1.一种面向数据隐私保护的机器学习预测方法，其特征是，包括如下步骤：

获取数据：主服务器获取加密后的待预测数据与加密后的预测模型；

主服务器创建可信区，在可信区对获取的待预测数据与预测模型进行解密；主服务器对解密后的待预测数据与预测模型进行秘密分享，分别获得数据秘密份额和模型份额，并分发至不合谋的辅助服务器和主服务器；

辅助服务器和主服务器分别根据其获取的数据秘密份额和模型份额进行预测计算获得预测结果份额，辅助服务器将获得预测结果份额加密并发送至主服务器；

主服务器获取辅助服务器发送的加密后的预测结果份额，对所有预测结果份额进行秘密重建，将重建后的预测结果份额转发给可信区进行整合并加密，发送至待预测数据提供终端，数据提供终端解密后获得根据模型预测后的预测结果；

在获取数据步骤之前，待预测数据提供终端和模型提供终端与服务器进行远程认证，建立主服务器的可信区Enclave与待预测数据提供终端、模型提供终端与辅助服务器之间进行密钥共享，主服务器的可信区Enclave与待预测数据提供终端、模型提供终端之间分别使用RSA加密与AES加密结合的混合加密方式传输数据；

主服务器的可信区Enclave与模型提供终端之间使用RSA加密与AES加密结合的混合加密方式传输数据的方法，具体为：模型提供终端的加密步骤：模型提供终端采用在本地的模型提供终端的AES密钥加密训练模型参数，获得加密后的模型参数密文；

根据主服务器Enclave共享的RSA公钥加密模型提供终端的AES密钥，加密后的训练模型参数和加密后的模型提供终端的AES密钥作为混合密文发送至主服务器，主服务器将密文转发到Enclave中；

主服务器的可信区Enclave解密训练模型的步骤为：Enclave接收到混合密文后，采用本地RSA私钥解密AES密钥解密获得模型提供终端的AES密钥，根据模型提供终端的AES密钥解密加密后的训练模型参数密文获得模型参数。

2.如权利要求1所述的一种面向数据隐私保护的机器学习预测方法，其特征是：主服务器创建可信区具体为在Intel SGX可信模式下动态申请构建一个可信区Enclave。

3.如权利要求1所述的一种面向数据隐私保护的机器学习预测方法，其特征是：主服务器的可信区Enclave与辅助服务器之间采用Paillier同态加密算法对传输数据进行加解密。

4.如权利要求3所述的一种面向数据隐私保护的机器学习预测方法，其特征是：主服务器的可信区Enclave分别与待预测数据提供终端之间使用RSA加密与AES加密结合的混合加密方式传输数据的方法，具体为：待预测数据提供终端通过待预测数据提供终端的AES密钥加密待预测数据，获得加密后的待预测数据密文；使用主服务器的可信区Enclave的RSA公钥加密待预测数据提供终端的AES密钥，获得待预测数据提供终端的AES密钥的密文；将待预测数据密文和待预测数据提供终端的AES密钥的密文发送到主服务器；

主服务器将密文转发至可信区Enclave，在可信区Enclave本地RSA私钥ske解密获得待预测数据提供终端的AES密钥，再通过待预测数据提供终端的AES密钥解密获得待预测数据。

5.如权利要求1所述的一种面向数据隐私保护的机器学习预测方法，其特征是：主服务器对解密后的待预测数据与预测模型进行秘密分享，分别获得数据秘密份额和模型份额，并分发至不合谋的辅助服务器和主服务器的方法，具体为：在主服务器的可信区Enclave解密获取的预测模型，并对模型参数进行加法秘密共享，将其中一份模型份额发送给主服务器，其他模型份额加密后发送至辅助服务器；

接收到待预测数据后，在主服务器的可信区Enclave解密获取的待预测数据，对解密后的待预测数据采用加法秘密共享获得数据秘密份额，将其中的一份数据秘密份发送至主服务器，其他数据秘密份额加密后发至辅助服务器。

6.如权利要求1所述的一种面向数据隐私保护的机器学习预测方法，其特征是：辅助服务器进行预测计算之前还包括如下步骤：在主服务器的可信区Enclave生成Beaver三元组，分发至辅助服务器和主服务器。

7.如权利要求1所述的一种面向数据隐私保护的机器学习预测方法，其特征是：辅助服务器和主服务器分别根据其获取的数据秘密份额和模型份额进行预测计算获得预测结果份额，辅助服务器将获得预测结果份额加密并发送至主服务器的方法，具体如下：解密训练模型和待预测数据：辅助服务器保留各自模型预测份额，根据本地私钥sks解密获得主服务器密钥ks,通过密钥ks解密分别获得预测模型的原始参数和待预测数据；

