CN110851869A - 敏感信息处理方法、设备及可读存储介质 - Google Patents
敏感信息处理方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110851869A CN110851869A CN201911114421.6A CN201911114421A CN110851869A CN 110851869 A CN110851869 A CN 110851869A CN 201911114421 A CN201911114421 A CN 201911114421A CN 110851869 A CN110851869 A CN 110851869A
- Authority
- CN
- China
- Prior art keywords
- encryption
- data
- terminal
- prediction
- intersection
- 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
Links
Images
Classifications
-
- 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
-
- 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
- G06F21/602—Providing cryptographic facilities or services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Telephonic Communication Services (AREA)
- Storage Device Security (AREA)
Abstract
本发明公开了一种敏感信息处理方法,包括以下步骤:根据可交换加密算法对第一终端和第二终端交换各自拥有的数据集进行交换加密,得到第一终端的第一加密集和第二终端的第二加密集,根据第一预测模型、第一终端拥有的数据集以及同态加密算法,得到预测数据加密集,获取第一加密集与第二加密集的交集数据加密集,并在预测数据加密集中获取交集数据加密集的预测数据加密集,发送交集数据加密集以及交集数据加密集的预测数据加密集至第二终端,以供第二终端得到交集数据集对应的目标预测集。本发明还公开了设备及可读存储介质。实现了终端之间不需要公开各自的数据集,即可获交集数据对应的多模型联合预测值,从而保护数据隐私性,提升信息安全。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种敏感信息处理方法、设备及可读存储介质。
背景技术
在专业度高的领域,如医疗,金融等领域,优质的评估模型往往分散于不同的企业机构中,例如评估模型可用于评估贷后风险,企业间会有相同的客户,如果需要对该客户进行评估,可以利用各个企业机构拥有的模型来进行预测,然后将各个企业给出的预测结果再做进一步统计。现有做法通常是,设定A方和B方,B方需要向A方请求预测数据,这个过程中涉及到B方需要把自己这侧客户信息传给A方,A方根据接收到的客户信息获取特征数据和模型,计算出预测数据,返回给B方。然而企业彼此之间通常将自己拥有的客户数据和模型视为商业秘密,如何在B方查询过程,尤其是批量查询过程中,不泄露B的客户信息给A方,这个是一个非常大的挑战,目前业界没有好的方案。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种敏感信息处理方法、设备及可读存储介质,旨在解决现有多模型联合预测时,无法有效保护终端之间数据集安全的技术问题。
为实现上述目的,本发明提供一种敏感信息处理方法,应用于第一终端,所述的敏感信息处理方法包括以下步骤:
根据预设的可交换加密算法对第一终端和第二终端各自拥有的数据集进行交换加密,得到所述第一终端的第一加密集和所述第二终端的第二加密集;
根据预设第一预测模型和预设的同态加密算法,对所述第一终端拥有的数据集进行预测加密处理,得到所述第一终端拥有的数据集对应的预测数据加密集;
将所述第一加密集与所述第二加密集进行比对得到交集数据加密集,并在所述预测数据加密集中获取所述交集数据加密集对应的预测数据加密集;
发送所述交集数据加密集以及所述交集数据加密集对应的预测数据加密集至所述第二终端,以供所述第二终端根据所述可交换加密算法对交集数据加密集解密,得到交集数据集,并根据所述交集数据加密集对应的预测数据加密集、所述交集数据集以及预设第二预测模型,得到所述交集数据集对应的目标预测集。
进一步地,在一实施方式中,所述根据预设的可交换加密算法对第一终端和第二终端交换各自拥有的数据集进行交换加密,得到所述第一终端的第一加密集和所述第二终端的第二加密集的步骤包括:
根据所述可交换加密算法对所述第一终端拥有的数据集进行初级加密,得到第一初级加密集;
发送所述第一初级加密集至所述第二终端,以使所述第二终端反馈所述第一加密集,其中,所述第二终端在接收到所述第一初级加密集时,根据所述可交换加密算法对所述第一初级加密集进行二级加密,得到所述第一加密集;
接收所述第二终端发送的第二初级加密集,根据所述可交换加密算法对所述第二初级加密集进行二级加密,得到所述第二加密集,其中,所述第二终端根据所述可交换加密算法对所述第二终端拥有的数据集进行初级加密,得到所述第二初级加密集。
进一步地,在一实施方式中,所述将所述第一加密集与所述第二加密集进行比对得到交集数据加密集,并在所述预测数据加密集中获取所述交集数据加密集对应的预测数据加密集的步骤包括:
将所述第一加密集与所述第二加密集中各个加密数据进行比对,确定相同的加密数据在所述第一加密集中的排序位置;
根据所述第一加密集中处于所述排序位置的加密数据确定所述交集数据加密集;
将所述预测数据加密集中处于所述排序位置的加密数据作为所述交集数据加密集对应的预测数据加密集的数据。
进一步地,在一实施方式中,所述根据所述第一加密集中处于所述排序位置的加密数据确定所述交集数据加密集的步骤包括:
将所述第一加密集中处于所述排序位置的加密数据作为原始加密集的数据;
根据所述可交换加密算法对所述原始加密集进行一级解密,得到所述交集数据加密集。
进一步地,在一实施方式中,所述根据预设第一预测模型和预设的同态加密算法,对所述第一终端拥有的数据集进行预测加密处理,得到所述第一终端拥有的数据集对应的预测数据加密集的步骤包括:
根据预设第一预测模型、第一终端拥有的数据集,得到所述第一终端的预测数据集;
利用预设的同态加密算法对所述预测数据集进行加密,得到预测数据初级加密集,并根据所述预测数据初级加密集确定预测数据加密集;
发送所述预测数据初级加密集至所述第二终端,以使所述第二终端反馈所述预测数据加密集,其中,所述第二终端在接收到所述预测数据初级加密集时,将所述预测数据初级加密集与同态加密后的预设随机数相加,得到所述预测数据加密集。
