CN110443067A - 基于隐私保护的联邦建模装置、方法及可读存储介质 - Google Patents

基于隐私保护的联邦建模装置、方法及可读存储介质 Download PDF

Info

Publication number
CN110443067A
CN110443067A CN201910696340.5A CN201910696340A CN110443067A CN 110443067 A CN110443067 A CN 110443067A CN 201910696340 A CN201910696340 A CN 201910696340A CN 110443067 A CN110443067 A CN 110443067A
Authority
CN
China
Prior art keywords
modeling
modeling node
node
encryption
calculated
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910696340.5A
Other languages
English (en)
Other versions
CN110443067B (zh
Inventor
吴良顺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Original Assignee
Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhuo Erzhi Lian Wuhan Research Institute Co Ltd filed Critical Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Priority to CN201910696340.5A priority Critical patent/CN110443067B/zh
Publication of CN110443067A publication Critical patent/CN110443067A/zh
Application granted granted Critical
Publication of CN110443067B publication Critical patent/CN110443067B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Storage Device Security (AREA)

Abstract

一种基于隐私保护的联邦建模方法，包括：对各建模节点的本地样本数据进行对齐处理构建训练样本；初始化各建模节点的待训练模型参数；创建加密密钥对，并将公钥发送给各建模节点；控制各建模节点根据公钥进行加密，并交互用于计算加密梯度和加密损失的中间结果；接收指定建模节点汇总计算的联合加密损失；将该指定建模节点汇总计算的联合加密样本权重分发给其他建模节点，以计算加密梯度；对各建模节点计算的加密梯度进行解密；将解密后的梯度回传给各建模节点，以更新模型参数进行训练直至联合损失函数收敛。本发明还提供一种基于隐私保护的联邦建模装置及计算机可读存储介质。本发明可实现在各建模节点的数据没有泄露的情况下进行联合建模。

