶斯模型的安全获取方法，包括：

3、通过本地用户终端节点，获取6g网络中的原始数据集；

4、通过所述本地用户终端节点，对所述原始数据集至少进行编码处理、拆分处理、混杂处理和随机响应处理，得到第一数据集；所述第一数据集被用于发送至超级边缘节点进行处理；

5、通过所述超级边缘节点，对所述第一数据集依次进行聚合处理、频数统计处理和加密处理，得到第二数据集，所述第二数据集被用于发送至中心节点进行处理；

6、通过所述中心节点，对所述第二数据集依次进行聚合处理和解密处理，得到第三数据集；

7、通过所述中心节点，利用所述第三数据集，训练得到朴素贝叶斯模型。

8、第二方面，本发明提供了一种6g网络中朴素贝叶斯模型的安全获取系统，包括：安全控制中心1、本地用户终端节点2、超级边缘节点3、中心节点4。所述系统用于执行上述第一方面或第一方面的任意可能的实现方式中的方法。具体地，该装置包括用于执行上述第一方面或第一方面的任意可能的实现方式中的方法的模块(或单元)。

9、与现有技术相比，本发明的有益效果：在本发明中，通过在本地用户终端节点对采集的原始数据依次进行编码处理、拆分处理、混杂处理、随机响应处理，获得第一数据集的方式，可以确保第一数据集从用户域流出后的隐私安全。即使后续第一数据集被恶意截取，基于第一数据集，也无法获取到原始数据集中包括的用户敏感信息。此外，在本地用户终端节点和超级边缘节点之间使用本地差分隐私方法能够在不泄露个人隐私的前提下，实现海量数据的快速采集和处理，有利于节约计算资源。并且在超级边缘节点和中心节点之间使用同态加密模型对数据再次加密处理，相较于在本地用户终端节点采集并加密原始数据(通常情况下，加密海量数据会花费巨大计算资源)后，再传输至超级边缘节点的方式，本发明提供的安全获取方法，在本地用户终端节点和超级边缘节点之间使用本地差分隐私方法，以对原始数据进行扰动，可以在确保用户隐私安全的同时，实现海量数据的快速采集和处理，进而对第一数据集至少进行频数统计处理和加密处理，获得第二数据集。这种方式，通过超级边缘节点处提取模型训练所需的少量特征数据，再对少量特征数据进行加密，从而极大减少同态加密的计算开销和计算时间。

技术特征：

1.一种6g网络中朴素贝叶斯模型的安全获取方法，其特征在于，包括：

2.如权利要求1所述的安全获取方法，其特征在于，所述原始数据集中至少包含一条原始数据，每条原始数据至少包括第一特征向量和第一类别向量；所述通过所述本地用户终端节点，对所述原始数据集至少进行编码处理、拆分处理、混杂处理和随机响应处理，得到第一数据集，包括：

3.如权利要求2所述的安全获取方法，其特征在于，所述确定随机响应概率，包括：

4.如权利要求1所述的安全获取方法，其特征在于，所述超级边缘节点对应至少一个所述本地用户终端节点；所述通过所述超级边缘节点，对所述第一数据集依次进行聚合处理、频数统计处理和加密处理，得到第二数据集，包括：

5.如权利要求4所述的安全获取方法，其特征在于，所述确定加密密钥，包括：

6.如权利要求4所述的安全获取方法，其特征在于，所述第一数据集中包括：多个第一随机矩阵、多个第二随机矩阵和多个第三随机矩阵；所述通过所述超级边缘节点，对所述第一数据集进行聚合处理，获得第一聚合矩阵，包括：

7.如权利要求1所述的安全获取方法，其特征在于，所述中心节点对应至少两个所述超级边缘节点；所述通过所述中心节点，对所述第二数据集依次进行聚合处理和解密处理，得到第三数据集，包括：

8.如权利要求7所述的安全获取方法，其特征在于，所述第二数据集包括：多个第一特征加密数据、多个第二类别加密数据和多个第三辅助加密数据；所述通过所述中心节点，对所述第二数据集进行聚合处理，获得全局密文训练数据，包括：

9.如权利要求7所述的安全获取方法，其特征在于，所述通过所述中心节点，确定解密密钥，基于所述解密密钥，至少对所述第四特征聚合矩阵、所述第五类别聚合矩阵和所述第六辅助聚合矩阵分别进行解密处理，得到第三数据集，包括：

10.一种数据分类方法，其特征在于，包括：

技术总结
本发明适用于信息安全技术领域，提供了6G网络中朴素贝叶斯模型的安全获取方法，包括：获取6G网络中的原始数据集；通过本地用户终端节点，对原始数据集至少进行编码处理、拆分处理、混杂处理和随机响应处理，得到第一数据集；第一数据集被用于发送至超级边缘节点进行处理；通过超级边缘节点，对第一数据集依次进行聚合处理、频数统计处理和加密处理，得到第二数据集，第二数据集被用于发送至中心节点进行处理；通过中心节点，对第二数据集依次进行聚合处理和解密处理，得到第三数据集；利用第三数据集，训练得到朴素贝叶斯模型。本发明通过上述方式，能够在6G网络中部署朴素贝叶斯模型时，有效兼顾朴素贝叶斯模型的可用性和安全性。

技术研发人员：何国章,王枫为,杨晓鹏,朱辉,李晖,薛行策
受保护的技术使用者：西安电子科技大学
技术研发日：
技术公布日：2024/3/5