进一步地,在一实施方式中,所述敏感信息处理方法应用于第二终端,所述敏感信息处理方法包括:
根据预设的可交换加密算法对第一终端和第二终端各自拥有的数据集进行交换加密,得到所述第一终端的第一初级加密集;
根据所述可交换加密算法对所述第一初级加密集进行二级加密,得到第一加密集,并发送所述第一加密集至所述第一终端;
接收所述交集数据加密集以及所述交集数据加密集对应的预测数据加密集,根据预设的可交换加密算法对所述交集数据加密集解密,得到交集数据集;
根据所述交集数据加密集对应的预测数据加密集、所述交集数据集以及预设第二预测模型,得到所述交集数据集对应的目标预测集。
进一步地,在一实施方式中,所述根据预设的可交换加密算法对第一终端和第二终端各自拥有的数据集进行交换加密的步骤还包括:
根据所述可交换加密算法对所述第二终端拥有的数据集进行初级加密,得到所述第二初级加密集;
将所述第二初级加密集发送给所述第一终端,以供所述第一终端根据所述预设可交换加密算法对所述第二初级加密集进行二级加密,得到所述第二加密集。
进一步地,在一实施方式中,所述根据所述交集数据加密集对应的预测数据加密集、所述交集数据集以及预设第二预测模型,得到所述交集数据集对应的目标预测集的步骤包括:
根据预设的同态加密算法对所述交集数据加密集对应的预测数据加密集进行解密,并与预设随机数相减,得到所述交集数据集对应的第一预测数据集;
将所述交集数据集输入所述预设第二预测模型,以对所述交集数据集进行预测,得到所述交集数据集对应的第二预测数据集;
根据预设的权重比例数据对所述第一预测数据集和所述第二预测集进行加权求和,得到所述交集数据集对应的目标预测集。
此外,为实现上述目的,本发明还提供一种敏感信息处理设备,所述敏感信息处理设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的敏感信息处理程序,所述敏感信息处理程序被所述处理器执行时实现如上所述的敏感信息处理方法的步骤。
此外,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质上存储有敏感信息处理程序,所述敏感信息处理程序被处理器执行时实现如上所述的敏感信息处理方法的步骤。
本发明根据预设的可交换加密算法对第一终端和第二终端各自拥有的数据集进行交换加密,得到所述第一终端的第一加密集和所述第二终端的第二加密集,而后根据预设第一预测模型和预设的同态加密算法,对所述第一终端拥有的数据集进行预测加密处理,得到所述第一终端拥有的数据集对应的预测数据加密集,接下来将所述第一加密集与所述第二加密集进行比对得到交集数据加密集,并在所述预测数据加密集中获取所述交集数据加密集对应的预测数据加密集,最后发送所述交集数据加密集以及所述交集数据加密集对应的预测数据加密集至所述第二终端,以供所述第二终端根据所述可交换加密算法对交集数据加密集解密,得到交集数据集,并根据所述交集数据加密集对应的预测数据加密集、所述交集数据集以及预设第二预测模型,得到所述交集数据集对应的目标预测集。在多模型联合预测时,采用可交换加密算法以及同态加密算法对各终端的数据集及预测数据进行加密,得到加密数据集及加密预测集,利用可交换加密算法特性确定加密数据集之间的交集数据,并根据加密数据以及加密预测集之间的映射关系,获得交集数据对应的预测值,在终端之间传输的数据均为加密数据,因为各终端不会在其他终端暴露其数据集信息,实现了终端之间不需要公开各自的数据集,即可获交集数据对应的多模型联合预测值,从而保护了数据隐私性,提升了信息安全。
附图说明
图1是本发明实施例方案涉及的硬件运行环境中终端系统的结构示意图;
图2为本发明敏感信息处理方法第一实施例的流程示意图;
图3为本发明敏感信息处理方法第二实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是,图1即可为敏感信息处理设备的硬件运行环境的结构示意图。本发明实施例敏感信息处理备可以是PC,也可以是智能手机、智能电视机、平板电脑、便携计算机等具有显示功能的终端设备。
如图1所示,该敏感信息处理设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的系统结构并不构成对终端系统的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及敏感信息处理程序。
在图1所示的系统中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(客户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的敏感信息处理程序。
在本实施例中,终端系统包括:存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的敏感信息处理程序,其中,处理器1001调用存储器1005中存储的敏感信息处理程序时,执行本申请各个实施例提供的敏感信息处理方法的步骤。
本发明还提供一种敏感信息处理方法,参照图2,图2为本发明敏感信息处理方法第一实施例的流程示意图。
本发明实施例提供了敏感信息处理方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中,该敏感信息处理方法包括:
步骤S10,根据预设的可交换加密算法对第一终端和第二终端各自拥有的数据集进行交换加密,得到所述第一终端的第一加密集和所述第二终端的第二加密集;
在本实施例中,在医疗,金融等专业度高的领域,企业间会有一部分公共的用户,对这些公共用户的某方面风险进行预测时,可以利用公共用户对应的多个企业模型进行综合预测,这样预测结果更准确,也就是说,包含了公共用户的企业,其企业模型都可以参与到综合预测中。然而,企业彼此之间通常将自己拥有的客户数据和模型视为商业秘密,故在综合预测过程中,需要隐藏客户标识等敏感信息。本发明通过利用同态加密和可交换加密特性对用户信息和预测数据进行加解密,实现了在多模型联合预测用户评分时,不需要公开用户信息,保障了信息安全。
第一终端和第二终端分别拥有各自的数据集,两个数据集中可能有相同的数据元素,如数据集是ID集,ID可能是用户的身份证号码或电话号码等,两个ID集中可能有相同用户的ID。第一终端先通过预设的可交换加密算法与第二终端交换各自拥有的数据集。在通过预设的可交换加密算法交换各自的数据集后,第一终端得到第一终端的第一加密集和第二终端的第二加密集,第一加密集的原始数据集是第一终端所拥有的数据集,第二加密集的原始数据集是第二终端所拥有的数据集。
其中,可交换加密算法包括两次加密过程,可实现将同一个数据进行两次加密,两次加密采用不同的密钥,两次加密的密钥次序交换时,得到的两种加密结果相同,即对于数据1,采用密钥1进行加密,对结果再采用密钥2进行加密得到加密结果1,将数据1采用密钥2进行加密,对结果再采用密钥1进行加密得到加密结果2,可交换加密算法是能够使得加密结果1和加密结果2相同的加密算法。预设的可交换加密算法是预先根据需要设置的一种可交换加密算法。
