CN111310208A - 数据处理方法、系统、平台、设备及机器可读介质 - Google Patents

数据处理方法、系统、平台、设备及机器可读介质 Download PDF

Info

Publication number
CN111310208A
CN111310208A CN202010093637.5A CN202010093637A CN111310208A CN 111310208 A CN111310208 A CN 111310208A CN 202010093637 A CN202010093637 A CN 202010093637A CN 111310208 A CN111310208 A CN 111310208A
Authority
CN
China
Prior art keywords
data
training
data processing
training data
processing platform
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.)
Pending
Application number
CN202010093637.5A
Other languages
English (en)
Inventor
周曦
姚志强
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.)
Yuncong Technology Group Co Ltd
Original Assignee
Yuncong Technology Group 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 Yuncong Technology Group Co Ltd filed Critical Yuncong Technology Group Co Ltd
Priority to CN202010093637.5A priority Critical patent/CN111310208A/zh
Publication of CN111310208A publication Critical patent/CN111310208A/zh
Priority to PCT/CN2020/110467 priority patent/WO2021159684A1/zh
Pending legal-status Critical Current

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
    • G06F21/602—Providing cryptographic facilities or services
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Bioethics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Accounting & Taxation (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种数据处理方法、系统、平台、设备及机器可读介质，包括有：数据处理平台接收一个或多个参与方发起的训练任务，及传输的加密训练数据；通过所述数据处理平台的可信执行环境，对所述加密训练数据进行解密，并依据解密后的训练数据，执行所述训练任务。本发明能够将某一个或多个参与方中的训练数据与其余的一个或多个参与方中的训练数据进行共享，再基于共享后的训练数据执行训练任务，进行一次或多次机器学习，实现共享学习，并获得共享学习模型；即本发明能够在由多个数据提供方参与且在各参与方与数据处理平台互相不信任的场景下，能够聚合或协助聚合多方数据信息并保护多方隐私数据。

Description

数据处理方法、系统、平台、设备及机器可读介质
技术领域
本发明涉及数据处理技术领域，特别是涉及一种数据处理方法、系统、平台、设备及机器可读介质。
背景技术
部分企业或机构掌握着一些数据，这些数据可能包括隐私数据和非隐私数据。而对于某些企业或机构而言，其希望利用这些数据来进行分析、评估等。例如，对于金融信贷机构而言，可能用于评估企业资质、企业经营状态、贷款风险等。然而，这些数据可能属于企业或机构的敏感隐私数据，多数企业或机构不方便直接共享给金融机构、政府或公众等。因此，如何在保护数据隐私的情况下，实现数据共享是亟待解决的问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种数据处理方法、系统、平台、设备及机器可读介质，用于解决现有技术中存在的问题。