Description

基于隐私保护的联邦建模装置、方法及可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于隐私保护的联邦建模装置、方法及计算机可读存储介质。
背景技术
利用训练完成的机器学习模型对于未知参数或结果进行预测是人工智能领域很常用的技术手段。单个节点往往存在样本少，导致训练后的模型预测准确率低的问题，因此，多个节点联合建模构建检测模型是解决样本匮乏的重要手段。然而，不同节点的本地样本数据常常包含有敏感数据，基于隐私保护的角度，该些数据很难被共享，不利于进行联合建模。
发明内容
有鉴于此，有必要提供一种基于隐私保护的联邦建模装置、方法及计算机可读存储介质，其可实现在各建模节点的数据没有泄露的情况下进行联合建模。
本发明一实施方式提供一种基于隐私保护的联邦建模方法，所述方法包括：对每一所述建模节点A1～An的本地样本数据进行对齐处理，以构建训练样本，其中每一所述建模节点A1～An均构建有一待训练模型；初始化每一所述建模节点A1～An的待训练模型的模型参数；创建加密密钥对，并将所述加密密钥对的公钥分发给每一所述建模节点A1～An，以对训练过程中节点交互的数据进行加密；控制每一所述建模节点A1～An分别计算各自的本地加密损失及本地加密样本权重；将多个所述建模节点A1～An-1计算得到的本地加密损失及本地加密样本权重发送至所述建模节点An；控制所述建模节点An基于每一所述本地加密样本权重计算得到联合加密样本权重，及基于每一所述本地加密损失及每一所述本地加密样本权重计算得到联合加密损失；将所述建模节点An计算得到的联合加密样本权重分发给多个所述建模节点A1～An-1；接收所述建模节点An计算得到的联合加密损失；控制每一所述建模节点A1～An根据各自的模型参数、训练样本的数据集及所述联合加密样本权重计算得到加密梯度；接收每一所述建模节点A1～An计算得到的加密梯度；对所述联合加密损失及每一所述建模节点A1～An的加密梯度进行解密处理，以得到联合损失及每一所述建模节点A1～An的解密梯度；控制每一所述建模节点A1～An根据所述解密梯度更新各自的模型参数，以进行后续的模型训练直至联合损失函数收敛。
优选地，所述待训练模型为故障检测模型，所述方法还包括：
将待检测设备的故障日志数据代入训练完成的故障检测模型，以得到所述待检测设备的故障检测结果。
优选地，所述本地样本数据包括多次设备故障日志数据及与每一次设备故障日志数据对应的设备故障类型，所述对每一所述建模节点A1～An的本地样本数据进行对齐处理的步骤包括：
根据每一所述建模节点A1～An共有的设备故障类型对每一所述建模节点A1～An的本地样本数据进行对齐处理。
优选地，每一所述建模节点A1～An的本地加密样本权重分别通过以下公式计算得到：
其中，分别为每一所述建模节点A1～An的本地加密样本权重，分别为每一所述建模节点A1～An的模型参数，分别为每一所述建模节点A1～An的训练样本的数据集；
每一所述建模节点A1～An的本地加密损失分别通过以下公式计算得到：
其中，分别为每一所述建模节点A1～An的本地加密损失，λ为预设正则化参数，yi为第i次设备故障日志数据对应的设备故障类型；
所述联合加密样本权重通过以下公式计算得到：
其中E(di)为所述联合加密样本权重；及
所述联合加密损失通过以下公式计算得到：
其中E(L)为所述联合加密损失。
优选地，每一所述建模节点A1～An的加密梯度分别通过以下公式计算得到：
其中， 分别为每一所述建模节点A1～An的加密梯度；及
每一所述建模节点A1～An通过以下公式分别更新各自的模型参数：
其中，η为预设学习率，分别为每一所述建模节点A1～An的解密梯度。
优选地，所述对所述联合加密损失及每一所述建模节点A1～An的加密梯度进行解密处理，以得到联合损失及每一所述建模节点A1～An的解密梯度的步骤包括：
在每一所述建模节点A1～An中初始化一干扰项并基于所述干扰项计算得到加密干扰项；
接收每一所述建模节点A1～An计算得到的加密干扰项；
对所述联合加密损失、每一所述建模节点A1～An的加密梯度及加密干扰项之和进行解密处理，以得到联合损失及每一所述建模节点A1～An的梯度与干扰项之和；
将解密后的梯度与干扰项之和对应发送给每一所述建模节点A1～An，以使得每一所述建模节点A1～An计算得到解密梯度。
优选地，所述在每一所述建模节点A1～An中初始化一干扰项的步骤包括：
获取每一所述建模节点A1～An计算得到的加密梯度的数量级；及
在每一所述建模节点A1～An中初始化与各自加密梯度具有相同数量级的随机干扰项。
优选地，所述在每一所述建模节点A1～An中初始化一干扰项的步骤包括：
根据每一所述建模节点A1～An计算得到的加密梯度各自确定一随机值范围；及
在每一所述建模节点A1～An中随机初始化在各自随机值范围内的干扰项。
本发明一实施方式提供一种基于隐私保护的联邦建模装置，所述装置包括处理器及存储器，所述存储器上存储有若干计算机程序，所述处理器用于执行存储器中存储的计算机程序时实现上述基于隐私保护的联邦建模方法的步骤。
本发明一实施方式还提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，多条所述指令可被一个或者多个处理器执行，以实现上述的基于隐私保护的联邦建模方法的步骤。
与现有技术相比，上述基于隐私保护的联邦建模装置、方法及计算机可读存储介质，实现多个参与方联合建模，确保了训练模型的准确性，且模型训练过程中各参与方的样本数据没有被泄露，隐私得以保护。
附图说明
图1是本发明一实施方式的联邦建模系统的架构示意图。
图2是本发明一实施方式的联邦建模装置的功能模块图。
图3是本发明一实施方式的联邦建模程序的功能模块图。
图4-5是本发明一实施方式的联邦建模方法的流程图。
主要元件符号说明
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
进一步需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
请参阅图1，为本发明基于隐私保护的联邦建模系统较佳实施例的示意图。
所述联邦建模系统1包括多个建模节点A1～An及协作节点C，其中n优选为大于1的正整数。多个所述建模节点A1～An与所述协作节点C进行协作，实现联合建模。每一所述建模节点A1～An均构建有一待训练模型，当多方联合建模完成时，每一所述建模节点A1～An均形成有各自的检测模型。
在一实施方式中，所述待训练模型可以是故障检测模型，用于进行设备故障检测，当多方联合建模完成时，每一所述建模节点A1～An均形成有各自的训练完成的故障检测模型。在本发明的其他实施方式中，所述协作节点C也可以是其中的某一个建模节点A1～An。
