CN110874638A - 面向行为分析的元知识联邦方法、装置、电子设备及系统 - Google Patents

面向行为分析的元知识联邦方法、装置、电子设备及系统 Download PDF

Info

Publication number
CN110874638A
CN110874638A CN202010057686.3A CN202010057686A CN110874638A CN 110874638 A CN110874638 A CN 110874638A CN 202010057686 A CN202010057686 A CN 202010057686A CN 110874638 A CN110874638 A CN 110874638A
Authority
CN
China
Prior art keywords
knowledge
meta
updated
learning
server
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
CN202010057686.3A
Other languages
English (en)
Other versions
CN110874638B (zh
Inventor
邱君华
韩天奇
李宏宇
李晓林
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.)
TONGDUN TECHNOLOGY Co.,Ltd.
Original Assignee
Tong Shield Holdings 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 Tong Shield Holdings Ltd filed Critical Tong Shield Holdings Ltd
Priority to CN202010057686.3A priority Critical patent/CN110874638B/zh
Publication of CN110874638A publication Critical patent/CN110874638A/zh
Application granted granted Critical
Publication of CN110874638B publication Critical patent/CN110874638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/45—Structures or tools for the administration of authentication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Security & Cryptography (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向行为分析的元知识联邦方法，涉及计算机技术领域，包括以下步骤：获取用户行为数据并接收第一元知识
Figure DEST_PATH_IMAGE002
；基于第一元知识
Figure 310299DEST_PATH_IMAGE002
和用户行为数据进行元知识学习得到元知识更新
Figure DEST_PATH_IMAGE004
；将元知识更新
Figure 493019DEST_PATH_IMAGE004
发送至服务器，使元知识更新
Figure 944860DEST_PATH_IMAGE004
进行联邦归集以得到更新后的第一元知识
Figure DEST_PATH_IMAGE006
；接收更新后的第一元知识
Figure 605648DEST_PATH_IMAGE006
并判断第一元知识
Figure 75813DEST_PATH_IMAGE006
是否收敛，若收敛则将第一元知识
Figure 695013DEST_PATH_IMAGE006
作为基准元知识，并进行行为分析；若不收敛则继续进行元知识学习。该方法有效保护用户数据隐私，客户端只需少量用户数据就能快速获得定制元知识，实现任意客户端上的行为分析，适用性强，应用方便，用户体验好。本发明还公开一种面向行为分析的元知识联邦装置、电子设备、计算机存储介质和系统。