在本实施例中,由于第一终端和第二终端通过预设的可交换加密算法交换各自的数据集,得到第一加密集和第二加密集,因此,当两端的数据集中有相同的数据元素时,相同的数据元素对应的第一加密集中的加密元素,与对应的第二加密集中的加密元素仍然是相同的,即两方数据集中均有数据1,则第一加密集中数据1对应的加密数据a和第二加密集中数据1对应的加密数据b是相同的。需要说明的是,两端在对数据集中各数据元素进行加密的过程中,均不改变各数据元素的排序位置。
具体地,步骤S10包括:
步骤S11,根据所述可交换加密算法对所述第一终端拥有的数据集进行初级加密,得到第一初级加密集;
在本实施例中,第一终端根据预设的可交换加密算法对第一终端拥有的数据集进行初级加密,得到第一初级加密集。第一终端采用自己的私有密钥进行初级加密。
步骤S12,发送所述第一初级加密集至所述第二终端,以使所述第二终端反馈所述第一加密集,其中,所述第二终端在接收到所述第一初级加密集时,根据所述可交换加密算法对所述第一初级加密集进行二级加密,得到所述第一加密集。
在本实施例中,第一终端将得到的第一初级加密集发送给第二终端。由于第二终端没有解密密钥,无法解密第一初级加密集,从而不会在第二终端暴露第一终端的数据集。第二终端根据预设的可交换加密算法对接收到的第一初级加密集进行二级加密,得到第一加密集,其中,第二终端采用自己的私有密钥进行二级加密。接下来,第二终端再将得到的第一加密集发送给第一终端。
步骤S13,接收所述第二终端发送的第二初级加密集,根据所述可交换加密算法对所述第二初级加密集进行二级加密,得到所述第二加密集,其中,所述第二终端根据所述可交换加密算法对所述第二终端拥有的数据集进行初级加密,得到所述第二初级加密集。
在本实施例中,第一终端接收第二终端发送的第二初级加密集。第二终端根据预设的可交换加密算法对第二终端拥有的数据集进行初级加密,得到第二初级加密集。其中,初级加密即利用可交换加密算法对数据进行的第一次加密过程。
进一步地,第一终端在接收到第二初级加密集后,根据预设的可交换加密算法对第二初级加密集进行二级加密,得到第二加密集。其中,二级加密即可交换加密算法中对数据进行的第二次加密过程。由于第一终端接收的是第二终端发送的进行初级加密后的第二初级加密集,所以第一终端并没有获得第二数据方拥有的数据集,由于没有解密密钥,第一终端也无法解密第二初级加密集,从而不会在第一终端暴露第二终端的数据集。
步骤S20,根据预设第一预测模型和预设的同态加密算法,对所述第一终端拥有的数据集进行预测加密处理,得到所述第一终端拥有的数据集对应的预测数据加密集;
具体地,步骤S20包括:
步骤S21,根据预设第一预测模型、第一终端拥有的数据集,得到所述第一终端的预测数据集;
步骤S22,利用预设的同态加密算法对所述预测数据集进行加密,得到预测数据初级加密集,并根据所述预测数据初级加密集确定预测数据加密集;
步骤S23,发送所述预测数据初级加密集至所述第二终端,以使所述第二终端反馈所述预测数据加密集,其中,所述第二终端在接收到所述预测数据初级加密集时,将所述预测数据初级加密集与同态加密后的预设随机数相加,得到所述预测数据加密集。
在本实施例中,预设第一预测模型是第一终端拥有的模型,第一预测模型是一种机器学习模型,例如回归预测模型,用于对数据集进行结果预测,将第一终端拥有的数据集作为输入数据,输入到预设第一预测模型,得到预测数据集。接下来,第一终端根据预设的同态加密算法对预测数据集进行加密,得到加密后的预测集,即预测数据初级加密集,其中,同态加密的公钥和私钥由有第一终端产生,公钥由第一端发送给第二终端,第二终端利用公钥可以对加密预测集进行解密。
第一终端将预测数据初级加密集发送到第二终端,第二终端进一步对预测数据初级加密集进行处理得到预测数据加密集,具体的处理过程为:在第二用户终端,由随机数产生器产生随机数(并保存至预设存储区,提取预测数据时使用),利用同态加密算法对随机数进行加密,并将加密后的随机数与预测数据初级加密集进行相加,得到的结果即为预测数据加密集,第二终端发送该预测数据加密集至第一终端,第一终端接收第二终端发送的预测数据加密集。
步骤S30,将所述第一加密集与所述第二加密集进行比对得到交集数据加密集,并在所述预测数据加密集中获取所述交集数据加密集对应的预测数据加密集;
在本实施例中,首先将第一加密集与所述第二加密集进行比对,筛选出两个加密集相同的加密元素,得到加密交集数据,然后,进一步在预测数据加密集中获取交集数据加密集对应的预测数据加密集。
具体地,步骤S30包括:
步骤S31,将所述第一加密集与所述第二加密集中各个加密数据进行比对,确定相同的加密数据在所述第一加密集中的排序位置;
在本实施例中,第一终端将第一加密集与第二加密集按照各加密元素的排列顺序进行比对,即比对第二加密集和第一加密集,得到两个集合相同的加密数据,对于相同的加密数据,第一终端确定其在第一加密集中的排序位置。例如,第一终端找到第一加密集与第二加密集有两个相同的加密元素1和2,其在第一加密集中的排序位置分别为第8个和第12个。
步骤S32,根据所述第一加密集中处于所述排序位置的加密数据确定所述交集数据加密集;
具体地,步骤S32包括:
步骤a,将所述第一加密集中处于所述排序位置的加密数据作为原始加密集的数据;
步骤b,根据所述可交换加密算法对所述原始加密集进行一级解密,得到所述交集数据加密集。
在本实施例中,将第一加密集与第二加密集按照各加密元素的排列顺序进行比对,得到相同的加密数据在第一加密集中的排序位置,获取第一加密集中处于这些排序位置的加密数据作为原始加密集的数据,然后利用第一终端的私有密钥对原始加密集的数据进行解密,得到交集数据加密集。
需要说明的是,第一加密集与第二加密集是利用第一终端的私有密钥和第二终端的私有密钥经过两次加密得到的,获取两个加密集的交集数据,即原始加密集,利用第一终端的私有密钥对原始加密集进行一级解密,得到交集数据加密集,该交集数据加密集需要第二终端的私有密钥才能解密,所以第一终端无法获知交集数据加密集对应的交集数据,实现了除第二终端外,没有在其他终端泄露终端之间交集数据,保护了终端之间数据的隐私性。
步骤S33,将所述预测数据加密集中处于所述排序位置的加密数据作为所述交集数据加密集对应的预测数据加密集的数据。
在本实施例中,第一加密集是对第一终端拥有的数据集进行两次加密得到的,加密过程中,不涉及集合中数据位置交换,故第一加密集与第一终端拥有的数据集相同位置上的数据存在一一对应;因为预测数据加密集与第一终端拥有的数据集相同位置上的数据也存在一一对应,所以第一加密集与预测数据加密集存在一一对应,即两个数据集中排序位置相同的数据元素一一对应,所以可以依据第一加密集中加密元素的排序位置,在预测数据加密集中同一排序位置找到该加密元素对应的加密预测数据。
步骤S40,发送所述交集数据加密集以及所述交集数据加密集对应的预测数据加密集至所述第二终端,以供所述第二终端根据所述可交换加密算法对交集数据加密集解密,得到交集数据集,并根据所述交集数据加密集对应的预测数据加密集、所述交集数据集以及预设第二预测模型,得到所述交集数据集对应的目标预测集。