在一实施方式中，每一所述建模节点A1～An可以是一服务器。比如建模节点A1为电商公司B1的服务器，该服务器存储有电商公司B1的设备日志文件；建模节点A2为电商公司B2的服务器，该服务器存储有电商公司B2的设备日志文件；建模节点An为电商公司Bn的服务器，该服务器存储有电商公司Bn的设备日志文件。
请参阅图2，为本发明基于隐私保护的联邦建模装置较佳实施例的示意图。所述联邦建模装置100可以包括存储器10、处理器20以及存储在所述存储器10中并可在所述处理器20上运行的联邦建模程序30。所述处理器20执行所述联邦建模程序30时实现联邦建模方法实施例中的步骤，例如图4所示的步骤S400～S422。或者，所述处理器20执行所述联邦建模程序30时实现图3中各模块的功能，例如模块101～116。
所述联邦建模程序30可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器10中，并由所述处理器20执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述联邦建模程序30在所述联邦建模装置100中的执行过程。例如，所述联邦建模程序30可以被分割成图3中的对齐模块101、初始化模块102、创建模块103、第一计算模块104、第一发送模块105、第二计算模块106、第二发送模块107、第一接收模块108、第三计算模块109、第二接收模块110、第四计算模块111、第三接收模块112、解密模块113、第三发送模块114、更新模块115及检测模块116。各模块具体功能参见下图3中各模块的功能。
本领域技术人员可以理解，所述示意图仅是联邦建模装置100的示例，并不构成对联邦建模装置100的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述联邦建模装置100还可以包括网络接入设备、总线等。
所称处理器20可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器20也可以是任何常规的处理器等，所述处理器20可以利用各种接口和总线连接联邦建模装置100的各个部分。
所述存储器10可用于存储所述联邦建模程序30和/或模块，所述处理器20通过运行或执行存储在所述存储器10内的计算机程序和/或模块，以及调用存储在存储器10内的数据，实现所述联邦建模装置100的各种功能。所述存储器10可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在一实施方式中，所述联邦建模装置100可以集成在所述协作节点C中。所述联邦建模装置100也可以部分集成在每一所述建模节点A1～An中，部分集成在所述协作节点C中。
图3为本发明联邦建模程序较佳实施例的功能模块图。
参阅图3所示，联邦建模程序30可以包括对齐模块101、初始化模块102、创建模块103、第一计算模块104、第一发送模块105、第二计算模块106、第二发送模块107、第一接收模块108、第三计算模块109、第二接收模块110、第四计算模块111、第三接收模块112、解密模块113、第三发送模块114、更新模块115及检测模块116。在一实施方式中，上述模块可以为存储于所述存储器10中且可被所述处理器20调用执行的可程序化软件指令。可以理解的是，在其他实施方式中，上述模块也可为固化于所述处理器20中的程序指令或固件(firmware)。
所述对齐模块101用于对每一所述建模节点A1～An的本地样本数据进行对齐处理，以构建训练样本。
在一实施方式中，每一所述建模节点A1～An均具有各自的本地样本数据，所述本地样本数据优选为各自的设备日志文件。由于每一建模节点A1～An拥有的本地样本数据并非完全重合，所述对齐模块101可以基于加密的样本对齐技术，在建模节点A1～An不公开各自数据的前提下确认共有项数据，并且不互相重叠的本地样本数据不会被暴露，所述对齐模块101可以根据共有项数据构建每一建模节点A1～An的训练样本，以便联合这些训练样本特征进行建模。
在一实施方式中，所述设备日志文件可以记录有设备故障日志数据及设备故障类型，所述设备故障日志数据可以包括如下特征信息：MIPS(Microprocessor withoutInterlocked Piped Stages，无内部互锁流水级的微处理器)使用率、用户访问请求总数、每秒用户请求数、当前未完成交易、磁盘IO次数、带宽占用率、平均负载率、平均响应时间、RAM使用率、存储器占用率、SQL执行次数、DNS是否ping通、ping交换机丢包率、ping网关丢包率等。其中用户访问请求总数、每秒用户请求数、当前未完成交易为公司内部隐私信息，需进行保密。所述故障类型可以包括：CPU过载、单用户请求占用资源过多、数据库更新失败故障、服务器死机、网络负载过大、网卡故障、DNS故障、网络设备故障等。
在一实施方式中，每一条设备故障日志数据对应有一设备故障类型。举例而言，所述建模节点A1的本地样本数据包括100条设备故障日志数据，该100条设备故障日志数据均对应有各自的设备故障类型，所述建模节点A2的本地样本数据包括274条设备故障日志数据，该274条设备故障日志数据均对应有各自的设备故障类型。
比如，经过统计确定在建模节点A1中，设置故障类型一(CPU过载)对应有7条设备故障日志数据，在建模节点A2中，设备故障类型一(CPU过载)对应有11条设备故障日志数据。所述对齐模块101对每一所述建模节点A1～An的本地样本数据进行对齐处理优选是以设备故障类型为标签进行对齐处理，即可以是对每一所述建模节点A1～An所共有的设备故障类型的设备故障日志数据进行对齐处理。
在一实施方式中，由于每一所述建模节点A1～An的本地样本数据具有一定的差异性，当所述对齐模块101对每一所述建模节点A1～An的本地样本数据进行对齐处理后，可能出现一个或者多个建模节点存在未对齐的本地样本数据，此时，可以将每一所述建模节点A1～An中经过对齐处理后剩余的本地样本数据作为验证集，以在模型训练过程中对各自的故障检测模型进行验证。
所述初始化模块102用于初始化每一所述建模节点A1～An的待训练模型的模型参数。
在一实施方式中，在对每一所述建模节点A1～An的待训练模型进行训练前，每一所述建模节点A1～An的待训练模型的模型参数优选设定有一初始值。所述初始化模块102可以在一预设区间内随机初始化每一所述建模节点A1～An的待训练模型的模型参数。比如，所述预设区间可以是0～1之间。
所述创建模块103用于创建加密密钥对，并将所述加密密钥对的公钥分发给每一所述建模节点A1～An，以对训练过程中节点交互的数据进行加密。