Description

面向行为分析的元知识联邦方法、装置、电子设备及系统
技术领域
本发明涉及计算机技术领域，尤其涉及一种面向行为分析的元知识联邦方法、装置、电子设备、存储介质及系统。
背景技术
随着数据泄漏和数据滥用的事件频发，数据隐私受到越来越多的重视，监管部门也在不断推出新政策，以保护用户数据隐私。
在日常生活或工作中，有很多场景会涉及用户隐私，比如网上购物、输入密码、浏览网页等。而在金融场景或其它安全验证场景中，涉及更多的是用户输入密码的动作行为，单个用户在输入自己密码时的动作行为与其他用户输入密码的行为方式是有明显区别的。在用户输入密码的过程中，自动判断用户是否为本人，可以有效防止银行账户被盗等安全问题的发生。在这种行为判断分析的过程中，用户是没有任何感觉的，银行或非银金融机构常常采用这种无感认证方式，为用户账户安全提供保障。
无感认证需要将用户行为数据通过埋点采集的方式上传到服务器端，然后在服务器上训练针对该用户的行为认知模型。但是，如果行为数据在上传过程中被截获，或者在服务器端发生数据泄漏问题，用户账户安全无法得到保障，将会造成非常严重的后果。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种面向行为分析的元知识联邦方法，其通过将元知识更新发送至服务器，使元知识更新通过联邦归集以得到更新后的第一元知识，判断更新后的第一元知识是否收敛，将收敛的第一元知识作为基准元知识，实现对用户行为的分析认证。
本发明的目的之一采用以下技术方案实现：
一种面向行为分析的元知识联邦方法，包括以下步骤：
获取用户行为数据，并接收服务器发送的第一元知识
Figure DEST_PATH_IMAGE001
；
基于所述第一元知识
Figure 298580DEST_PATH_IMAGE001
和所述用户行为数据进行元知识学习，得到元知识更新
Figure 607202DEST_PATH_IMAGE002
；
将所述元知识更新
Figure 681337DEST_PATH_IMAGE002
发送至服务器，使所述元知识更新进行联邦归集以得到更新后 的第一元知识
Figure DEST_PATH_IMAGE003
；
接收所述更新后的第一元知识
Figure 786827DEST_PATH_IMAGE003
并判断所述更新后的第一元知识
Figure 112766DEST_PATH_IMAGE003
是否收敛，若收敛 则将所述更新后的第一元知识
Figure 541474DEST_PATH_IMAGE003
作为基准元知识，并根据所述基准元知识对用户行为进行 分析认证；若不收敛则基于所述更新后的第一元知识
Figure 786510DEST_PATH_IMAGE003
继续进行元知识学习。
进一步地，所述第一元知识
Figure 300668DEST_PATH_IMAGE001
通过所述服务器的基础行为数据训练基础模型获 得。
进一步地，元知识学习包括内层学习和外层学习，基于所述第一元知识
Figure 795410DEST_PATH_IMAGE001
和所述 用户行为数据进行元知识学习，得到元知识更新
Figure 813045DEST_PATH_IMAGE004
，包括：
根据所述第一元知识
Figure 494562DEST_PATH_IMAGE001
，初始化元基础模型的第二元知识
Figure DEST_PATH_IMAGE005
；
根据所述用户行为数据，得到N个任务
Figure 964858DEST_PATH_IMAGE006
，每个任务
Figure DEST_PATH_IMAGE007
包括训练集和验证 集；
内层学习基于单个任务
Figure 976807DEST_PATH_IMAGE007
的训练集训练所述元基础模型，得到所述任务
Figure 973582DEST_PATH_IMAGE007
的元知识
Figure 701367DEST_PATH_IMAGE008
， 所述任务
Figure 799904DEST_PATH_IMAGE007
的验证集通过所述元知识
Figure 5757DEST_PATH_IMAGE008
计算，得到所述任务
Figure 122618DEST_PATH_IMAGE007
的损失
Figure DEST_PATH_IMAGE009
；
外层学习基于N个任务
Figure 365511DEST_PATH_IMAGE006
对应的损失对所述第二元知识
Figure 403874DEST_PATH_IMAGE012
进行优化，得到优化后的第二元知识
Figure DEST_PATH_IMAGE013
；
所述优化后的第二元知识
Figure 754697DEST_PATH_IMAGE013
和所述第二元知识
Figure 867009DEST_PATH_IMAGE012
的初始值经过减法计算，得到所述元 知识更新
Figure 795651DEST_PATH_IMAGE014
。
进一步地，所述元基础模型为机器学习模型、深度学习神经网络中的任一种，所述基础模型与所述元基础模型相同。
本发明的目的之二在于提供一种一种面向行为分析的元知识联邦装置，其通过将元知识更新发送至服务器，使元知识更新通过联邦归集以得到更新后的第一元知识，判断更新后的元知识是否收敛，将收敛的元知识作为基准元知识，实现对用户行为的分析认证。
本发明的目的之二采用以下技术方案实现：
一种一种面向行为分析的元知识联邦装置，其包括：
接收模块，用于获取用户行为数据，并接收服务器发送的第一元知识
Figure 993414DEST_PATH_IMAGE001
；
元知识学习模块，用于基于所述第一元知识
Figure 682016DEST_PATH_IMAGE001
和所述用户行为数据进行元知识学习， 得到元知识更新
Figure DEST_PATH_IMAGE015
；
联邦模块，用于将所述元知识更新
Figure 383255DEST_PATH_IMAGE015
发送至服务器，使所述元知识更新
Figure 482798DEST_PATH_IMAGE015
进行联邦 归集以得到更新后的第一元知识
Figure 433437DEST_PATH_IMAGE016
；
判断分析模块，用于接收所述更新后的第一元知识
Figure 660150DEST_PATH_IMAGE016
并判断所述更新后的第一元知识
Figure 747055DEST_PATH_IMAGE016
是否收敛，若收敛则将所述更新后的第一元知识
Figure 158445DEST_PATH_IMAGE016
作为基准元知识，并根据所述基准元 知识对用户行为进行分析认证；若不收敛则基于所述更新后的第一元知识
Figure 455434DEST_PATH_IMAGE016
继续进行元知 识学习。
本发明的目的之三在于提供执行发明目的之一的电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时本发明目的之一的面向行为分析的元知识联邦方法。
本发明的目的之四在于提供存储发明目的之一的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明目的之一的面向行为分析的元知识联邦方法。
本发明的目的之五在于提供提供一种面向行为分析的元知识联邦系统，其包括：至少二个客户端和服务器；
所述客户端为本发明的目的之三提供的电子设备；所述服务器用于向所述客户端发送 所述第一元知识
Figure DEST_PATH_IMAGE017
；接收元知识更新
Figure 689100DEST_PATH_IMAGE018
，对所述元知识更新
Figure 896090DEST_PATH_IMAGE018
进行联邦归集得到更新后 的第一元知识
Figure 212802DEST_PATH_IMAGE016
，将所述更新后的第一元知识
Figure 997088DEST_PATH_IMAGE016
发送至客户端。
进一步地，当客户端为K个时，所述元知识更新
Figure 690237DEST_PATH_IMAGE018
包括K个客户端的元知识更新
Figure DEST_PATH_IMAGE019
。
进一步地，对所述元知识更新
Figure 98871DEST_PATH_IMAGE018
进行联邦归集得到更新后的第一元知识
Figure 852064DEST_PATH_IMAGE016
，包 括：
计算所述元知识更新
Figure 858066DEST_PATH_IMAGE018
的平均值或中值，将计算结果作为知识更新
Figure 354906DEST_PATH_IMAGE020
；
根据所述知识更新