预测计算:辅助服务器根据数据秘密份额和模型份额上上进行训练预测，采用切比雪夫多项式逼近激活函数进行非线性激活函数计算，获得预测结果份额；

对预测结果份额采用同态加密算法进行加密：辅助服务器使用Enclave分发的同态加密的公钥对预测份额结果加密。

8.如权利要求1所述的一种面向数据隐私保护的机器学习预测方法，其特征是：主服务器获取辅助服务器发送的加密后的预测结果份额，对所有预测结果份额进行秘密重建的方法，具体根据加法同态性重建密文下预测结果。

9.如权利要求1所述的一种面向数据隐私保护的机器学习预测方法，其特征是：将重建后的预测结果份额转发给可信区，在可信区对重建后的预测结果份额进行整合并加密，包括如下步骤：解密步骤：主服务器将重建后的加密预测结果交由主服务器的Enclave解密，得到明文下的预测结果；

整合预测结果：采用投票法选择投票数最大预测结果的作为最终预测结果；

采用可信区Enclave的AES私钥ke加密最终预测结果获得最终预测结果密文。

10.如权利要求1所述的一种面向数据隐私保护的机器学习预测方法，其特征是：待预测数据提供终端解密步骤，包括：主服务器将最终预测结果密文和加密AES私钥ke后的密文发送给待预测数据提供终端；

待预测数据提供终端在本地私钥sku解密加密AES私钥ke后的密文获得可信区Enclave的AES私钥ke，通过可信区Enclave的AES私钥ke解密最终预测结果密文，获得预测结果。

11.一种面向数据隐私保护的机器学习预测方法，其特征是，包括如下步骤：获取数据：主服务器获取加密后的待预测数据与加密后的训练模型；

主服务器创建可信区，在可信区对获取的待预测数据与训练模型进行解密；主服务器对解密后的待预测数据与训练模型进行秘密分享，分别获得多个数据秘密份额和模型份额，并分发至多个不合谋的辅助服务器；

主服务器获取多个辅助服务器发送的加密后的预测结果份额分别进行秘密重建，将重建后的预测结果份额转发给可信区进行整合并加密，发送至待预测数据提供终端，数据提供终端解密后获得根据模型预测后的预测结果；

在获取数据步骤之前，待预测数据提供终端和模型提供终端与服务器进行远程认证，主服务器的可信区Enclave与待预测数据提供终端、模型提供终端之间分别使用RSA加密与AES加密结合的混合加密方式传输数据；

主服务器的可信区Enclave与模型提供终端之间使用RSA加密与AES加密结合的混合加密方式传输数据的方法，具体为：模型提供终端的加密步骤：模型提供终端采用在本地的模型提供终端的AES密钥加密训练模型参数，获得加密后的模型参数密文；

根据主服务器Enclave共享的RSA公钥加密模型提供终端的AES密钥，加密后的训练模型参数和加密后的模型提供终端的AES密钥作为混合密文发送至主服务器，主服务器将密文转发到Enclave中；

主服务器的可信区Enclave解密训练模型的步骤为：Enclave接收到混合密文后，采用本地RSA私钥解密AES密钥解密获得模型提供终端的AES密钥，根据模型提供终端的AES密钥解密加密后的训练模型参数密文获得模型参数。

12.一种面向数据隐私保护的机器学习预测系统，其特征是：包括模型提供终端、待预测数据提供终端以及不合谋的辅助服务器和主服务器；

模型提供终端：用于提供机器学习训练模型；

待预测数据提供终端：用于提供训练模型的待预测数据；

主服务器：用于执行权利要求11所述的一种面向数据隐私保护的机器学习预测方法；

辅助服务器：用于执行一种面向数据隐私保护的机器学习预测方法，包括如下步骤：辅助服务器分别获取数据秘密份额和模型份额；

辅助服务器根据各自模型预测份额，根据本地私钥sks解密获得主服务器密钥ks,通过密钥ks解密分别获得预测模型的原始参数和待预测数据；

预测计算:辅助服务器根据数据秘密份额和模型份额上进行预测，采用切比雪夫多项式逼近激活函数进行非线性激活函数计算，获得预测结果份额；

对预测结果份额采用同态加密算法进行加密：各辅助服务器使用Enclave分发的同态加密的公钥pkep对预测份额结果加密并发送至主服务器。