在一实施方式中，为了保证训练过程中数据的保密性，避免训练中的数据交互导致数据隐私泄露，所述创建模块103创建加密密钥对，并将所述加密密钥对的公钥分发给每一所述建模节点A1～An。每一所述建模节点A1～An可以利用所述公钥对训练过程中交互的数据进行加密。
所述第一计算模块104用于控制每一所述建模节点A1～An分别计算各自的本地加密损失及本地加密样本权重。
在一实施方式中，每一所述建模节点A1～An均可以计算得到各自的本地加密损失及本地加密样本权重。每一所述建模节点A1～An的本地加密样本权重可以分别通过以下公式计算得到：
其中，分别为每一所述建模节点A1～An的本地加密样本权重，分别为每一所述建模节点A1～An的模型参数，分别为每一所述建模节点A1～An的训练样本的数据集。在本实施方式中，E(x)即表示参数x的加密值。
每一所述建模节点A1～An的本地加密损失可以分别通过以下公式计算得到：
其中，分别为每一所述建模节点A1～An的本地加密损失，λ为预设正则化参数，yi为第i条设备故障日志数据对应的设备故障类型。
所述第一发送模块105用于将多个所述建模节点A1～An-1计算得到的本地加密损失及本地加密样本权重发送至所述建模节点An。
在一实施方式中，以建模节点An负责接收其他建模节点的计算结果为例，以在后续步骤中汇总计算得到联合加密样本权重及联合加密损失。可以理解的是，可以任意指定一个建模节点来负责接收其他建模节点的计算结果，并不限定建模节点An，比如，可以指定建模节点A1负责接收其他建模节点的计算结果，此时，所述第一发送模块105可以将多个所述建模节点A2～An计算得到的本地加密损失及本地加密样本权重发送至所述建模节点A1。
所述第二计算模块106用于控制所述建模节点An基于每一所述本地加密样本权重计算得到联合加密样本权重，及基于每一所述本地加密损失及每一所述本地加密样本权重计算得到联合加密损失。
在一实施方式中，所述联合加密样本权重可以理解成每一所述建模节点A1～An的总加密样本权重，所述联合加密损失可以理解成每一所述建模节点A1～An的总加密损失。所述联合加密样本权重可以通过以下公式计算得到：
其中E(di)为所述联合加密样本权重。
所述联合加密损失通过以下公式计算得到：
其中E(L)为所述联合加密损失。
所述第二发送模块107用于将所述建模节点An计算得到的联合加密样本权重分发给多个所述建模节点A1～An-1。
在一实施方式中，当所述建模节点An计算得到联合加密样本权重后，所述第二发送模块107可以将所述建模节点An计算得到的联合加密样本权重分发给其他建模节点A1～An-1，以使得其他建模节点A1～An-1可以单独计算加密梯度。
所述第一接收模块108用于接收所述建模节点An计算得到的联合加密损失。
在一实施方式中，当所述建模节点An计算得到联合加密损失后，所述第一接收模块108可以接收到所述建模节点An计算得到的联合加密损失。具体地，可以控制所述建模节点An将计算得到的联合加密损失发送至所述联邦建模装置100，进而使得所述第一接收模块108可以接收到所述建模节点An计算得到的联合加密损失。
所述第三计算模块109用于控制每一所述建模节点A1～An根据各自的模型参数、训练样本的数据集及所述联合加密样本权重分别计算得到各自的加密梯度。
在一实施方式中，当所述第二发送模块107将建模节点An计算得到的联合加密样本权重分发给多个其他建模节点A1～An-1后，每一建模节点A1～An均记录有联合加密样本权重，所述第三计算模块109可以控制每一所述建模节点A1～An根据各自的模型参数、训练样本的数据集及所述联合加密样本权重分别计算得到各自的加密梯度。
在一实施方式中，每一所述建模节点A1～An的加密梯度分别通过以下公式计算得到：
其中， 分别为每一所述建模节点A1～An的加密梯度。
所述第二接收模块110用于接收每一所述建模节点A1～An计算得到的加密梯度。
在一实施方式中，当每一所述建模节点A1～An计算得到各自的加密梯度后，所述第二接收模块110可以接收到每一所述建模节点A1～An计算得到的加密梯度。具体地，可以控制每一所述建模节点A1～An将计算得到的加密梯度发送至所述联邦建模装置100，进而使得所述第二接收模块110可以接收到每一所述建模节点A1～An计算得到的加密梯度。
所述第四计算模块111用于在每一所述建模节点A1～An中初始化一干扰项并基于所述干扰项计算得到加密干扰项。
在一实施方式中，所述第四计算模块111可以在每一所述建模节点A1～An中均随机初始化一干扰项并基于所述干扰项计算得到加密干扰项。每一所述建模节点A1～An的干扰项可以不相同。
举例而言，所述第四计算模块111可以在所述建模节点A1中随机初始化一干扰项并基于所述干扰项计算得到加密干扰项在所述建模节点A2中随机初始化一干扰项并基于所述干扰项计算得到加密干扰项在所述建模节点An中随机初始化一干扰项并基于所述干扰项计算得到加密干扰项
在一实施方式中，通过在每一所述建模节点A1～An中随机初始化一干扰项，可以使得建模协作方即使解密也无法得知建模节点A1～An的模型参数，避免数据泄露。
在一实施方式中，所述第四计算模块111可以先获取每一所述建模节点A1～An计算得到的加密梯度的数量级，然后在每一所述建模节点A1～An中初始化与各自加密梯度具有相同数量级的随机干扰项，以提升干扰效果。举例而言，当所述第四计算模块111获取得到所述建模节点A1计算得到的加密梯度的数量级为三位数时，所述第四计算模块111优选在所述建模节点A1中随机一三位数的干扰项。当所述第四计算模块111获取得到所述建模节点An计算得到的加密梯度的数量级为二位数时，所述第四计算模块111优选在所述建模节点An中随机一两位数的干扰项。
在一实施方式中，所述第四计算模块111还可以根据每一所述建模节点A1～An计算得到的加密梯度来确定一随机范围，然后根据该随机范围来在每一所述建模节点A1～An中初始化一随机干扰项，该随机干扰项处于该随机范围之内。
所述第三接收模块112用于接收每一所述建模节点A1～An计算得到加密干扰项。
在一实施方式中，当每一所述建模节点A1～An计算得到加密干扰项后，所述第三接收模块112可以接收到每一所述建模节点A1～An计算得到加密干扰项。具体地，可以控制每一所述建模节点A1～An将计算得到的加密加密干扰项发送至所述联邦建模装置100，进而使得第三接收模块112可以接收到每一所述建模节点A1～An计算得到加密干扰项。
所述解密模块113用于对所述联合加密损失、每一所述建模节点A1～An的加密梯度及加密干扰项之和进行解密处理。