Figure 880697DEST_PATH_IMAGE020
和所述第一元知识
Figure DEST_PATH_IMAGE021
得到更新后的第一元知识
Figure 132686DEST_PATH_IMAGE016
；
Figure 501351DEST_PATH_IMAGE022
；
其中，
Figure 677248DEST_PATH_IMAGE021
是所述服务器上基础模型当前的第一元知识，
Figure DEST_PATH_IMAGE023
是预设的学习率，
Figure 916600DEST_PATH_IMAGE020
是根 据所述元知识更新
Figure 136229DEST_PATH_IMAGE018
计算得到的知识更新。
相比现有技术，本发明的有益效果在于：
本发明能够保证用户行为数据不会离开客户端或服务器，进而有效保护用户的数据隐私，还能保证每个用户数据均被采用学习，以获得更精准的元知识；客户端只需采集少量用户行为数据，通过服务器对元知识更新进行联邦归集，就能快速获得稳定的定制元知识，从而在任意客户端设备上实现对用户行为的分析认证，适用于任意安全验证场景，实际应用方便，适用性强，用户体验好。
附图说明
图1为本发明实施例一的面向行为分析的元知识联邦方法流程图；
图2为本发明实施例二的元知识学习流程图；
图3为本发明实施例四的面向行为分析的元知识联邦装置的结构框图；
图4为本发明实施例五的电子设备的结构框图；
图5为本发明实施例七的面向行为分析的元知识联邦系统示意图；
图6为本发明实施例七的面向行为分析的元知识联邦过程示意图。
具体实施方式
以下将结合附图，对本发明进行更为详细的描述，需要说明的是，以下参照附图对本发明进行的描述仅是示意性的，而非限制性的。各个不同实施例之间可以进行相互组合，以构成未在以下描述中示出的其他实施例。
实施例一
实施例一提供了一种面向行为分析的元知识联邦方法，旨在通过将元知识更新发送至服务器，使元知识更新通过联邦归集以得到更新后的第一元知识，判断更新后的第一元知识是否收敛，将收敛的第一元知识作为基准元知识，实现对用户行为的分析认证。该方法能够保证用户行为数据不会离开客户端，进而有效保护用户的数据隐私，还能保证每个用户数据均被采用学习，以获得更精准的元知识；客户端只需采集少量用户行为数据，结合联邦归集得到的更新后的第一元知识，就能快速获得稳定的定制元知识，从而在任意客户端设备上实现对用户行为的分析认证，适用于任意安全验证场景，实际应用方便，适用性强，用户体验好。
请参照图1所示，一种面向行为分析的元知识联邦方法，包括以下步骤：
S110、获取用户行为数据，并接收服务器发送的第一元知识
Figure 257768DEST_PATH_IMAGE024
。
用户行为数据可以是从客户端上自行创建的用户行为数据库中获取的，也可以是在客户端上即时采集的用户行为数据，在此不做限定。
第一元知识
Figure 706198DEST_PATH_IMAGE024
是在服务器上根据基础行为数据训练基础模型获得的，用以初始化 元知识学习中元基础模型。
S120、基于第一元知识
Figure 282280DEST_PATH_IMAGE024
和用户行为数据进行元知识学习，得到元知识更新
Figure DEST_PATH_IMAGE025
。
元知识学习对元基础模型进行训练，将第一元知识
Figure 626805DEST_PATH_IMAGE024
作为元基础模型的第二元知 识
Figure 563537DEST_PATH_IMAGE026
的初始值
Figure DEST_PATH_IMAGE027
。
元基础模型与服务器上的基础模型为同一种模型，可以是传统机器学习模型（比如逻辑回归、支持向量机、树模型中的任一种），也可以是深度学习神经网络（比如MLP、CNN、RNN中的任一种），在此不做限定。在实际应用场景中，模型的选择取决于行为数据的规模以及客户端和服务器的计算能力等特点，比如，对于数据较少算力较差的移动客户端可以使用简单的逻辑回归模型，而对于算力较强的企业级客户端可以使用深度网络模型。本实施例中，采用4层神经网络作为元基础模型。
根据用户行为数据，得到N个任务
Figure 564727DEST_PATH_IMAGE028
，单个任务
Figure DEST_PATH_IMAGE029
包括训练集和验证 集。具体的，在用户行为数据中，随机选取1个用户的行为数据设置为标签1，其他用户的行 为数据设置为标签0。分别在标签1和标签0的基础行为数据中，随机选取部分数据作为训练 集，其它数据作为验证集，进行二分类，作为单次任务
Figure 903304DEST_PATH_IMAGE029
。
优选地，在标签1和标签0的用户行为数据中，随机选取50%-90%数据作为训练集，其它数据作为验证集。本实施例中，在标签1和标签0的基础行为数据中，随机选取80%数据作为训练集，20%数据作为验证集。
元知识学习包括内层学习和外层学习。在内层学习中，针对单次任务
Figure 684310DEST_PATH_IMAGE029
，基于预设 的损失函数L和梯度下降算法，利用该任务
Figure 514862DEST_PATH_IMAGE029
的训练集，对元基础模型进行M次迭代训练，得 到该任务
Figure 429729DEST_PATH_IMAGE029
的元知识
Figure 153971DEST_PATH_IMAGE030
；该任务
Figure 27249DEST_PATH_IMAGE029
的验证集通过元知识
Figure 954885DEST_PATH_IMAGE030
和损失函数L计算得到该任务
Figure 939022DEST_PATH_IMAGE029
的损失
Figure DEST_PATH_IMAGE031
。在外层学习中，基于N个任务
Figure 252191DEST_PATH_IMAGE032
对应的损失和 梯度下降算法对第二元知识
Figure DEST_PATH_IMAGE033
进行优化，得到元知识更新
Figure 180144DEST_PATH_IMAGE034
。
该元知识更新
Figure 295868DEST_PATH_IMAGE034
是基于第一元知识
Figure DEST_PATH_IMAGE035
结合客户端上的每个用户行为数据得到 的，能够准确地包含客户端的用户行为特征。
S130、将元知识更新
Figure 211347DEST_PATH_IMAGE036
发送至服务器，使元知识更新进行联邦归集以得到更新 后的第一元知识
Figure DEST_PATH_IMAGE037
。
将元知识更新
Figure 895269DEST_PATH_IMAGE038
发送至服务器，保证用户的原始数据不会离开客户端，有效保 护了客户端用户的数据隐私。
元知识更新
Figure 46764DEST_PATH_IMAGE038
包括K个客户端的元知识更新
Figure DEST_PATH_IMAGE039
，客户端可以是新 增的客户端，也可以是已有的客户端，在此不做限定。元知识更新
Figure 107124DEST_PATH_IMAGE038
在通过服务器进行联 邦归集，得到知识更新
Figure 145619DEST_PATH_IMAGE040
。归集方法可以是直接计算元知识更新
Figure 531601DEST_PATH_IMAGE038
的平均值或者中 值，也可以是对元知识更新
Figure 170392DEST_PATH_IMAGE038
截取，使
Figure DEST_PATH_IMAGE041
的权重均在预设的权重区间 内，计算截取后的元知识更新的平均值或中值，归集方法不限于上述方法。本实施例中，元 知识更新直接经过平均计算得到知识更新
Figure 768864DEST_PATH_IMAGE040
。
根据知识更新
Figure 927444DEST_PATH_IMAGE040
得到更新后的第一元知识
Figure 484327DEST_PATH_IMAGE042
，将更新后的第一元知识
Figure 548098DEST_PATH_IMAGE042
反馈 至客户端，保证了数据隐私安全。
Figure DEST_PATH_IMAGE043
；
其中，
Figure 153523DEST_PATH_IMAGE044
是基础模型当前的第一元知识，
Figure DEST_PATH_IMAGE045
是预设的学习率，
Figure 841643DEST_PATH_IMAGE040
是根据客户端的 元知识更新
Figure 959641DEST_PATH_IMAGE038
计算得到的知识更新。
S140、接收更新后的第一元知识
Figure 917232DEST_PATH_IMAGE042