在本实施例中,第一终端通过对第一加密集与所述第二加密集进行比对,得到交集数据,并对交集数据进行一级解密,得到交集数据加密集,然后根据第一加密集与预测数据加密集,得到加密交集数据对应的预测数据加密集。第一终端将交集数据加密集以及交集数据加密集对应的预测数据加密集发送至第二终端。第二终端在接收到交集数据加密集以及交集数据加密集对应的预测数据加密集后,进一步根据可交换加密算法对交集数据加密集解密,得到交集数据集,并根据交集数据加密集对应的预测数据加密集、交集数据集以及预设第二预测模型,得到交集数据集对应的目标预测集。
本实施例提出的敏感信息处理方法,根据预设的可交换加密算法对第一终端和第二终端各自拥有的数据集进行交换加密,得到所述第一终端的第一加密集和所述第二终端的第二加密集,而后根据预设第一预测模型和预设的同态加密算法,对所述第一终端拥有的数据集进行预测加密处理,得到所述第一终端拥有的数据集对应的预测数据加密集,接下来将所述第一加密集与所述第二加密集进行比对得到交集数据加密集,并在所述预测数据加密集中获取所述交集数据加密集对应的预测数据加密集,最后发送所述交集数据加密集以及所述交集数据加密集对应的预测数据加密集至所述第二终端,以供所述第二终端根据所述可交换加密算法对交集数据加密集解密,得到交集数据集,并根据所述交集数据加密集对应的预测数据加密集、所述交集数据集以及预设第二预测模型,得到所述交集数据集对应的目标预测集。在多模型联合预测时,采用可交换加密算法以及同态加密算法对各终端的数据集及预测数据进行加密,得到加密数据集及加密预测集,利用可交换加密算法特性确定加密数据集之间的交集数据,并根据加密数据以及加密预测集之间的映射关系,获得交集数据对应的预测值,在终端之间传输的数据均为加密数据,因为各终端不会在其他终端暴露其数据集信息,实现了终端之间不需要公开各自的数据集,即可获交集数据对应的多模型联合预测值,从而保护了数据隐私性,提升了信息安全。
进一步的,根据第一实施例,本发明敏感信息处理方法第三实施例提供一种敏感信息处理方法,所述敏感信息处理方法应用于第二终端,所述第二终端可以是服务器,也可以是PC、智能手机、智能电视机、平板电脑、便携计算机等终端设备,所述敏感信息处理方法包括:
步骤A10,根据预设的可交换加密算法对第一终端和第二终端各自拥有的数据集进行交换加密,得到所述第一终端的第一初级加密集;
在本实施例中,第一终端和第二终端分别拥有各自的数据集,两个数据集中可能有相同的数据元素,如数据集是ID集,ID可能是用户的身份证号码或电话号码等,两个ID集中可能有相同用户的ID。第二终端先通过预设的可交换加密算法与第一终端交换各自拥有的数据集。在通过预设的可交换加密算法交换各自的数据集后,第二终端得到第一终端的第一初级加密集,其中,第一终端根据预设的可交换加密算法对第一终端拥有的数据集进行初级加密,得到第一初级加密集,第一终端将第一初级加密集发送至第二终端。
在本实施例中,由于第一终端和第二终端通过预设可交换加密算法交换各自的数据集,得到第一加密集和第二加密集,因此,当两端的数据集中有相同的数据元素时,相同的数据元素对应的第一加密集中的加密元素,与对应的第二加密集中的加密元素仍然是相同的,即两方数据集中均有数据1,则第一加密集中数据1对应的加密数据a和第二加密集中数据1对应的加密数据b是相同的。需要说明的是,两端在对数据集中各数据元素进行加密的过程中,均不改变各数据元素的排序位置。
进一步地,所述步骤A10还包括:
步骤A11,根据所述可交换加密算法对所述第二终端拥有的数据集进行初级加密,得到所述第二初级加密集;
步骤A12,将所述第二初级加密集发送给所述第一终端,以供所述第一终端根据所述预设可交换加密算法对所述第二初级加密集进行二级加密,得到所述第二加密集。
在本实施例中,第二终端根据预设的可交换加密算法对第二终端拥有的数据集进行初级加密,得到第二初级加密集,接下来,第二终端将第二初级加密集发送给第一终端。
第一终端在接收到第二初级加密集后,根据预设可交换加密算法对第二初级加密集进行二级加密,得到第二加密集。其中,二级加密即可交换加密算法中对数据进行的第二次加密过程。由于第一终端接收的是第二终端发送的进行初级加密后的第二初级加密集,所以第一终端并没有获得第二终端拥有的数据集,由于没有解密密钥,第一终端也无法解密第二初级加密集,从而不会在第一终端暴露第二终端的数据集。
步骤A20,根据所述可交换加密算法对所述第一初级加密集进行二级加密,得到第一加密集,并发送所述第一加密集至所述第一终端;
在本实施例中,第二终端在接收到的第一终端发送的第一初级加密集后,根据预设可交换加密算法对第一初级加密集进行二级加密,得到第一加密集,并将该第一加密发送至第一终端。由于第二终端接收的是第一终端发送的进行初级加密后的第一初级加密集,所以第二终端并没有获得第一终端拥有的数据集,由于没有解密密钥,第二终端也无法解密第一初级加密集,从而不会在第二终端暴露第一终端的数据集。
步骤A30,接收所述交集数据加密集以及所述交集数据加密集对应的预测数据加密集,根据预设的可交换加密算法对所述交集数据加密集解密,得到交集数据集;
在本实施例中,第二终端接收到第一终端发送的交集数据加密集以及交集数据加密集对应的预测数据加密集,其中,第一终端根据预设的可交换加密算法与第二终端交换各自拥有的数据集,得到第一终端的第一加密集和第二终端的第二加密集,并根据预设的同态加密算法、预设第一预测模型和第一终端拥有的数据集,得到第一加密预测集,将第一加密集与所述第二加密集进行比对得到交集数据加密集,并根据第一加密集与预测数据加密集的一一对应关系,得到交集数据加密集对应的预测数据加密集。
进一步地,交集数据加密集是利用第一终端的私有密钥对原始加密集进行一级解密后的加密数据,可以利用第二终端的私有密钥继续对交集数据加密集进行二级解密,得到交集数据集,该交集数据集是没有经过任何加密的原始数据。
步骤A40,根据所述交集数据加密集对应的预测数据加密集、所述交集数据集以及预设第二预测模型,得到所述交集数据集对应的目标预测集。
在本实施例中,在得到交集数据集后,第二终端进一步根据交集数据集以及预设第二预测模型,得到交集数据集对应的目标预测值。其中,预设第二预测模型是第二终端拥有的预测模型,是一种机器学习模型,例如回归预测模型,用于对数据集进行结果预测。将数据集作为输入数据,输入到预设第二预测模型,得到数据集对应的预测集。
具体地,步骤A40包括:
步骤A41,根据预设的同态加密算法对所述交集数据加密集对应的预测数据加密集进行解密,并与预设随机数相减,得到所述交集数据集对应的第一预测数据集;
在本实施例中,交集数据集对应的目标预测集由两部分组成,一个是交集数据集在第一预测模型的预测集,另一个是交集数据集在第二预测模型的预测集,其中,对第二终端接收到的交集数据加密集对应的预测数据加密集进行解密,再与预设随机数相减,即可得到交集数据集在第一预测模型的预测集,即第一预测数据集,其中,预设随机数从预设存储区获取。