在一实施方式中，所述解密模块113可以根据先前创建的加密密钥对对所述联合加密损失E(L)进行解密得到联合损失L。当接收到每一所述建模节点A1～An计算得到的加密梯度及加密干扰项后，所述解密模块113可以通过以下算法得到 所述解密模块113再对进行解密，可以得到梯度与干扰项之和：
在一实施方式中，对于建模节点A1而言，当接收到所述建模节点A1计算得到的加密梯度及加密干扰项后，所述解密模块113可以计算得到再对进行解密，进而可以得到建模节点A1的梯度与干扰项之和：对于建模节点A2而言，当接收到所述建模节点A2计算得到的加密梯度及加密干扰项后，所述解密模块113可以计算得到再对进行解密，进而可以得到建模节点A2的梯度与干扰项之和：
所述第三发送模块114用于将解密后的梯度与干扰项之和对应发送给每一所述建模节点A1～An，以使得每一所述建模节点A1～An计算得到解密梯度。
在一实施方式中，所述第三发送模块114将解密后的梯度与干扰项之和发送给所述建模节点A1，将解密后的梯度与干扰项之和发送给所述建模节点A2，将解密后的梯度与干扰项之和发送给所述建模节点An。由于所述建模节点A1～An的干扰项均是在各自建模节点中随机产生，进而每一所述建模节点A1～An均可以知道自身干扰项的大小。当所述建模节点A1接收到解密后的梯度与干扰项之和后，可以通过减法运算得到解密梯度同样地，当所述建模节点An接收到解密后的梯度与干扰项之和后，可以通过减法运算得到解密梯度
可以理解的是，为了简化模型训练过程，也可以不在每一所述建模节点A1～An中初始化一干扰项，进而所述解密模块113是对所述联合加密损失及每一所述建模节点A1～An的加密梯度进行解密处理，以得到联合损失及每一所述建模节点A1～An的解密梯度。
所述更新模块115用于控制每一所述建模节点A1～An根据所述解密梯度更新各自的模型参数，从而进行后续的模型训练直至联合损失函数收敛。
在一实施方式中，当每一所述建模节点A1～An计算得到解密梯度后，所述更新模块115可以控制每一所述建模节点A1～An根据所述解密梯度更新各自的模型参数，从而进行后续的模型训练。后续的模型训练过程可以是：迭代上述训练方式直至联合损失函数收敛，多方联合建模完成，各建模节点A1～An均形成了自己的故障检测模型。
在一实施方式中，由于所述联合加密损失通过以下公式计算得到：
在一实施方式中，每一所述建模节点A1～An通过以下公式分别更新各自的模型参数：
其中，η为预设学习率，分别为每一所述建模节点A1～An的解密梯度，分别为每一所述建模节点A1～An更新后的模型参数。
所述检测模块116用于将待检测设备的故障日志数据代入训练完成的故障检测模型，以得到所述待检测设备的故障检测结果。
在一实施方式中，当多方联合建模完成后，各建模节点A1～An均形成了自身的故障检测模型，所述检测模块116可以将待检测设备的故障日志数据代入训练完成的故障检测模型，该故障检测模型可以输出所述待检测设备的故障检测结果。在实际设备运维中，如果某一建模节点的设备发生故障，可以将该设备的故障日志数据代入到该建模节点的故障检测模型中，即可得到该设备的故障分类标签，该故障分类标签可以是该设备的该条故障日志数据对应的设备故障类型。
在一实施方式中，以下以多个建模节点A1～An包括电商公司A1、电商公司A2为例进行详细举例说明加密梯度的计算过程。假设两家电商公司A1、A2的设备故障日志数据记录有以下15种特征信息：MIPS使用率、用户访问请求总数、每秒用户请求数、当前未完成交易、磁盘IO次数、带宽占用率、平均负载率、平均响应时间、RAM使用率、存储器占用率、SQL执行次数、DNS是否ping通、ping交换机B1丢包率、ping交换机B2丢包率、ping网关丢包率。故障类型包括8种，分别为：CPU过载、单用户请求占用资源过多、数据库更新失败故障、服务器死机、网络负载过大、网卡故障、DNS故障、网络设备故障。电商公司A1包括100条设备故障日志数据，电商公司A1包括274条设备故障日志数据。
假设电商公司A1、A2采用多元逻辑回归模型来共同建模。设学习率为η，正则化参数为λ，电商公司A1的数据集为电商公司A2的数据集为模型参数为设定n表示样本数量，d表示特征数量，k表示标签数量(故障类型)，进而可以得知电商公司A1的n＝100，d＝15，k＝8；电商公司A2的n＝274，d＝15，k＝8。的维度为k*(d+1)，的维度为(d+1)*1，yi的维度为k*1。电商公司A1、A2联合训练的目标函数为：
令则加密的损失函数为：
则令则电商公司A1、A2加密梯度分别为：
图4-5为本发明一实施方式中基于隐私保护的联邦建模方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
步骤S400，对每一所述建模节点A1～An的本地样本数据进行对齐处理，以构建训练样本，其中每一所述建模节点A1～An均构建有一待训练模型。
步骤S402，初始化每一所述建模节点A1～An的待训练模型的模型参数。
步骤S404，创建加密密钥对，并将所述加密密钥对的公钥分发给每一所述建模节点A1～An，以对训练过程中节点交互的数据进行加密。
步骤S406，控制每一所述建模节点A1～An分别计算各自的本地加密损失及本地加密样本权重。
步骤S408，将多个所述建模节点A1～An-1计算得到的本地加密损失及本地加密样本权重发送至所述建模节点An。
步骤S410，控制所述建模节点An基于每一所述本地加密样本权重计算得到联合加密样本权重，及基于每一所述本地加密损失及每一所述本地加密样本权重计算得到联合加密损失。
步骤S412，将所述建模节点An计算得到的联合加密样本权重分发给多个所述建模节点A1～An-1。
步骤S414，接收所述建模节点An计算得到的联合加密损失。
步骤S416，控制每一所述建模节点A1～An根据各自的模型参数、训练样本的数据集及所述联合加密样本权重计算得到加密梯度。
步骤S418，接收每一所述建模节点A1～An计算得到的加密梯度。
步骤S420，对所述联合加密损失及每一所述建模节点A1～An的加密梯度进行解密处理，以得到联合损失及每一所述建模节点A1～An的解密梯度。
步骤S422，控制每一所述建模节点A1～An根据所述解密梯度更新各自的模型参数，以进行后续的模型训练直至联合损失函数收敛。
上述基于隐私保护的联邦建模装置、方法及计算机可读存储介质，实现多个参与方联合建模，确保了训练模型的准确性，同时可在模型训练过程中添加随机干扰项，使得建模协作方即使解密也无法得知各参与方的模型参数，且模型训练过程中各参与方的样本数据没有泄露，隐私得以保护。
对本领域的技术人员来说，可以根据本发明的发明方案和发明构思结合生产的实际需要做出其他相应的改变或调整，而这些改变和调整都应属于本发明所公开的范围。