并判断更新后的第一元知识
Figure 264031DEST_PATH_IMAGE042
是否收敛，若收 敛则将更新后的第一元知识
Figure 256258DEST_PATH_IMAGE042
作为基准元知识，并根据基准元知识对用户行为进行分析认 证；若不收敛则基于更新后的第一元知识
Figure 13998DEST_PATH_IMAGE042
继续进行元知识学习。
接收到的更新后的第一元知识
Figure 990045DEST_PATH_IMAGE042
，是通过多个客户端的元知识更新在服务器上 联邦后得到的，因此各个客户端本身只需采集少量的用户行为数据，就能快速获得适用于 客户端自身的定制元知识。
基于预设的收敛条件，判断更新后的第一元知识
Figure 999589DEST_PATH_IMAGE042
是否收敛。收敛条件可以是当 训练元基础模型的次数达到预设的训练次数时，判定更新后的第一元知识
Figure 987268DEST_PATH_IMAGE042
收敛，比如预 设的训练次数为10000次，当元基础模型训练次数达到10000次时，则判定更新后的第一元 知识
Figure 56855DEST_PATH_IMAGE042
收敛；收敛条件也可以是统计N个任务
Figure 254618DEST_PATH_IMAGE046
的损失，当 所有损失之和小于预设的损失阈值时，则判定更新后的第一元知识
Figure 159306DEST_PATH_IMAGE042
收敛，比如目标函数 L采用交叉熵损失函数时，预设的二分类交叉熵损失阈值为0.1，当N个损失 相加小于0.1，则判定更新后的第一元知识
Figure 960220DEST_PATH_IMAGE042
收敛；收敛条件还可以是统计最近L次损失的最大值和最小值的差值，当差值小于预设的精度阈值时，则判定更新后的 第一元知识
Figure 788685DEST_PATH_IMAGE042
收敛。对更新后的第一元知识
Figure 934495DEST_PATH_IMAGE042
是否收敛的判断条件不限于上述收敛条 件。本实施例中，当元基础模型训练次数达到10000次时，则判定更新后的第一元知识
Figure 106850DEST_PATH_IMAGE042
收 敛。
如果判定更新后的第一元知识
Figure 134325DEST_PATH_IMAGE042
收敛，那么客户端就将该更新后的第一元知识
Figure 810157DEST_PATH_IMAGE042
作为基准元知识。该基准元知识是元知识更新通过服务器上的联邦归集快速获得的稳 定元知识，该基准元知识符合客户端本身用户行为的特征，实现客户端对自身用户行为的 分析认证，适用性强，应用方便。
如果判定更新后的第一元知识
Figure 782661DEST_PATH_IMAGE042
未收敛，则基于更新后的第一元知识
Figure 176733DEST_PATH_IMAGE042
继续进 行步骤S120中的元知识学习，对元基础模型进行训练得到新的元知识更新
Figure DEST_PATH_IMAGE047
，并按步骤 S130将新的元知识更新
Figure 745249DEST_PATH_IMAGE047
发送至服务器，使该元知识更新
Figure 541166DEST_PATH_IMAGE047
进行联邦归集以更新第一 元知识
Figure 418993DEST_PATH_IMAGE042
；重复步骤S120至S140，直到满足收敛条件时获得基准元知识，并停止元知识学 习和联邦归集。
优选地，当新增客户端或者客户端新增用户行为时，可以在基准元知识的基础上，利用自身用户行为数据进行元知识学习，训练该客户端上的元基础模型以获得识别自身用户行为数据的个性化元知识，基于个性化元知识对该客户端上的行为进行分析认证，同时将元知识更新发送至服务器，使元知识更新进行联邦归集，进而获得新的基准元知识。
实施例二
实施例二是在实施例一的基础上进行的改进，元知识学习通过N个任务
Figure 300361DEST_PATH_IMAGE048
的元基础模型训练及优化，得到元知识更新
Figure DEST_PATH_IMAGE049
，该元知识更新
Figure 406988DEST_PATH_IMAGE049
作为 客户端的用户数据发送至服务器，有效保护了客户端上的用户数据隐私。请参照图2所示， 元知识学习包括以下步骤：
S1101、基于单次任务的训练集训练元基础模型，获得单次任务
Figure 57413DEST_PATH_IMAGE050
的元知识
Figure DEST_PATH_IMAGE051
。
针对单次任务
Figure 106140DEST_PATH_IMAGE052
，利用该任务
Figure 474804DEST_PATH_IMAGE052
的训练集对元基础模型进行M次迭代训练，在时间 步t=0至t=M-1，基于预设的损失函数L和梯度下降算法，将任务
Figure 385123DEST_PATH_IMAGE052
的参数
Figure DEST_PATH_IMAGE053
更新为
Figure 624474DEST_PATH_IMAGE054
，参数初始值
Figure DEST_PATH_IMAGE055
为第一元知识
Figure 578524DEST_PATH_IMAGE056
。目标函数L不限于L1损失函数、L2损失函 数、交叉熵损失函数中的一种。
Figure DEST_PATH_IMAGE057
；
其中，
Figure 769903DEST_PATH_IMAGE058
是任务
Figure 874125DEST_PATH_IMAGE060
在时间步t的参数，
Figure DEST_PATH_IMAGE061
是内层学习的学习率，
Figure 92617DEST_PATH_IMAGE062
是参数为
Figure DEST_PATH_IMAGE063
的元基础模型，L是元基础模型的损失函数，
Figure 30617DEST_PATH_IMAGE064
是在时间步t的参数
Figure DEST_PATH_IMAGE065
的梯度。
元基础模型经过M次迭代，将参数
Figure 249240DEST_PATH_IMAGE066
作为任务
Figure 235782DEST_PATH_IMAGE052
的元知识
Figure DEST_PATH_IMAGE067
。
S1102、根据每个任务
Figure 308780DEST_PATH_IMAGE068
的元知识
Figure 11157DEST_PATH_IMAGE068
和对应的验证集， 得到损失。
针对单个任务
Figure 629012DEST_PATH_IMAGE052
，将对应的验证集通过该任务
Figure 353255DEST_PATH_IMAGE052
的元知识
Figure 960954DEST_PATH_IMAGE067
和损失函数L计算， 得到任务
Figure 13223DEST_PATH_IMAGE052
的损失
Figure DEST_PATH_IMAGE069
。
基于N个任务
Figure 607147DEST_PATH_IMAGE068
的训练集分别训练元基础模型，得到N个元知识
Figure 185896DEST_PATH_IMAGE070
，通过每个任务
Figure DEST_PATH_IMAGE071
的验证集和对应的元知识
Figure 698917DEST_PATH_IMAGE070
计算，得到N个任务的损失
Figure 113849DEST_PATH_IMAGE072
。
S1103、外层学习根据N个损失
Figure 636097DEST_PATH_IMAGE072
进行全局优化，得到优化后的第二 元知识
Figure DEST_PATH_IMAGE073
。
基于N个任务
Figure 538194DEST_PATH_IMAGE074
对应的损失
Figure DEST_PATH_IMAGE075
，对第二元知识
Figure 97482DEST_PATH_IMAGE076
进行 优化，得到优化后的第二元知识
Figure 389923DEST_PATH_IMAGE073
。
Figure DEST_PATH_IMAGE077
；
其中，
Figure 309338DEST_PATH_IMAGE078
是元基础模型当前的第二元知识，
Figure DEST_PATH_IMAGE079
是外层学习的学习率，
Figure 350762DEST_PATH_IMAGE080
是 当前第二元知识
Figure 799060DEST_PATH_IMAGE078
的梯度，
Figure DEST_PATH_IMAGE081