其中,同态加密的公钥和私钥由有第一终端产生,公钥由第一终端发送给第二终端。第一终端是利用同态加密的私钥,根据同态加密算法对预测数据进行加密得到的加密预测数据,故第二终端可以利用同态加密的公钥,根据同态加密算法对加密预测数据进行解密,得到交集数据在第一预测模型的预测值,即交集数据对应的第一原始预测数据。
步骤A42,将所述交集数据集输入所述预设第二预测模型,以对所述交集数据集进行预测,得到所述交集数据集对应的第二预测数据集;
在本实施例中,第二终端将交集数据集作为输入数据,输入到预设第二预测模型,得到交集数据集对应的第二预测数据集。在第二终端,已经得到了交集数据集对应的第一预测数据集和交集数据集对应的第二预测数据集,接下来可以确定交集数据集对应的目标预测集。
步骤A43,根据预设的权重比例数据对所述第一预测数据集和所述第二预测集进行加权求和,得到所述交集数据集对应的目标预测集。
在本实施例中,在多模型联合预测时,各个模型的预测值,需要采用加权求和方式,因此,首先获取预设的权重比例数据,权重比例数据根据具体的终端数量以及模型的具体类型确定,在本发明实施例中不做限定。具体地,根据预设的权重比例数据对第一预测数据集和第二预测数据集进行加权求和,得到交集数据集对应的目标预测集。例如权值比例数据为0.3:0.7,则目标预测集=第一预测数据集*0.3+第二预测数据集*0.7。
本实施例提出的敏感信息处理方法,在多模型联合预测时,通过采用可交换加密算法以及同态加密算法对各终端的数据集及预测数据进行加密,得到加密数据集及加密预测集,利用可交换加密算法特性确定加密数据集之间的交集数据,并根据加密数据以及加密预测集之间的映射关系,获得交集数据对应的预测值,在终端之间传输的数据均为加密数据,因为各终端不会在其他终端暴露其数据集信息,实现了终端之间不需要公开各自的数据集,即可获交集数据对应的多模型联合预测值,从而保护了数据隐私性,提升了信息安全。
此外,本发明实施例还提出一种可读存储介质,所述可读存储介质上存储有敏感信息处理程序,所述敏感信息处理程序被处理器执行时实现上述各个实施例中敏感信息处理方法的步骤。
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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。根据这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台系统设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (12)
1.一种敏感信息处理方法,其特征在于,应用于第一终端,所述的敏感信息处理方法包括以下步骤:
根据预设的可交换加密算法对第一终端和第二终端各自拥有的数据集进行交换加密,得到所述第一终端的第一加密集和所述第二终端的第二加密集;
根据预设第一预测模型和预设的同态加密算法,对所述第一终端拥有的数据集进行预测加密处理,得到所述第一终端拥有的数据集对应的预测数据加密集;
将所述第一加密集与所述第二加密集进行比对得到交集数据加密集,并在所述预测数据加密集中获取所述交集数据加密集对应的预测数据加密集;
发送所述交集数据加密集以及所述交集数据加密集对应的预测数据加密集至所述第二终端,以供所述第二终端根据所述可交换加密算法对交集数据加密集解密,得到交集数据集,并根据所述交集数据加密集对应的预测数据加密集、所述交集数据集以及预设第二预测模型,得到所述交集数据集对应的目标预测集。
2.如权利要求1所述的敏感信息处理方法,其特征在于,所述根据预设的可交换加密算法对第一终端和第二终端各自拥有的数据集进行交换加密,得到所述第一终端的第一加密集和所述第二终端的第二加密集的步骤包括:
根据所述可交换加密算法对所述第一终端拥有的数据集进行初级加密,得到第一初级加密集;
发送所述第一初级加密集至所述第二终端,以使所述第二终端反馈所述第一加密集,其中,所述第二终端在接收到所述第一初级加密集时,根据所述可交换加密算法对所述第一初级加密集进行二级加密,得到所述第一加密集;
接收所述第二终端发送的第二初级加密集,根据所述可交换加密算法对所述第二初级加密集进行二级加密,得到所述第二加密集,其中,所述第二终端根据所述可交换加密算法对所述第二终端拥有的数据集进行初级加密,得到所述第二初级加密集。
3.如权利要求1所述的敏感信息处理方法,其特征在于,所述将所述第一加密集与所述第二加密集进行比对得到交集数据加密集,并在所述预测数据加密集中获取所述交集数据加密集对应的预测数据加密集的步骤包括:
将所述第一加密集与所述第二加密集中各个加密数据进行比对,确定相同的加密数据在所述第一加密集中的排序位置;
根据所述第一加密集中处于所述排序位置的加密数据确定所述交集数据加密集;
将所述预测数据加密集中处于所述排序位置的加密数据作为所述交集数据加密集对应的预测数据加密集的数据。
4.如权利要求3所述的敏感信息处理方法,其特征在于,所述根据所述第一加密集中处于所述排序位置的加密数据确定所述交集数据加密集的步骤包括:
将所述第一加密集中处于所述排序位置的加密数据作为原始加密集的数据;
根据所述可交换加密算法对所述原始加密集进行一级解密,得到所述交集数据加密集。
5.如权利要求1所述的敏感信息处理方法,其特征在于,所述根据预设第一预测模型和预设的同态加密算法,对所述第一终端拥有的数据集进行预测加密处理,得到所述第一终端拥有的数据集对应的预测数据加密集的步骤包括:
根据预设第一预测模型、第一终端拥有的数据集,得到所述第一终端的预测数据集;
利用预设的同态加密算法对所述预测数据集进行加密,得到预测数据初级加密集,并根据所述预测数据初级加密集确定预测数据加密集;
发送所述预测数据初级加密集至所述第二终端,以使所述第二终端反馈所述预测数据加密集,其中,所述第二终端在接收到所述预测数据初级加密集时,将所述预测数据初级加密集与同态加密后的预设随机数相加,得到所述预测数据加密集。
6.一种敏感信息处理方法,其特征在于,所述敏感信息处理方法应用于第二终端,所述敏感信息处理方法包括:
根据预设的可交换加密算法对第一终端和第二终端各自拥有的数据集进行交换加密,得到所述第一终端的第一初级加密集;
根据所述可交换加密算法对所述第一初级加密集进行二级加密,得到第一加密集,并发送所述第一加密集至所述第一终端;
接收所述交集数据加密集以及所述交集数据加密集对应的预测数据加密集,根据预设的可交换加密算法对所述交集数据加密集解密,得到交集数据集;
根据所述交集数据加密集对应的预测数据加密集、所述交集数据集以及预设第二预测模型,得到所述交集数据集对应的目标预测集。
7.如权利要求6所述的敏感信息处理方法,其特征在于,所述根据预设的可交换加密算法对第一终端和第二终端各自拥有的数据集进行交换加密的步骤还包括:
根据所述可交换加密算法对所述第二终端拥有的数据集进行初级加密,得到所述第二初级加密集;
将所述第二初级加密集发送给所述第一终端,以供所述第一终端根据所述预设可交换加密算法对所述第二初级加密集进行二级加密,得到所述第二加密集。