Claims (10)

1.一种基于隐私保护的联邦建模方法，其特征在于，所述方法包括：
对每一所述建模节点A1～An的本地样本数据进行对齐处理，以构建训练样本，其中每一所述建模节点A1～An均构建有一待训练模型，；
初始化每一所述建模节点A1～An的待训练模型的模型参数；
创建加密密钥对，并将所述加密密钥对的公钥分发给每一所述建模节点A1～An，以对训练过程中节点交互的数据进行加密；
控制每一所述建模节点A1～An分别计算各自的本地加密损失及本地加密样本权重；
将多个所述建模节点A1～An-1计算得到的本地加密损失及本地加密样本权重发送至所述建模节点An；
控制所述建模节点An基于每一所述本地加密样本权重计算得到联合加密样本权重，及基于每一所述本地加密损失及每一所述本地加密样本权重计算得到联合加密损失；
将所述建模节点An计算得到的联合加密样本权重分发给多个所述建模节点A1～An-1；
接收所述建模节点An计算得到的联合加密损失；
控制每一所述建模节点A1～An根据各自的模型参数、训练样本的数据集及所述联合加密样本权重计算得到加密梯度；
接收每一所述建模节点A1～An计算得到的加密梯度；
对所述联合加密损失及每一所述建模节点A1～An的加密梯度进行解密处理，以得到联合损失及每一所述建模节点A1～An的解密梯度；
控制每一所述建模节点A1～An根据所述解密梯度更新各自的模型参数，以进行后续的模型训练直至联合损失函数收敛。
2.如权利要求1所述的方法，其特征在于，所述待训练模型为故障检测模型，所述故障检测模型用于供所述建模节点A1～An中的至少一个建模节点将待检测设备的故障日志数据代入训练完成的故障检测模型，以得到所述待检测设备的故障检测结果。
3.如权利要求2所述的方法，其特征在于，所述本地样本数据包括多次设备故障日志数据及与每一次设备故障日志数据对应的设备故障类型，所述对每一所述建模节点A1～An的本地样本数据进行对齐处理的步骤包括：
根据每一所述建模节点A1～An共有的设备故障类型对每一所述建模节点A1～An的本地样本数据进行对齐处理。
4.如权利要求3所述的方法，其特征在于，每一所述建模节点A1～An的本地加密样本权重分别通过以下公式计算得到：
其中，分别为每一所述建模节点A1～An的本地加密样本权重，分别为每一所述建模节点A1～An的模型参数，分别为每一所述建模节点A1～An的训练样本的数据集；
每一所述建模节点A1～An的本地加密损失分别通过以下公式计算得到：
其中，分别为每一所述建模节点A1～An的本地加密损失，λ为预设正则化参数，yi为第i次设备故障日志数据对应的设备故障类型；
所述联合加密样本权重通过以下公式计算得到：
其中E(di)为所述联合加密样本权重；及
所述联合加密损失通过以下公式计算得到：
其中E(L)为所述联合加密损失。
5.如权利要求4所述的方法，其特征在于，每一所述建模节点A1～An的加密梯度分别通过以下公式计算得到：
其中， 分别为每一所述建模节点A1～An的加密梯度；及
每一所述建模节点A1～An通过以下公式分别更新各自的模型参数：
其中，η为预设学习率，分别为每一所述建模节点A1～An的解密梯度。
6.如权利要求1所述的方法，其特征在于，所述对所述联合加密损失及每一所述建模节点A1～An的加密梯度进行解密处理，以得到联合损失及每一所述建模节点A1～An的解密梯度的步骤包括：
在每一所述建模节点A1～An中初始化一干扰项并基于所述干扰项计算得到加密干扰项；
接收每一所述建模节点A1～An计算得到的加密干扰项；
对所述联合加密损失、每一所述建模节点A1～An的加密梯度及加密干扰项之和进行解密处理，以得到联合损失及每一所述建模节点A1～An的梯度与干扰项之和；
将解密后的梯度与干扰项之和对应发送给每一所述建模节点A1～An，以使得每一所述建模节点A1～An计算得到解密梯度。
7.如权利要求6所述的方法，其特征在于，所述在每一所述建模节点A1～An中初始化一干扰项的步骤包括：
获取每一所述建模节点A1～An计算得到的加密梯度的数量级；及
在每一所述建模节点A1～An中初始化与各自加密梯度具有相同数量级的随机干扰项。
8.如权利要求6所述的方法，其特征在于，所述在每一所述建模节点A1～An中初始化一干扰项的步骤包括：
根据每一所述建模节点A1～An计算得到的加密梯度各自确定一随机值范围；及
在每一所述建模节点A1～An中随机初始化在各自随机值范围内的干扰项。
9.一种基于隐私保护的联邦建模装置，所述装置包括处理器及存储器，所述存储器上存储有若干计算机程序，其特征在于，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-8任一项所述的基于隐私保护的联邦建模方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，多条所述指令可被一个或者多个处理器执行，以实现如权利要求1-8任一项所述的基于隐私保护的联邦建模方法的步骤。
CN201910696340.5A 2019-07-30 2019-07-30 基于隐私保护的联邦建模装置、方法及可读存储介质 Active CN110443067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910696340.5A CN110443067B (zh) 2019-07-30 2019-07-30 基于隐私保护的联邦建模装置、方法及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910696340.5A CN110443067B (zh) 2019-07-30 2019-07-30 基于隐私保护的联邦建模装置、方法及可读存储介质