是任务
Figure 657426DEST_PATH_IMAGE082
的损失。
S1104、优化后的第二元知识
Figure 521477DEST_PATH_IMAGE073
和第二元知识
Figure 70270DEST_PATH_IMAGE078
的初始值经过减法计算，得到元知 识更新
Figure DEST_PATH_IMAGE083
。
Figure 955049DEST_PATH_IMAGE084
；
其中，
Figure DEST_PATH_IMAGE085
是元基础模型的第二元知识初始值，其值为接收到的服务器第一元知识
Figure 97449DEST_PATH_IMAGE086
，
Figure 437294DEST_PATH_IMAGE073
是通过优化获得的第二元知识。
元知识更新
Figure 840594DEST_PATH_IMAGE083
是客户端基于第一元知识
Figure DEST_PATH_IMAGE087
结合客户端上的每个用户行为数据 得到的，更能准确地包括客户端上用户行为的特征。将该元知识更新
Figure 644077DEST_PATH_IMAGE083
作为客户端的用户 数据参与服务器元知识的联邦归集，保证用户的原始数据不会离开客户端，有效保护了客 户端上的用户数据隐私。
实施例三
实施例三是在实施例一的基础上进行的改进，第一元知识
Figure 257461DEST_PATH_IMAGE086
通过服务器的基础行为 数据训练基础模型获得，以作为客户端上元知识学习中训练的元基础模型的初始值。
基础行为数据可以从自行创建的用户行为数据库中获取，也可以从金融行业或其它行业安全验证场景的第三方用户行为数据库中获取，在此不做限定。
根据基础行为数据，得到X个任务
Figure 728894DEST_PATH_IMAGE088
，并将每个任务
Figure DEST_PATH_IMAGE089
中的行为数 据一部分划分为训练集，一部分划为验证集。具体的，在基础行为数据中，随机选取1个用户 的行为数据设置为标签1，其他用户的行为数据设置为标签0。分别在标签1和标签0的基础 行为数据中，随机选取部分数据作为训练集，其它数据作为验证集，进行二分类，作为单次 任务
Figure 658804DEST_PATH_IMAGE089
。
优选地，在标签1和标签0的基础行为数据中，随机选取50%-90%数据作为训练集，其它数据作为验证集。本实施例中，在标签1和标签0的基础行为数据中，随机选取80%数据作为训练集，20%数据作为验证集。
基础模型与元基础模型为同一种模型，可以是传统机器学习模型（比如逻辑回归、支持向量机、树模型中的任一种），也可以是深度学习神经网络（比如MLP、CNN、RNN中的任一种），在此不做限定。在实际应用场景中，模型的选择取决于行为数据的规模以及服务器和客户端的计算能力等特点。本实施例中，采用4层神经网络作为基础模型。
对基础行为数据的学习同样包括内层学习和外层学习。在内层学习中，针对单次 任务
Figure 557490DEST_PATH_IMAGE090
，通过目标函数L与基础元知识
Figure DEST_PATH_IMAGE091
在当前梯度方向上，对训练集进行一定步数的迭 代学习，得到新的基础元知识
Figure 612165DEST_PATH_IMAGE092
。目标函数L不限于L1损失函数、L2损失函数、交叉熵损失 函数中的一种。
Figure DEST_PATH_IMAGE093
；
其中，
Figure 949605DEST_PATH_IMAGE091
是任务
Figure 61917DEST_PATH_IMAGE090
当前的基础元知识，
Figure 6871DEST_PATH_IMAGE091
的初始值是随机生成的，
Figure 204634DEST_PATH_IMAGE094
是内层学习的 学习率，
Figure DEST_PATH_IMAGE095
是基础元知识为
Figure 876924DEST_PATH_IMAGE091
的基础模型，L是该基础模型的损失函数，
Figure 578164DEST_PATH_IMAGE096
是当 期基础元知识
Figure 974246DEST_PATH_IMAGE091
的梯度。
用更新后的基础元知识
Figure 393726DEST_PATH_IMAGE092
在验证集上通过目标函数计算，得到损失
Figure DEST_PATH_IMAGE097
。所有任务
Figure 869707DEST_PATH_IMAGE098
学习得到的基础元知识
Figure DEST_PATH_IMAGE099
均在对应的验证集上进行计算， 得到相应的损失
Figure 425453DEST_PATH_IMAGE100
。
外层学习基于所有损失
Figure DEST_PATH_IMAGE101
进行对全局优化，将优化获得的基础元知 识
Figure 446630DEST_PATH_IMAGE102
作为第一元知识
Figure DEST_PATH_IMAGE103
，同样保护了服务器上的用户数据隐私。
Figure 212460DEST_PATH_IMAGE104
；
其中，
Figure 367498DEST_PATH_IMAGE103
是基础模型当前的基础元知识，
Figure DEST_PATH_IMAGE105
是外层学习的学习率，
Figure 653117DEST_PATH_IMAGE106
是当前基础元知识
Figure 500987DEST_PATH_IMAGE103
的梯度，
Figure DEST_PATH_IMAGE107
是任务
Figure 488535DEST_PATH_IMAGE108
的损失。
通过内层学习和外层学习获得的第一元知识
Figure 791471DEST_PATH_IMAGE103
更加鲁邦和稳定，可以为任意客 户端设备的用户身份认证提供元知识基础，使得客户端只需少量的用户行为数据，就能在 第一元知识的基础上，快速获得适用于该客户端的定制元知识。
实施例四
实施例四公开了一种对应上述实施例的一种面向行为分析的元知识联邦装置，为上述实施例的虚拟装置结构，请参照图3所示，包括：
接收模块210，用于获取用户行为数据，并接收服务器发送的第一元知识
Figure 712023DEST_PATH_IMAGE103
；
元知识学习模块220，用于基于所述第一元知识
Figure 540914DEST_PATH_IMAGE103
和所述用户行为数据进行元知识学 习，得到元知识更新
Figure DEST_PATH_IMAGE109
；
联邦模块230，用于将所述元知识更新
Figure 219020DEST_PATH_IMAGE109
发送至服务器，使所述元知识更新
Figure 591227DEST_PATH_IMAGE109
进行 联邦归集以得到更新后的第一元知识
Figure 241651DEST_PATH_IMAGE110
；
判断分析模块240，用于接收所述更新后的第一元知识
Figure 555958DEST_PATH_IMAGE110
并判断所述更新后的第一元 知识
Figure 659043DEST_PATH_IMAGE110
是否收敛，若收敛则将所述更新后的第一元知识
Figure 959574DEST_PATH_IMAGE110
作为基准元知识，并根据所述基 准元知识对用户行为进行分析认证；若不收敛则基于所述更新后的第一元知识
Figure 605450DEST_PATH_IMAGE110
继续进 行元知识学习。
实施例五
图4为本发明实施例五提供的一种电子设备的结构示意图，如图4所示，该电子设备包括处理器310、存储器320、输入装置330和输出装置340；计算机设备中处理器310的数量可以是一个或多个，图4中以一个处理器310为例；电子设备中的处理器310、存储器320、输入装置330和输出装置340可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器320作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的面向行为分析的元知识联邦方法对应的程序指令/模块（例如，面向行为分析的元知识联邦装置中的接收模块210、元知识学习模块220、联邦模块230和判断分析模块240）。处理器310通过运行存储在存储器320中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述实施例中的面向行为分析的元知识联邦方法。