8.如权利要求6所述的敏感信息处理方法,其特征在于,所述根据所述交集数据加密集对应的预测数据加密集、所述交集数据集以及预设第二预测模型,得到所述交集数据集对应的目标预测集的步骤包括:
根据预设的同态加密算法对所述交集数据加密集对应的预测数据加密集进行解密,并与预设随机数相减,得到所述交集数据集对应的第一预测数据集;
将所述交集数据集输入所述预设第二预测模型,以对所述交集数据集进行预测,得到所述交集数据集对应的第二预测数据集;
根据预设的权重比例数据对所述第一预测数据集和所述第二预测集进行加权求和,得到所述交集数据集对应的目标预测集。
9.一种敏感信息处理设备,其特征在于,所述敏感信息处理设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的敏感信息处理程序,所述敏感信息处理程序被所述处理器执行时实现如权利要求1至5中任一项所述的敏感信息处理方法的步骤。
10.一种敏感信息处理设备,其特征在于,所述敏感信息处理设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的敏感信息处理程序,所述敏感信息处理程序被所述处理器执行时实现如权利要求6至8中任一项所述的敏感信息处理方法的步骤。
11.一种可读存储介质,其特征在于,所述可读存储介质上存储有敏感信息处理程序,所述敏感信息处理程序被处理器执行时实现如权利要求1至5中任一项所述的敏感信息处理方法的步骤。
12.一种可读存储介质,其特征在于,所述可读存储介质上存储有敏感信息处理程序,所述敏感信息处理程序被处理器执行时实现如权利要求6至8中任一项所述的敏感信息处理方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911114421.6A CN110851869B (zh) | 2019-11-14 | 2019-11-14 | 敏感信息处理方法、设备及可读存储介质 |
PCT/CN2019/119239 WO2021092973A1 (zh) | 2019-11-14 | 2019-11-18 | 敏感信息处理方法、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911114421.6A CN110851869B (zh) | 2019-11-14 | 2019-11-14 | 敏感信息处理方法、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110851869A true CN110851869A (zh) | 2020-02-28 |
CN110851869B CN110851869B (zh) | 2023-09-19 |
Family
ID=69601798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911114421.6A Active CN110851869B (zh) | 2019-11-14 | 2019-11-14 | 敏感信息处理方法、设备及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110851869B (zh) |
WO (1) | WO2021092973A1 (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111371544A (zh) * | 2020-05-27 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 基于同态加密的预测方法、装置、电子设备及存储介质 |
CN111428265A (zh) * | 2020-03-20 | 2020-07-17 | 深圳前海微众银行股份有限公司 | 基于联邦学习的语句质检方法、装置、设备及存储介质 |
CN111741020A (zh) * | 2020-07-31 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 基于数据隐私保护的公共数据集确定方法、装置及系统 |
CN111984754A (zh) * | 2020-08-20 | 2020-11-24 | 支付宝(杭州)信息技术有限公司 | 一种终端位置审核方法及系统 |
CN112217639A (zh) * | 2020-09-30 | 2021-01-12 | 招商局金融科技有限公司 | 数据的加密共享方法、装置、电子设备及计算机存储介质 |
CN112836239A (zh) * | 2021-02-19 | 2021-05-25 | 支付宝(杭州)信息技术有限公司 | 保护隐私的双方协同确定目标对象数据的方法及装置 |
CN112887297A (zh) * | 2021-01-22 | 2021-06-01 | 支付宝(杭州)信息技术有限公司 | 保护隐私的差异数据确定方法、装置、设备及系统 |
CN113434890A (zh) * | 2021-07-07 | 2021-09-24 | 海通证券股份有限公司 | 数据查询方法及系统、可读存储介质 |
CN113505894A (zh) * | 2021-06-02 | 2021-10-15 | 北京航空航天大学 | 纵向联邦学习线性回归和逻辑回归模型训练方法及装置 |
CN113902533A (zh) * | 2021-10-11 | 2022-01-07 | 税安科技(杭州)有限公司 | 一种适用于财税领域指标自定义和自动化运行的应用 |
CN114840867A (zh) * | 2022-07-01 | 2022-08-02 | 北京融数联智科技有限公司 | 基于可交换加密数据混淆的数据查询方法、装置和系统 |
CN115225869A (zh) * | 2022-09-20 | 2022-10-21 | 广州万协通信息技术有限公司 | 一种监控数据的定向处理方法及装置 |
CN115544579A (zh) * | 2022-11-24 | 2022-12-30 | 北京融数联智科技有限公司 | 一种双随机数据混淆查询方法、装置和系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116915382B (zh) * | 2023-09-14 | 2023-12-15 | 北京隐算科技有限公司 | 一种基于模分量同态的多用户隐私保护方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103795737A (zh) * | 2014-03-12 | 2014-05-14 | 西安电子科技大学 | 社交网络中基于交换加密的隐私匹配方法 |
CN107547525A (zh) * | 2017-08-14 | 2018-01-05 | 复旦大学 | 一种大数据查询处理的隐私保护方法 |