Publications (2)

Publication Number Publication Date
CN110443067A true CN110443067A (zh) 2019-11-12
CN110443067B CN110443067B (zh) 2021-03-16

Family

ID=68432265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910696340.5A Active CN110443067B (zh) 2019-07-30 2019-07-30 基于隐私保护的联邦建模装置、方法及可读存储介质

Country Status (1)

Country Link
CN (1) CN110443067B (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110704860A (zh) * 2019-11-18 2020-01-17 深圳前海微众银行股份有限公司 提升安全性的纵向联邦学习方法、设备、系统及存储介质
CN110990329A (zh) * 2019-12-09 2020-04-10 杭州趣链科技有限公司 一种联邦计算高可用方法、设备及介质
CN111046433A (zh) * 2019-12-13 2020-04-21 支付宝(杭州)信息技术有限公司 一种基于联邦学习的模型训练方法
CN111104731A (zh) * 2019-11-19 2020-05-05 北京集奥聚合科技有限公司 一种用于联邦学习的图形化模型全生命周期建模方法
CN111125735A (zh) * 2019-12-20 2020-05-08 支付宝(杭州)信息技术有限公司 一种基于隐私数据进行模型训练的方法及系统
CN111143878A (zh) * 2019-12-20 2020-05-12 支付宝(杭州)信息技术有限公司 一种基于隐私数据进行模型训练的方法及系统
CN111178538A (zh) * 2019-12-17 2020-05-19 杭州睿信数据科技有限公司 垂直数据的联邦学习方法及装置
CN111353167A (zh) * 2020-02-26 2020-06-30 深圳前海微众银行股份有限公司 基于多提供方的数据判别方法、装置、设备及存储介质
CN111414646A (zh) * 2020-03-20 2020-07-14 矩阵元技术（深圳）有限公司 实现隐私保护的数据处理方法和装置
CN111428887A (zh) * 2020-03-19 2020-07-17 腾讯云计算（北京）有限责任公司 一种基于多个计算节点的模型训练控制方法、装置及系统
CN111800411A (zh) * 2020-07-02 2020-10-20 支付宝(杭州)信息技术有限公司 保护隐私的业务预测模型联合更新方法及装置
CN112199709A (zh) * 2020-10-28 2021-01-08 支付宝(杭州)信息技术有限公司 基于多方的隐私数据联合训练模型的方法和装置
CN112286703A (zh) * 2020-11-09 2021-01-29 天冕信息技术(深圳)有限公司 用户分类方法、装置、客户端设备及可读存储介质
CN112668016A (zh) * 2020-01-02 2021-04-16 华控清交信息科技(北京)有限公司 一种模型训练方法、装置和电子设备
CN112733967A (zh) * 2021-03-30 2021-04-30 腾讯科技（深圳）有限公司 联邦学习的模型训练方法、装置、设备及存储介质
WO2021139476A1 (zh) * 2020-08-07 2021-07-15 平安科技（深圳）有限公司 交集数据的生成方法和基于交集数据的联邦模型训练方法
CN113326521A (zh) * 2021-06-11 2021-08-31 杭州煋辰数智科技有限公司 一种基于安全多方计算的数据源联合建模方法
WO2021232595A1 (zh) * 2020-05-22 2021-11-25 平安国际智慧城市科技股份有限公司 企业状态监管方法、装置、设备及计算机可读存储介质
CN113949988A (zh) * 2021-09-29 2022-01-18 卓尔智联(武汉)研究院有限公司 一种位置保护方法和系统，及存储介质
CN117714217A (zh) * 2024-02-06 2024-03-15 河北数云堂智能科技有限公司 一种可信联邦智能安全计算平台的方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109167695A (zh) * 2018-10-26 2019-01-08 深圳前海微众银行股份有限公司 基于联邦学习的联盟网络构建方法、设备及可读存储介质
CN109684855A (zh) * 2018-12-17 2019-04-26 电子科技大学 一种基于隐私保护技术的联合深度学习训练方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109167695A (zh) * 2018-10-26 2019-01-08 深圳前海微众银行股份有限公司 基于联邦学习的联盟网络构建方法、设备及可读存储介质
CN109684855A (zh) * 2018-12-17 2019-04-26 电子科技大学 一种基于隐私保护技术的联合深度学习训练方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YANG QIANG等: "Federated Machine Learning: Concept and Applications", 《ACM TRANSACTIONS ON INTELLIGENT SYSTEMS AND TECHNOLOGY》 *