存储器320可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器320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，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器320可进一步包括相对于处理器310远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可用于接收用户行为数据、第一元知识
Figure DEST_PATH_IMAGE111
等。输出装置340可包括显 示屏等显示设备。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行面向行为分析的元知识联邦方法，包括：
获取用户行为数据，并接收服务器发送的第一元知识
Figure 559500DEST_PATH_IMAGE111
；
基于所述第一元知识
Figure 415460DEST_PATH_IMAGE111
和所述用户行为数据进行元知识学习，得到元知识更新
Figure 254103DEST_PATH_IMAGE112
；
将所述元知识更新
Figure 20065DEST_PATH_IMAGE112
发送至服务器，使所述元知识更新
Figure 285962DEST_PATH_IMAGE112
进行联邦归集以得到 更新后的第一元知识
Figure DEST_PATH_IMAGE113
；
接收所述更新后的第一元知识
Figure 222694DEST_PATH_IMAGE113
并判断所述更新后的第一元知识
Figure 865027DEST_PATH_IMAGE113
是否收敛，若收 敛则将所述更新后的第一元知识
Figure 222846DEST_PATH_IMAGE113
作为基准元知识，并根据所述基准元知识对用户行为进 行分析认证；若不收敛则基于所述更新后的第一元知识
Figure 925223DEST_PATH_IMAGE113
继续进行元知识学习。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的基于面向行为分析的元知识联邦方法中的相关操作。
实施例七
本发明实施例七还提供一种面向行为分析的元知识联邦系统，该系统包括至少二个客户端和服务器。
客户端为上述实施例五提供的电子设备，例如手机、平板电脑等。服务器可以为云 端服务器、以及与客户端实现有线或无线通讯的计算机等，服务器用于向客户端发送第一 元知识
Figure 490197DEST_PATH_IMAGE114
；接收元知识更新
Figure DEST_PATH_IMAGE115
，对元知识更新
Figure 529697DEST_PATH_IMAGE115
进行联邦归集得到更新后的第一元知 识
Figure 129305DEST_PATH_IMAGE113
，将更新后的第一元知识
Figure 612370DEST_PATH_IMAGE113
发送至客户端。
客户端上的元基础模型与服务器上的基础模型使用一种模型，模型为逻辑回归、支持向量机、树模型、MLP、CNN、RNN中的任一种，在此不做限定。在实际应用场景中，模型的选择取决于数据的规模以及客户端和服务器的计算能力等特点。比如，对于数据较少算力较差的移动客户端可以使用简单的逻辑回归模型，而对于算力较强的企业级客户端可以使用深度网络模型。本实施例中，采用4层神经网络作为元基础模型和基础模型。
优选地，服务器学习基础行为数据训练基础模型，得到第一元知识
Figure 930219DEST_PATH_IMAGE114
。对基础行为 数据的学习包括内层学习和外层学习。将基础行为数据划分为多个任务的训练集和验证 集。在内层学习中，针对单次任务，通过目标函数和梯度下降法，对基础模型进行一定步数 的迭代训练得到元知识；该次任务的验证集通过该元知识和目标函数计算得到损失。外层 学习基于所有单次任务得到的损失和梯度下降法进行全局优化，得到第一元知识
Figure 38990DEST_PATH_IMAGE114
，并将 第一元知识
Figure 227525DEST_PATH_IMAGE114
下发给客户端。
多个客户端基于服务器发送的第一元知识
Figure 271705DEST_PATH_IMAGE114
，利用自身的用户行为数据进行元知 识学习，训练元基础模型得到元知识更新
Figure 952216DEST_PATH_IMAGE115
。客户端上元基础模型的训练方法和服务器 上基础模型的训练方法相同。
本实施例中，客户端为K个，K个客户端获得一一对应的元知识更新
Figure 474464DEST_PATH_IMAGE116
，第i个客户端对应元知识更新
Figure DEST_PATH_IMAGE117
，将K个元知识更新
Figure 642140DEST_PATH_IMAGE118
发送至服务器。请参照图5所示，服务器对接收到的K个元知识更新
Figure DEST_PATH_IMAGE119
进行联邦归集。归集方法可以是直接计算K个元知识更新
Figure 201429DEST_PATH_IMAGE120
的平均值或者中值，也可以是对元知识更新
Figure DEST_PATH_IMAGE121
截 取，使
Figure 962711DEST_PATH_IMAGE122
的权重均在预设的权重区间内，计算截取后的元知识更新的平 均值或中值，归集方法不限于上述方法。本实施例中，K个元知识更新
Figure DEST_PATH_IMAGE123
直接经过平均计算得到知识更新
Figure 882126DEST_PATH_IMAGE124
。根据知识更新
Figure 310833DEST_PATH_IMAGE124
更新第一元知识
Figure 569252DEST_PATH_IMAGE125
，并将更新后 的第一元知识
Figure DEST_PATH_IMAGE126
发送给各个客户端。
Figure 676885DEST_PATH_IMAGE127
；
其中，
Figure 806515DEST_PATH_IMAGE125
是基础模型当前的第一元知识，
Figure DEST_PATH_IMAGE128
是预设的学习率，
Figure 699516DEST_PATH_IMAGE124
是根据客户端的元 知识更新
Figure 990820DEST_PATH_IMAGE129
计算得到的知识更新。
基于预设的收敛条件，判断更新后的第一元知识
Figure 992274DEST_PATH_IMAGE126
是否收敛。当更新后的第一元 知识
Figure 784649DEST_PATH_IMAGE126
收敛时，将该更新后的第一元知识
Figure 187949DEST_PATH_IMAGE126
作为基准元知识，客户端根据该基准元知识对 用户行为进行分析认证。当更新后的第一元知识
Figure 915733DEST_PATH_IMAGE126
未收敛时，继续在客户端进行元知识学 习，并发送服务器进行联邦归集，直到收敛为止。K个客户端与服务器进行元知识联邦，其中 第
Figure DEST_PATH_IMAGE130
个客户端与服务器的元知识联邦过程如图6所示。
优选地，当新增客户端或客户端有新的用户数据时，服务器将最后一次迭代获得的稳定的元知识发送给该客户端。该客户端基于服务器发送的稳定元知识，结合自身用户数据再次训练，得到可以用来识别自身数据的个性化元知识，并同时将获得的元知识更新发送至服务器。服务器对元知识更新进一步联邦归集，并更新服务器上的元知识，从而适应新增数据的客户端进行分析认证。
该面向行为分析的元知识联邦系统确保用户原始数据不会离开客户端或服务器，有效地保护了用户的数据隐私，并且客户端上的每个用户数据都能被采用学习，以获得更精准的元知识；客户端只需采集少量用户行为数据，通过服务器对元知识进行联邦归集，就能快速获得稳定的定制元知识，从而在任意客户端设备上实现对用户行为的分析认证，适用于任意安全验证场景，实际应用方便，适用性强，用户体验好。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（RandomAccess Memory， RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台电子设备（可以是手机，个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
值得注意的是，上述基于行为分析装置实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (10)

1.一种面向行为分析的元知识联邦方法，其特征在于：包括以下步骤：
获取用户行为数据，并接收服务器发送的第一元知识
Figure 947384DEST_PATH_IMAGE001
；
基于所述第一元知识
Figure 943153DEST_PATH_IMAGE001
和所述用户行为数据进行元知识学习，得到元知识更新
Figure 254049DEST_PATH_IMAGE002
；
将所述元知识更新
Figure 445996DEST_PATH_IMAGE002
发送至服务器，使所述元知识更新
Figure 542259DEST_PATH_IMAGE002
进行联邦归集以得到更新 后的第一元知识
Figure 895880DEST_PATH_IMAGE003
；
接收所述更新后的第一元知识
Figure 694071DEST_PATH_IMAGE003
并判断所述更新后的第一元知识
Figure 627392DEST_PATH_IMAGE003
是否收敛，若收敛 则将所述更新后的第一元知识
Figure 827429DEST_PATH_IMAGE003
作为基准元知识，并根据所述基准元知识对用户行为进行 分析认证；若不收敛则基于所述更新后的第一元知识
Figure 102684DEST_PATH_IMAGE003
继续进行元知识学习。
2.如权利要求1所述的一种面向行为分析的元知识联邦方法，其特征在于：所述第一元 知识
Figure 653751DEST_PATH_IMAGE001
通过所述服务器的基础行为数据训练基础模型获得。
3.如权利要求2所述的一种面向行为分析的元知识联邦方法，其特征在于：元知识学习 包括内层学习和外层学习，基于所述第一元知识
Figure 921921DEST_PATH_IMAGE001
和所述用户行为数据进行元知识学习， 得到元知识更新
Figure 976465DEST_PATH_IMAGE004
，包括：
根据所述第一元知识
Figure 685271DEST_PATH_IMAGE001
，初始化元基础模型的第二元知识
Figure 661317DEST_PATH_IMAGE005
；
根据所述用户行为数据，得到N个任务
Figure 467599DEST_PATH_IMAGE006
，每个任务包括训练集和验证集；
内层学习基于单个任务
Figure 642228DEST_PATH_IMAGE007
的训练集训练所述元基础模型，得到所述任务
Figure 508553DEST_PATH_IMAGE007
的元知识
Figure 784945DEST_PATH_IMAGE008
， 所述任务
Figure 394918DEST_PATH_IMAGE007
的验证集通过所述元知识
Figure 424054DEST_PATH_IMAGE009
计算，得到所述任务
Figure 930121DEST_PATH_IMAGE007
的损失
Figure 411918DEST_PATH_IMAGE010
；
外层学习基于N个任务
Figure 841894DEST_PATH_IMAGE011
对应的损失对所述第二元知识
Figure 402505DEST_PATH_IMAGE014
进行优化，得到优化后的第二元知识
Figure 371598DEST_PATH_IMAGE015
；
所述优化后的第二元知识
Figure 323374DEST_PATH_IMAGE016
和所述第二元知识
Figure 343413DEST_PATH_IMAGE014
的初始值经过减法计算，得到所述元 知识更新
Figure 988021DEST_PATH_IMAGE004
。
4.如权利要求3所述的一种面向行为分析的元知识联邦方法，其特征在于：所述元基础模型为机器学习模型、深度学习神经网络中的任一种，所述基础模型与所述元基础模型相同。
5.一种面向行为分析的元知识联邦装置，其特征在于：其包括：
接收模块，用于获取用户行为数据，并接收服务器发送的第一元知识
Figure 444410DEST_PATH_IMAGE001
；
元知识学习模块，用于基于所述第一元知识
Figure 403139DEST_PATH_IMAGE001
和所述用户行为数据进行元知识学习， 得到元知识更新
Figure 995794DEST_PATH_IMAGE004
；
联邦模块，用于将所述元知识更新
Figure 830545DEST_PATH_IMAGE004
发送至服务器，使所述元知识更新
Figure 774230DEST_PATH_IMAGE004
进行联邦 归集以得到更新后的第一元知识
Figure 536650DEST_PATH_IMAGE017
；
判断分析模块，用于接收所述更新后的第一元知识
Figure 249391DEST_PATH_IMAGE017
并判断所述更新后的第一元知识
Figure 235802DEST_PATH_IMAGE017
是否收敛，若收敛则将所述更新后的第一元知识
Figure 417515DEST_PATH_IMAGE017
作为基准元知识，并根据所述基准元知 识对用户行为进行分析认证；若不收敛则基于所述更新后的第一元知识
Figure 718047DEST_PATH_IMAGE017
继续进行元知识 学习。
6.一种电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，其特征在于，所述计算机程序被处理器执行时执行权利要求1至4任一项所述的面向行为分析的元知识联邦方法。
7.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至4任一项所述的面向行为分析的元知识联邦方法。
8.一种面向行为分析的元知识联邦系统，其特征在于，其包括：至少二个客户端和服务器；
所述客户端为权利要求6所述的电子设备；所述服务器用于向所述客户端发送所述第 一元知识
Figure 550873DEST_PATH_IMAGE001
；接收元知识更新
Figure 708185DEST_PATH_IMAGE004
，对所述元知识更新
Figure 626463DEST_PATH_IMAGE004
进行联邦归集得到更新后的第一 元知识
Figure 278155DEST_PATH_IMAGE017
，将所述更新后的第一元知识
Figure 903171DEST_PATH_IMAGE017
发送至客户端。
9.如权利要求8所述的一种面向行为分析的元知识联邦系统，其特征在于：当客户端为 K个时，所述元知识更新
Figure 496964DEST_PATH_IMAGE018
包括K个客户端的元知识更新
Figure 636958DEST_PATH_IMAGE019
。
10.如权利要求8或9任一项所述的一种面向行为分析的元知识联邦系统，其特征在于： 对所述元知识更新
Figure 341609DEST_PATH_IMAGE020
进行联邦归集得到更新后的第一元知识
Figure 86711DEST_PATH_IMAGE021
，包括：
计算所述元知识更新
Figure 602137DEST_PATH_IMAGE018
的平均值或中值，将计算结果作为知识更新
Figure 229428DEST_PATH_IMAGE022
；
根据所述知识更新
Figure 675452DEST_PATH_IMAGE022
和所述第一元知识
Figure 71799DEST_PATH_IMAGE023
得到更新后的第一元知识
Figure 741814DEST_PATH_IMAGE024
；
Figure 869783DEST_PATH_IMAGE025
；
其中，
Figure 650657DEST_PATH_IMAGE026
是所述服务器上基础模型当前的第一元知识，
Figure 370351DEST_PATH_IMAGE027
是预设的学习率，
Figure 211269DEST_PATH_IMAGE028
是根据 所述元知识更新
Figure 78730DEST_PATH_IMAGE029
计算得到的知识更新。
CN202010057686.3A 2020-01-19 2020-01-19 面向行为分析的元知识联邦方法、装置、电子设备及系统 Active CN110874638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010057686.3A CN110874638B (zh) 2020-01-19 2020-01-19 面向行为分析的元知识联邦方法、装置、电子设备及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010057686.3A CN110874638B (zh) 2020-01-19 2020-01-19 面向行为分析的元知识联邦方法、装置、电子设备及系统