US20180218168A1 (en) * | 2017-01-30 | 2018-08-02 | Google Inc. | Establishing a link between identifiers without disclosing specific identifying information |
CN109165683A (zh) * | 2018-08-10 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于联邦训练的样本预测方法、装置及存储介质 |
CN109241770A (zh) * | 2018-08-10 | 2019-01-18 | 深圳前海微众银行股份有限公司 | 基于同态加密的信息值计算方法、设备及可读存储介质 |
CN109635462A (zh) * | 2018-12-17 | 2019-04-16 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、装置、设备及介质 |
WO2019072315A2 (en) * | 2019-01-11 | 2019-04-18 | Alibaba Group Holding Limited | LOGISTIC REGRESSION MODELING SCHEME USING SECRET SHARING |
CN110288094A (zh) * | 2019-06-10 | 2019-09-27 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法及装置 |
CN110399741A (zh) * | 2019-07-29 | 2019-11-01 | 深圳前海微众银行股份有限公司 | 数据对齐方法、设备及计算机可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9641318B2 (en) * | 2015-01-06 | 2017-05-02 | Google Inc. | Systems and methods for a multiple value packing scheme for homomorphic encryption |
WO2016122513A1 (en) * | 2015-01-29 | 2016-08-04 | Hewlett Packard Enterprise Development Lp | Data analytics on encrypted data elements |
CN111611618B (zh) * | 2017-10-31 | 2023-08-04 | 创新先进技术有限公司 | 一种数据统计方法和装置 |
CN109818752B (zh) * | 2019-02-27 | 2022-09-30 | 矩阵元技术(深圳)有限公司 | 信用评分生成方法、装置、计算机设备和存储介质 |
CN110400162B (zh) * | 2019-04-10 | 2023-12-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、服务器及系统 |
-
2019
- 2019-11-14 CN CN201911114421.6A patent/CN110851869B/zh active Active
- 2019-11-18 WO PCT/CN2019/119239 patent/WO2021092973A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103795737A (zh) * | 2014-03-12 | 2014-05-14 | 西安电子科技大学 | 社交网络中基于交换加密的隐私匹配方法 |
US20180218168A1 (en) * | 2017-01-30 | 2018-08-02 | Google Inc. | Establishing a link between identifiers without disclosing specific identifying information |
CN107547525A (zh) * | 2017-08-14 | 2018-01-05 | 复旦大学 | 一种大数据查询处理的隐私保护方法 |
CN109165683A (zh) * | 2018-08-10 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于联邦训练的样本预测方法、装置及存储介质 |
CN109241770A (zh) * | 2018-08-10 | 2019-01-18 | 深圳前海微众银行股份有限公司 | 基于同态加密的信息值计算方法、设备及可读存储介质 |
CN109635462A (zh) * | 2018-12-17 | 2019-04-16 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、装置、设备及介质 |
WO2019072315A2 (en) * | 2019-01-11 | 2019-04-18 | Alibaba Group Holding Limited | LOGISTIC REGRESSION MODELING SCHEME USING SECRET SHARING |
CN110288094A (zh) * | 2019-06-10 | 2019-09-27 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法及装置 |
CN110399741A (zh) * | 2019-07-29 | 2019-11-01 | 深圳前海微众银行股份有限公司 | 数据对齐方法、设备及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
夏梅宸: "面向特殊应用的安全多方计算协议的研究", no. 09, pages 139 - 35 * |
张锋;常会友;: "基于分布式数据的隐私保持协同过滤推荐研究", vol. 29, no. 08, pages 1487 - 1495 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428265A (zh) * | 2020-03-20 | 2020-07-17 | 深圳前海微众银行股份有限公司 | 基于联邦学习的语句质检方法、装置、设备及存储介质 |
CN111371544A (zh) * | 2020-05-27 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 基于同态加密的预测方法、装置、电子设备及存储介质 |
