1.一种保护隐私且非交互的多方逻辑回归模型训练方法，其特征在于，包括下列步骤：构建多方逻辑回归模型并进行初始化；

所述多方逻辑回归模型内的实体进行注册；

提供数据进行加密；

数据收集与身份验证；

使用隐私保护训练协议进行训练；

完成分布式解密。

2.如权利要求1所述的保护隐私且非交互的多方逻辑回归模型训练方法，其特征在于，所述多方逻辑回归模型由密钥生成中心KGC、数据拥有者DOs、服务提供者SP和云服务器CS共4个实体；

所述密钥生成中心KGC负责生成系统所需的公共参数和强私钥λ，并将强私钥λ分成两部分，再将部分强私钥λ1发送给服务提供者SP，部分强私钥λ2发送给云服务器CS；

所述数据拥有者DOs负责提供训练所需的数据及加密；

所述服务提供者SP负责收集数据，初始化模型参数，并与云服务器CS进行交互式训练；

所述云服务器CS拥有部分强私钥λ2，能够对服务提供者SP发送的密文进行部分解密，并对密文进行计算。

3.如权利要求2所述的保护隐私且非交互的多方逻辑回归模型训练方法，其特征在于，所述数据拥有者DOs只负责发送数据，发送完毕后下线不再参与任何其他训练；所述云服务器CS不会与所述服务提供者SP共谋，也不会向其余实体泄露信息。

4.如权利要求3所述的保护隐私且非交互的多方逻辑回归模型训练方法，其特征在于，进行初始化的过程，包括下列步骤：所述密钥生成中心KGC选择一个安全参数k和两个大素数p,q，计算：λ＝lcm(p‑1,q‑1)＝2p′q′，N＝pq；

定义一个解密函数为 并选择一个阶为2p′q′的生成数g用于加密，并令强私钥为SK＝λ；

将SK＝λ随机分解成两部分，即SKj＝λj(j＝1,2)，其中λ1,λ2满足λ1+λ2≡0modλ，λ1+λ2≡2

1modN；

计算系统的公共参数Par＝(N,g)和部分强私钥SK1＝λ1,SK2＝λ2；

将部分强私钥λ1发送给服务提供者SP，部分强私钥λ2发送给云服务器CS。

5.如权利要求4所述的保护隐私且非交互的多方逻辑回归模型训练方法，其特征在于，所述多方逻辑回归模型内的实体进行注册的过程，包括下列步骤：数据拥有者DOs中的任意用户DOi注册：对于每个用户i，密钥生成中心KGC随机选择θi∈[1,N/4]，并计算 最后，公钥为pki＝{N,g,hi}，私钥为ski＝θi；

服务提供者SP注册：对于服务提供者SP，密钥生成中心KGC随机选择θSP∈[1,N/4]，并计算 最后，公钥为pkSP＝{N,g,hSP}，私钥为skSP＝θSP；

云服务器CS注册：对于云服务器CS，密钥生成中心KGC随机选择θCS∈[1,N/4]，并计算最后，公钥为pkCS＝{N,g,hCS}，私钥为skCS＝θCS。

6.如权利要求5所述的保护隐私且非交互的多方逻辑回归模型训练方法，其特征在于，在提供数据进行加密的过程中，由用户DOi对数据进行加密，具体为对于明文选择一个随机数r∈[1,N/4]，在公钥pki下的密文可以计算为：[m]pki＝{Ti,1,Ti,2}，其中r 2Ti,2＝gmod N。

7.如权利要求6所述的保护隐私且非交互的多方逻辑回归模型训练方法，其特征在于，在身份验证的过程中，用户DOi分别与服务提供者SP和云服务器CS进行验证，具体先通过使用私钥对消息进行签名，再使用公钥解开签名后进行比较，相等则为验证成功。

8.如权利要求7所述的保护隐私且非交互的多方逻辑回归模型训练方法，其特征在于，使用隐私保护训练协议进行训练的过程，由服务提供者SP和云服务器CS交互执行，包括下列步骤：服务提供者SP使用部分强私钥λ1进行部分解密，获得ξ′＝{ξ1,ξ2,ξ3,ξ′1,ξ′2,ξ′3}，并发送至云服务器CS；

(i) (i) T (i)

云服务器CS利用部分强私钥λ2对ξ′进行解密，处理获得δ3＝(S(x w)‑y ) ·(xi ‑1(A) )，再返回给服务提供者SP；

服务提供者SP接收δ3后，计算更新模型：wt←wt‑1‑η{G}，当达到最大迭代次数时，训练协议将终止。