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110704860A (zh) * 2019-11-18 2020-01-17 深圳前海微众银行股份有限公司 提升安全性的纵向联邦学习方法、设备、系统及存储介质
CN111104731B (zh) * 2019-11-19 2023-09-15 北京集奥聚合科技有限公司 一种用于联邦学习的图形化模型全生命周期建模方法
CN111104731A (zh) * 2019-11-19 2020-05-05 北京集奥聚合科技有限公司 一种用于联邦学习的图形化模型全生命周期建模方法
CN110990329B (zh) * 2019-12-09 2023-12-01 杭州趣链科技有限公司 一种联邦计算高可用方法、设备及介质
CN110990329A (zh) * 2019-12-09 2020-04-10 杭州趣链科技有限公司 一种联邦计算高可用方法、设备及介质
CN111046433A (zh) * 2019-12-13 2020-04-21 支付宝(杭州)信息技术有限公司 一种基于联邦学习的模型训练方法
CN111178538B (zh) * 2019-12-17 2023-08-15 杭州睿信数据科技有限公司 垂直数据的联邦学习方法及装置
CN111178538A (zh) * 2019-12-17 2020-05-19 杭州睿信数据科技有限公司 垂直数据的联邦学习方法及装置
CN111143878A (zh) * 2019-12-20 2020-05-12 支付宝(杭州)信息技术有限公司 一种基于隐私数据进行模型训练的方法及系统
CN111125735A (zh) * 2019-12-20 2020-05-08 支付宝(杭州)信息技术有限公司 一种基于隐私数据进行模型训练的方法及系统
CN111143878B (zh) * 2019-12-20 2021-08-03 支付宝(杭州)信息技术有限公司 一种基于隐私数据进行模型训练的方法及系统
WO2021120888A1 (zh) * 2019-12-20 2021-06-24 支付宝(杭州)信息技术有限公司 一种基于隐私数据进行模型训练的方法及系统
CN111125735B (zh) * 2019-12-20 2021-11-02 支付宝(杭州)信息技术有限公司 一种基于隐私数据进行模型训练的方法及系统
CN112668016B (zh) * 2020-01-02 2023-12-08 华控清交信息科技(北京)有限公司 一种模型训练方法、装置和电子设备
CN112668016A (zh) * 2020-01-02 2021-04-16 华控清交信息科技(北京)有限公司 一种模型训练方法、装置和电子设备
CN111353167A (zh) * 2020-02-26 2020-06-30 深圳前海微众银行股份有限公司 基于多提供方的数据判别方法、装置、设备及存储介质
CN111428887A (zh) * 2020-03-19 2020-07-17 腾讯云计算（北京）有限责任公司 一种基于多个计算节点的模型训练控制方法、装置及系统
CN111428887B (zh) * 2020-03-19 2023-05-12 腾讯云计算（北京）有限责任公司 一种基于多个计算节点的模型训练控制方法、装置及系统
CN111414646A (zh) * 2020-03-20 2020-07-14 矩阵元技术（深圳）有限公司 实现隐私保护的数据处理方法和装置
CN111414646B (zh) * 2020-03-20 2024-03-29 矩阵元技术（深圳）有限公司 实现隐私保护的数据处理方法和装置
WO2021232595A1 (zh) * 2020-05-22 2021-11-25 平安国际智慧城市科技股份有限公司 企业状态监管方法、装置、设备及计算机可读存储介质
CN111800411B (zh) * 2020-07-02 2021-04-02 支付宝(杭州)信息技术有限公司 保护隐私的业务预测模型联合更新方法及装置
CN111800411A (zh) * 2020-07-02 2020-10-20 支付宝(杭州)信息技术有限公司 保护隐私的业务预测模型联合更新方法及装置
WO2021139476A1 (zh) * 2020-08-07 2021-07-15 平安科技（深圳）有限公司 交集数据的生成方法和基于交集数据的联邦模型训练方法
CN112199709A (zh) * 2020-10-28 2021-01-08 支付宝(杭州)信息技术有限公司 基于多方的隐私数据联合训练模型的方法和装置
CN112286703B (zh) * 2020-11-09 2023-04-07 天冕信息技术(深圳)有限公司 用户分类方法、装置、客户端设备及可读存储介质
CN112286703A (zh) * 2020-11-09 2021-01-29 天冕信息技术(深圳)有限公司 用户分类方法、装置、客户端设备及可读存储介质
CN112733967A (zh) * 2021-03-30 2021-04-30 腾讯科技（深圳）有限公司 联邦学习的模型训练方法、装置、设备及存储介质
CN112733967B (zh) * 2021-03-30 2021-06-29 腾讯科技（深圳）有限公司 联邦学习的模型训练方法、装置、设备及存储介质
CN113326521A (zh) * 2021-06-11 2021-08-31 杭州煋辰数智科技有限公司 一种基于安全多方计算的数据源联合建模方法
CN113949988A (zh) * 2021-09-29 2022-01-18 卓尔智联(武汉)研究院有限公司 一种位置保护方法和系统，及存储介质
CN113949988B (zh) * 2021-09-29 2024-01-05 卓尔智联(武汉)研究院有限公司 一种位置保护方法和系统，及存储介质
CN117714217A (zh) * 2024-02-06 2024-03-15 河北数云堂智能科技有限公司 一种可信联邦智能安全计算平台的方法和装置
CN117714217B (zh) * 2024-02-06 2024-05-28 河北数云堂智能科技有限公司 一种可信联邦智能安全计算平台的方法和装置

Also Published As

Publication number Publication date
CN110443067B (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN110443067A (zh) 基于隐私保护的联邦建模装置、方法及可读存储介质
CN113159327B (zh) 基于联邦学习系统的模型训练方法、装置、电子设备
JP7203009B2 (ja) ブロックチェーンにより実装される方法及びシステム
CN111723404B (zh) 联合训练业务模型的方法及装置
Attasena et al. Secret sharing for cloud data security: a survey
CN105706048B (zh) 使用硬件信任根的媒体客户端装置鉴权
CN107454114A (zh) 一种竞拍方法、服务器及可读存储介质
CN108900533A (zh) 一种共享数据隐私保护方法、系统、终端及介质
Chen et al. Secure social recommendation based on secret sharing
Keller et al. Efficient maliciously secure multiparty computation for RAM
CN111428887B (zh) 一种基于多个计算节点的模型训练控制方法、装置及系统
CN111784001A (zh) 一种模型训练方法、设备及计算机可读存储介质
US11575501B2 (en) Preserving aggregation using homomorphic encryption and trusted execution environment, secure against malicious aggregator
CN111159723A (zh) 用于区块链的密码数据共享控制
He et al. Secure logistic regression for vertical federated learning
WO2022156594A1 (zh) 联邦模型训练方法、装置、电子设备、计算机程序产品及计算机可读存储介质
CN109376021A (zh) 接口调用的响应方法及服务器
Wisiol et al. Why attackers lose: Design and security analysis of arbitrarily large XOR arbiter PUFs
Wang Sok: Applying blockchain technology in industrial internet of things
CN113420886B (zh) 纵向联邦学习模型的训练方法、装置、设备及存储介质
Kokila et al. Resource efficient metering scheme for protecting SoC FPGA device and IPs in IOT applications
CN108259180B (zh) 一种量子指定验证者签名的方法
CN112949866A (zh) 泊松回归模型的训练方法、装置、电子设备及存储介质
Islam et al. Remote configuration of integrated circuit features and firmware management via smart contract
Paverd Enhancing communication privacy using trustworthy remote entities

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant