(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210835702.6 (22)申请日 2022.07.15 (71)申请人 方建 地址 518000 广东省深圳市福田区北环大 道虹湾花园1栋D座3 3F房 (72)发明人 李傲轩　方建　龚健　 (74)专利代理 机构 北京细软智谷知识产权代理 有限责任公司 1 1471 专利代理师 涂凤琴 (51)Int.Cl. H04L 9/32(2006.01) G06F 17/16(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于GPU的多方安全计算方法、 系统及 电子设备 (57)摘要 本发明涉及安全技术领域， 具体涉及一种基 于GPU的多方安全计算方法、 系统及电子设备。 通 过在CPU中获取当前用户的输入矩阵， 并传输至 GPU中进行并行计算， 将输入矩阵分解为n个隐私 分享矩阵， 并根据当前用户选定的密钥并结合 SPDZ算法， 计算信息验证码矩阵， 发送给CPU， 计 算得到零知识证明， 并获取当前用户选定的1个 隐私分享矩阵， 将n ‑1个隐私分享矩阵、 信息验证 码矩阵和零知识证明公开给其他用户， 并验证， 若正确， 则开始计算， 并得到计算结果， 若不正 确， 则终止计算。 本发明的技术方案通过将CPU上 的算法移植到GPU上并行计算， 且将现有技术中 的一系列算法拓展到矩阵运算， 在提高机器学习 使用的多方安全计算效率的同时保护了患者/用 户隐私信息的安全。 权利要求书2页 说明书9页 附图2页 CN 115333746 A 2022.11.11 CN 115333746 A 1.一种基于GPU的多方安全计算方法， 其特 征在于， 包括： 在CPU中获取当前用户输入的输入矩阵， 并传输至GPU中， 其中， 所述输入矩阵通过加法 隐私分享 算法获得； 在GPU中并行计算将所述输入矩阵分解为n个隐私分享矩阵， 且所述隐私分享矩阵相加 等于所述输入矩阵； 在GPU中根据当前用户选定的密钥 并结合SPDZ算法， 计算所述隐私分享矩阵对应的信 息验证码矩阵， 并发送给CPU； 在CPU中根据当前用户选 定的密钥并结合S PDZ算法， 计算得到零知识证明； 在CPU中获取当前用户选定的1个隐私 分享矩阵， 并将n ‑1个隐私分享矩阵、 信息验证码 矩阵和零知识证明公开给其 他用户， 并验证是否正确； 若正确， 则开始计算， 并得到最终的隐私分享矩阵计算结果和信息验证码矩阵计算结 果； 若不正确， 则终止计算。 2.根据权利要求1所述的多方安全计算方法， 其特征在于， 所述若正确则开始计算并得 到最终的隐私分享矩阵计算结果和信息验证码矩阵计算结果， 包括： 将当前用户选定的1个隐私分享矩阵和收到的其他用户的隐私分享矩阵输入到神经网 络的输入层， 并传递至隐藏层进行计算至 输出层输出 结果。 3.根据权利要求2所述的多方安全计算方法， 其特征在于， 所述传递至隐藏层进行计 算， 包括： 位元加法， 通过CUDA 平台的加法单 元在GPU上并行计算。 4.根据权利要求2所述的多方安全计算方法， 其特征在于， 所述传递至隐藏层进行计 算， 包括： 位元乘法， 将隐私分享矩阵通过CUDA平台的Concatenate单元生成Beaver  Triples向 量连接成与隐私分享矩阵行 数和列数相同的矩阵。 5.根据权利要求2所述的多方安全计算方法， 其特征在于， 所述传递至隐藏层进行计 算， 包括： 矩阵乘法， 通过编译器将运 算动态编译为 位元乘法和位元加法的组合。 6.根据权利要求2所述的多方安全计算方法， 其特征在于， 所述传递至隐藏层进行计 算， 包括： 其他位元计算， 通过编译器使用泰勒展开将运算动态编译为位元乘法和位元加法的组 合。 7.根据权利要求3所述的多方安全计算方法， 其特征在于， 所述若正确则开始计算并得 到最终的隐私分享矩阵计算结果和信息验证码矩阵计算结果之后， 包括： 验证收到的其 他用户的信息验证码矩阵是否正确； 若正确， 则指定一个当前用户通过加法隐私恢 复算法将隐私分享矩阵计算结果进行位 元相加， 得到最终结果矩阵。 8.根据权利要求7所述的多方安全计算方法， 其特征在于， 所述得到最终结果矩阵之 后， 包括： 若训练， 则通过反向传播算法更新神经网络， 并发送给所有用户进行重复训练， 至所有权　利　要　求　书 1/2 页 2 CN 115333746 A 2用户共同决定终止； 若预测， 则输出 结果矩阵。 9.一种基于GPU的多方安全计算系统， 其特 征在于， 包括： 获取模块， 用于获取当前用户输入的输入矩阵， 且所述输入矩阵通过加法隐私分享算 法获得； 分解模块， 用于将所述输入矩阵分解为n个隐私分享矩阵， 且所述隐私分享矩阵相加等 于所述输入矩阵； 选定模块， 用于根据当前用户选定的密钥 并结合SPDZ算法， 计算所述隐私分享矩阵对 应的信息验证码矩阵， 同时得到零知识证明； 验证模块， 用于获取当前用户选定的1个隐私分享矩阵， 并将n ‑1个隐私分享矩阵、 信息 验证码矩阵和零知识证明公开给其 他用户， 并验证是否正确； 若正确， 则开始计算， 并得到最终的隐私分享矩阵计算结果和信息验证码矩阵计算结 果； 若不正确， 则终止计算。 10.一种电子设备， 其特 征在于， 包括： GPU及分别与所述GPU相连的CPU和存储器， 其中， 所述存储器中存储有程序指令和生成 的Beaver  Triples向量； 所述CPU和GPU用于执 行存储器中存 储的程序指令， 执 行如1～8任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115333746 A 3