Publications (2)

Publication Number Publication Date
CN110874638A true CN110874638A (zh) 2020-03-10
CN110874638B CN110874638B (zh) 2020-06-02

Family

ID=69717677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010057686.3A Active CN110874638B (zh) 2020-01-19 2020-01-19 面向行为分析的元知识联邦方法、装置、电子设备及系统

Country Status (1)

Country Link
CN (1) CN110874638B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382403A (zh) * 2020-03-17 2020-07-07 同盾控股有限公司 用户行为识别模型的训练方法、装置、设备及存储介质
CN112348192A (zh) * 2020-09-18 2021-02-09 同盾控股有限公司 基于知识联邦的知识推理方法、系统、设备及介质
WO2021184836A1 (zh) * 2020-03-20 2021-09-23 深圳前海微众银行股份有限公司 识别模型的训练方法、装置、设备及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376120A (zh) * 2014-12-04 2015-02-25 浙江大学 一种信息检索方法及系统
CN104980518A (zh) * 2015-06-26 2015-10-14 深圳市腾讯计算机系统有限公司 多学习主体并行训练模型的方法、装置和系统
CN105938544A (zh) * 2016-04-05 2016-09-14 大连理工大学 基于综合型线性分类器和解析型字典的行为识别方法
CN106127164A (zh) * 2016-06-29 2016-11-16 北京智芯原动科技有限公司 基于显著性检测和卷积神经网络的行人检测方法及装置
CN106203632A (zh) * 2016-07-12 2016-12-07 中国科学院科技政策与管理科学研究所 一种有限知识集再组合并分布萃取的学习与应用系统方法
CN109871954A (zh) * 2018-12-24 2019-06-11 腾讯科技（深圳）有限公司 训练样本生成方法、异常检测方法及装置
CN110245723A (zh) * 2019-06-27 2019-09-17 南京大学 一种安全可靠的图像分类半监督机器学习方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376120A (zh) * 2014-12-04 2015-02-25 浙江大学 一种信息检索方法及系统
CN104980518A (zh) * 2015-06-26 2015-10-14 深圳市腾讯计算机系统有限公司 多学习主体并行训练模型的方法、装置和系统
CN105938544A (zh) * 2016-04-05 2016-09-14 大连理工大学 基于综合型线性分类器和解析型字典的行为识别方法
CN106127164A (zh) * 2016-06-29 2016-11-16 北京智芯原动科技有限公司 基于显著性检测和卷积神经网络的行人检测方法及装置
CN106203632A (zh) * 2016-07-12 2016-12-07 中国科学院科技政策与管理科学研究所 一种有限知识集再组合并分布萃取的学习与应用系统方法
CN109871954A (zh) * 2018-12-24 2019-06-11 腾讯科技（深圳）有限公司 训练样本生成方法、异常检测方法及装置
CN110245723A (zh) * 2019-06-27 2019-09-17 南京大学 一种安全可靠的图像分类半监督机器学习方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁立中等: "支持向量学习的多参数同时调节", 《软件学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382403A (zh) * 2020-03-17 2020-07-07 同盾控股有限公司 用户行为识别模型的训练方法、装置、设备及存储介质
WO2021184836A1 (zh) * 2020-03-20 2021-09-23 深圳前海微众银行股份有限公司 识别模型的训练方法、装置、设备及可读存储介质
CN112348192A (zh) * 2020-09-18 2021-02-09 同盾控股有限公司 基于知识联邦的知识推理方法、系统、设备及介质

Also Published As

Publication number Publication date
CN110874638B (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
CN112348204B (zh) 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法
CN113609521B (zh) 一种基于对抗训练的联邦学习隐私保护方法及系统
US20200195667A1 (en) Url attack detection method and apparatus, and electronic device
KR102151862B1 (ko) 서비스 처리 방법 및 장치
CN107316198B (zh) 账户风险识别方法及装置
CN107872436B (zh) 一种账号识别方法、装置及系统
CN106682906B (zh) 一种风险识别、业务处理方法和设备
CN113408743A (zh) 联邦模型的生成方法、装置、电子设备和存储介质
EP2691848A1 (en) Determining machine behavior
Liu et al. D2MIF: A malicious model detection mechanism for federated learning empowered artificial intelligence of things
CN110855648A (zh) 一种网络攻击的预警控制方法及装置
CN110874638B (zh) 面向行为分析的元知识联邦方法、装置、电子设备及系统
CN110929799A (zh) 用于检测异常用户的方法、电子设备和计算机可读介质
JP2018530093A (ja) クレジット点数モデルトレーニング方法、クレジット点数計算方法、装置及びサーバー
CN112799708A (zh) 联合更新业务模型的方法及系统
TWI701932B (zh) 一種身份認證方法、伺服器及用戶端設備
CN110659807A (zh) 一种基于链路的风险用户识别方法及装置
CN112488163A (zh) 一种异常账号的识别方法、装置、计算机设备及存储介质
CN115481441A (zh) 面向联邦学习的差分隐私保护方法及装置
CN109313645B (zh) 人工智能终端系统、服务器及其行为控制方法
CN109313635B (zh) 人工智能的行为控制数据库的建立方法及其设备、系统及存储介质
Ali-Eldin et al. A risk evaluation approach for authorization decisions in social pervasive applications
CN113011893B (zh) 数据处理方法、装置、计算机设备及存储介质
CN114417394A (zh) 基于区块链的数据存证方法、装置、设备及可读存储介质
CN109902831B (zh) 业务决策处理方法以及装置

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
TR01 Transfer of patent right

Effective date of registration: 20210917

Address after: Room 209, building 18, No. 998, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province

Patentee after: TONGDUN TECHNOLOGY Co.,Ltd.

Address before: Room 704, building 18, No. 998, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province

Patentee before: TONGDUN HOLDINGS Co.,Ltd.

TR01 Transfer of patent right