CN111741020A (zh) * | 2020-07-31 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 基于数据隐私保护的公共数据集确定方法、装置及系统 |
CN111984754A (zh) * | 2020-08-20 | 2020-11-24 | 支付宝(杭州)信息技术有限公司 | 一种终端位置审核方法及系统 |
CN112217639A (zh) * | 2020-09-30 | 2021-01-12 | 招商局金融科技有限公司 | 数据的加密共享方法、装置、电子设备及计算机存储介质 |
CN112217639B (zh) * | 2020-09-30 | 2022-12-20 | 招商局金融科技有限公司 | 数据的加密共享方法、装置、电子设备及计算机存储介质 |
CN112887297A (zh) * | 2021-01-22 | 2021-06-01 | 支付宝(杭州)信息技术有限公司 | 保护隐私的差异数据确定方法、装置、设备及系统 |
CN112836239A (zh) * | 2021-02-19 | 2021-05-25 | 支付宝(杭州)信息技术有限公司 | 保护隐私的双方协同确定目标对象数据的方法及装置 |
CN113505894A (zh) * | 2021-06-02 | 2021-10-15 | 北京航空航天大学 | 纵向联邦学习线性回归和逻辑回归模型训练方法及装置 |
CN113505894B (zh) * | 2021-06-02 | 2023-12-15 | 北京航空航天大学 | 纵向联邦学习线性回归和逻辑回归模型训练方法及装置 |
CN113434890A (zh) * | 2021-07-07 | 2021-09-24 | 海通证券股份有限公司 | 数据查询方法及系统、可读存储介质 |
CN113902533A (zh) * | 2021-10-11 | 2022-01-07 | 税安科技(杭州)有限公司 | 一种适用于财税领域指标自定义和自动化运行的应用 |
CN113902533B (zh) * | 2021-10-11 | 2023-08-25 | 税安科技(杭州)有限公司 | 一种适用于财税领域指标自定义和自动化运行的应用方法 |
CN114840867A (zh) * | 2022-07-01 | 2022-08-02 | 北京融数联智科技有限公司 | 基于可交换加密数据混淆的数据查询方法、装置和系统 |
CN114840867B (zh) * | 2022-07-01 | 2022-09-20 | 北京融数联智科技有限公司 | 基于可交换加密数据混淆的数据查询方法、装置和系统 |
CN115225869A (zh) * | 2022-09-20 | 2022-10-21 | 广州万协通信息技术有限公司 | 一种监控数据的定向处理方法及装置 |
CN115225869B (zh) * | 2022-09-20 | 2022-12-20 | 广州万协通信息技术有限公司 | 一种监控数据的定向处理方法及装置 |
CN115544579A (zh) * | 2022-11-24 | 2022-12-30 | 北京融数联智科技有限公司 | 一种双随机数据混淆查询方法、装置和系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021092973A1 (zh) | 2021-05-20 |
CN110851869B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110851869B (zh) | 敏感信息处理方法、设备及可读存储介质 | |
WO2020177392A1 (zh) | 基于联邦学习的模型参数训练方法、装置、设备及介质 | |
US20210232974A1 (en) | Federated-learning based method of acquiring model parameters, system and readable storage medium | |
CN109255444B (zh) | 基于迁移学习的联邦建模方法、设备及可读存储介质 | |
US10819696B2 (en) | Key attestation statement generation providing device anonymity | |
AU2016220152B2 (en) | Cloud encryption key broker apparatuses, methods and systems | |
CN110633806A (zh) | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 | |
CN108463827B (zh) | 用于检测敏感信息泄漏同时保护隐私的系统和方法 | |
CN110704860A (zh) | 提升安全性的纵向联邦学习方法、设备、系统及存储介质 | |
JP2014119486A (ja) | 秘匿検索処理システム、秘匿検索処理方法、および秘匿検索処理プログラム | |
CN111178884A (zh) | 信息处理方法、装置、设备及可读存储介质 | |
CN112926073A (zh) | 联邦学习建模优化方法、设备、介质及计算机程序产品 | |
CN114417364A (zh) | 一种数据加密方法、联邦建模方法、装置及计算机设备 | |
CN112529586B (zh) | 交易信息管理方法、装置、设备及存储介质 | |
CN116992458A (zh) | 基于可信执行环境的可编程数据处理方法以及系统 | |
CN111490995A (zh) | 保护隐私的模型训练方法和装置、数据处理方法、服务器 | |
CN112800479B (zh) | 利用可信第三方的多方联合数据处理方法及装置 | |
CN105721393A (zh) | 数据安全加密的方法及装置 | |
CN116502732B (zh) | 基于可信执行环境的联邦学习方法以及系统 | |
CN114240347A (zh) | 业务服务安全对接方法、装置、计算机设备、存储介质 | |
CN111368314A (zh) | 基于交叉特征的建模、预测方法、装置、设备及存储介质 | |
CN111414636A (zh) | 识别模型的更新方法、装置、设备及存储介质 | |
EP3306489B1 (en) | Interaction record query processing method and device | |
WO2022110716A1 (zh) | 冷启动推荐方法、装置、计算机设备及存储介质 | |
CN114692121A (zh) | 信息获取方法及相关产品 |
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 |