为实现上述目的及其他相关目的，本发明提供一种数据处理方法，包括有以下步骤：
数据处理平台接收一个或多个参与方发起的训练任务，及传输的加密训练数据；
通过所述数据处理平台的可信执行环境，对所述加密训练数据进行解密，并依据解密后的训练数据，执行所述训练任务。
可选地，数据处理平台接收一个或多个参与方发起的一个或多个训练任务之后，创建一个或多个可信执行环境。
可选地，所述数据处理平台执行一个或多个训练任务后，输出一个或多个共享学习模型。
可选地，所述数据处理平台输出一个或多个共享学习模型之后，对所述一个或多个可信执行环境、所述解密后的训练数据进行销毁。
可选地，所述可信执行环境是指：主处理器内的安全区域，在隔离环境中与操作系统并行运行。
可选地，所述一个或多个参与方分别接收所述数据处理平台传输的一个或多个公钥；所述一个或多个参与方根据所述公钥，对训练数据进行一次或多次加密，获得加密训练数据。
可选地，通过数据处理平台的可信执行环境，利用与所述公钥对应的私钥，对所述加密训练数据进行一次或多次解密。
可选地，采用选择的学习算法，执行所述训练任务；其中，采用的学习算法包括以下至少之一：线性回归、逻辑回归、树模型、深度神经网络、图神经网络。
可选地，所述训练数据包括以下至少之一：社保数据、公积金数据、固定资产数据、流动资产数据。
可选地，所述训练数据包括以下至少之一：存款数据、贷款数据。
本发明还提供一种数据处理系统，包括有：
接收模块，用于数据处理平台接收一个或多个参与方发起的训练任务，及传输的加密训练数据；
训练模块，用于通过所述数据处理平台的可信执行环境，对所述加密训练数据进行解密，并依据解密后的训练数据，执行所述训练任务。
可选地，数据处理平台接收一个或多个参与方发起的一个或多个训练任务之后，创建一个或多个可信执行环境。
可选地，所述数据处理平台执行一个或多个训练任务后，输出一个或多个共享学习模型。
可选地，所述数据处理平台输出一个或多个共享学习模型之后，对所述一个或多个可信执行环境、所述解密后的训练数据进行销毁。
可选地，所述可信执行环境是指：主处理器内的安全区域，在隔离环境中与操作系统并行运行。
可选地，所述一个或多个参与方分别接收所述数据处理平台传输的一个或多个公钥；所述一个或多个参与方根据所述公钥，对训练数据进行一次或多次加密，获得加密训练数据。
可选地，通过数据处理平台的可信执行环境，利用与所述公钥对应的私钥，对所述加密训练数据进行一次或多次解密。
可选地，采用选择的学习算法，执行所述训练任务；其中，采用的学习算法包括以下至少之一：线性回归、逻辑回归、树模型、深度神经网络、图神经网络。
可选地，所述训练数据包括以下至少之一：社保数据、公积金数据、固定资产数据、流动资产数据。
可选地，所述训练数据包括以下至少之一：存款数据、贷款数据。
本发明还提供一种数据处理系统，包括：
管理模块，用于发起训练任务，提供训练数据；
加密模块，用于对训练数据进行加密，获得加密训练数据；
解密模块，用于在可信执行环境中对加密模块的加密训练数据进行解密；
执行模块，用于根据解密后的训练数据，执行所述训练任务。
可选地，还包括：
平台认证模块，用于给数据认证模块下发公钥和认证信息，以及给所述解密模块下发与所述公钥对应的私钥；
数据认证模块，用于根据所述认证信息进行远程认证，以及将所述公钥传输至所述加密模块执行加密。
本发明还提供一种参与端，包括：
管理模块，用于发起训练任务，提供训练数据；
加密模块，用于对训练数据进行加密。
可选地，还包括：
数据认证模块，用于将获取的公钥传输至所述加密模块执行加密。
本发明还提供一种数据处理平台，包括：
解密模块，用于在可信执行环境中对加密训练数据进行解密；
执行模块，用于根据解密后的训练数据，执行所述训练任务。
可选地，还包括：
平台认证模块，用于给所述解密模块下发与公钥对应的私钥，用于所述解密模块解密。
本发明还提供一种数据处理平台，包括数据处理平台本体；
数据处理平台接收一个或多个参与方发起的训练任务，及传输的加密训练数据；
通过所述数据处理平台的可信执行环境，对所述加密训练数据进行解密，并依据解密后的训练数据，执行所述训练任务。
本发明还提供一种设备，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如上述中一个或多个所述的方法。
本发明还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如上述中一个或多个所述的方法。
如上所述，本发明提供的一种数据处理方法、系统、平台、设备及机器可读介质，具有以下有益效果：数据处理平台接收一个或多个参与方发起的训练任务，及传输的加密训练数据；通过所述数据处理平台的可信执行环境，对所述加密训练数据进行解密，并依据解密后的训练数据，执行所述训练任务。本发明能够根据一个或多个参与方发起的一个或多个训练任务，对多个参与方中的训练数据进行加密和解密，再根据解密后的数据执行对应的训练任务；保证在一个或多个可信执行环境中，能够将某一个或多个参与方中的训练数据与其余的一个或多个参与方中的训练数据进行共享，再基于共享后的训练数据执行训练任务，进行一次或多次机器学习，实现共享学习，并获得共享学习模型；即本发明能够在由多个数据提供方参与且在各参与方与数据处理平台互相不信任的场景下，能够聚合或协助聚合多方数据信息并保护多方隐私数据。同时通过销毁所有的可信执行环境，可保证一个或多个参与方中的训练数据安全，实现隐私保护。
附图说明
图1为一实施例提供的数据处理方法的流程示意图；
图2为另一实施例提供的数据处理方法的流程示意图；
图3为一实施例提供的数据处理系统的硬件结构示意图；
图4为另一实施例提供的数据处理系统的硬件结构示意图；
图5为一实施例提供的终端设备的硬件结构示意图；
图6为另一实施例提供的终端设备的硬件结构示意图。
元件标号说明
M10 接收模块
M20 训练模块
M30 模型模块
M40 隐私模块
1100 输入设备
1101 第一处理器
1102 输出设备
1103 第一存储器
1104 通信总线
1200 处理组件
1201 第二处理器
1202 第二存储器
1203 通信组件
1204 电源组件
1205 多媒体组件
1206 语音组件
1207 输入/输出接口
1208 传感器组件
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
可信执行环境(Trusted Execution Environment，TEE)：是主处理器内的安全区域，在隔离环境与操作系统中并行运行。
请参阅图1，本发明提供一种数据处理方法，包括有以下步骤：
S100，数据处理平台接收一个或多个参与方发起的训练任务，及传输的加密训练数据；
S200，通过所述数据处理平台的可信执行环境，对所述加密训练数据进行解密，并依据解密后的训练数据，执行所述训练任务。
根据上述记载，本方法能够根据一个或多个参与方发起的一个或多个训练任务，对多个参与方中的训练数据进行加密和解密，再根据解密后的数据执行对应的训练任务；保证在一个或多个可信执行环境中，能够将某一个或多个参与方中的训练数据与其余的一个或多个参与方中的训练数据进行共享，再基于共享后的训练数据执行训练任务；进行一次或多次机器学习，实现共享学习，并获得共享学习模型。即本发明能够在由多个数据提供方参与且在各参与方与数据处理平台互相不信任的场景下，能够聚合或协助聚合多方数据信息并保护多方隐私数据。其中，参与方包括：银行、企业、政府单位或组织等。
在一示例性实施例中，还包括创建一个或多个可信执行环境，具体如下：数据处理平台接收一个或多个参与方发起的一个或多个训练任务之后，创建一个或多个可信执行环境。其中，可信执行环境是主处理器内的安全区域，在隔离环境中与操作系统的并行运行。可信执行环境加载的代码和数据在隐私性和完整性方面受到保护。
在一示例性实施例中，对至少两个参与方中的训练数据进行一次或多次加密，使参与方中的训练数据生成对应的加密训练数据。具体地，所述一个或多个参与方分别接收所述数据处理平台传输的一个或多个公钥；所述一个或多个参与方根据所述公钥，对训练数据进行一次或多次加密，获得加密训练数据。作为示例，例如在一个或多个可信执行环境中下发一个或多个公钥，然后根据一个或多个公钥对所述至少两个参与方中的训练数据进行一次或多次加密，使每一个参与方中的训练数据生成对应的加密训练数据。
在所述一个或多个可信执行环境中对所述加密数据进行一次或多次解密，获取对应的解密数据。具体地，通过数据处理平台的可信执行环境，利用与所述公钥对应的私钥，对所述加密训练数据进行一次或多次解密。作为示例，例如在一个或多个可信执行环境中下发一个或多个与所述公钥对应的私钥，在一个或多个可信执行环境中根据所述一个或多个与所述公钥对应的私钥对所述加密训练数据进行一次或多次解密，获取对应的解密数据。根据所述解密数据执行所述训练任务，对所述至少两个参与方中的训练数据进行融合学习，使其中的一个或多个参与方中的训练数据能够与另外的一个或多个参与方中的训练数据进行共享。
根据上述记载，本方法能够将参与方中的训练数据进行一次或多次加密后，再在一个或多个可信执行环境中对加密后的数据进行一次或多次解密，获取解密后的数据；将解密后的数据进行一次或多次融合学习，使其中的一个或多个参与方中的训练数据能够与另外的一个或多个参与方中的训练数据进行共享；并基于共享后的数据进行一次或多次学习，实现共享学习。
在一示例性实施例中，还包括：所述数据处理平台输出一个或多个共享学习模型之后，对所述一个或多个可信执行环境、所述解密后的训练数据进行销毁。
通过共享学习模型，能够在历史数据中自动发现规律并利用规律对未知数据进行应用，它能帮助人利用数据做出更好的决策，例如根据历史数据进行预测等。销毁一个或多个可信执行环境，能够保证一个或多个参与方中的训练数据安全，实现隐私保护。
在一些示例性实施例中，基于共享后的数据进行一次或多次学习；采用的学习算法包括以下至少之一：线性回归、逻辑回归、树模型、深度神经网络、图神经网络。通过对学习算法的管理，能够采用多种方式提高学习算法的鲁棒性，增强数据的安全性。同时还可以对共享学习模型进行训练优化，从而提高共享学习模型的性能和泛化能力；训练优化的指标包括以下至少之一：定义评估、算法策略选择、数据集划分、参数调优等。
在一些示例性实施例中，数据包括以下至少之一：隐私数据、非隐私数据。本方法把个人、企业、政府等机构或单位未对外公开的数据称为隐私数据；把社会公众通过一般途径能够得知或获得的数据称为非隐私数据。
在一些示例性实施例中，所述一个或多个参与方中的训练数据包括以下至少之一：社保数据、公积金数据、固定资产数据、流动资产数据。其中，流动资产数据包括以下至少之一：存款数据、贷款数据。
具体地，在某一具体实施例中，若某一银行需要给某一企业进行一笔贷款的发放，其需要对该某一企业进行贷款资质分析、风险评估等，以确保给该某一企业的贷款不会成为坏账。某一地方政府机构掌握该某一企业的社保数据，另一银行掌握该某一企业的其它一笔或多笔贷款数据，另一企业掌握其与该某一企业的正常经营数据。社保数据包括该某一企业参加社保缴纳的员工人数、每一位员工缴纳社保的基数等；贷款数据包括该某一企业的贷款数额、贷款时间、还款数额、还款时间等；经营数据包括货款支付途径、货款支付时间等。在相互不信任、确保隐私数据不会泄漏的条件，将该某一地方政府机构、该另一银行、该另一企业分别作为一个参与方，分别将它们掌握的数据作为共享学习的数据进行共享学习，获取共享学习后的共享学习模型；该银行可以基于该共享学习模型对该企业进行贷款资质分析、风险评估，辅助该银行对该企业的贷款，例如预测该企业未来的营业收入、还款能力等。
如图2所示，还提供一种数据处理方法，包括有以下步骤：
S1，一个或多个参与方发起一个或多个机器学习训练任务；
S2，根据一个或多个训练任务在数据处理平台中创建一个或多个可信执行环境；
S3，一个或多个参与方对本地一个或多个参与方中的训练数据进行处理和加密；
S4，一个或多个参与方把加密训练数据上传至数据处理平台；
S5，数据处理平台在一个或多个可信执行环境中对加密训练数据进行解密；
S6，数据处理平台在一个或多个可信执行环境中对解密后的数据进行融合、共享和学习，得到共享机器学习模型；
S7，数据处理平台销毁所有的可信执行环境以及本地参与方中的训练数据。
其中，步骤S3、步骤S4、步骤S5、步骤S6可以循环执行多次。
综上所述，本实施例提供一种数据处理方法，能够根据一个或多个参与方发起的一个或多个训练任务，对多个参与方中的训练数据进行加密和解密，再根据解密后的数据执行对应的训练任务；保证在一个或多个可信执行环境中，能够将某一个或多个参与方中的训练数据与其余的一个或多个参与方中的训练数据进行共享，再基于共享后的训练数据执行训练任务，进行一次或多次机器学习，实现共享学习，并获得共享学习模型；即本发明能够在由多个数据提供方参与且在各参与方与数据处理平台互相不信任的场景下，能够聚合或协助聚合多方数据信息并保护多方隐私数据。同时通过销毁所有的可信执行环境，可保证一个或多个参与方中的训练数据安全，实现隐私保护。
如图3所示，本发明还提供一种数据处理系统，包括有：
接收模块M10，用于数据处理平台接收一个或多个参与方发起的训练任务，及传输的加密训练数据；
训练模块M20，用于通过所述数据处理平台的可信执行环境，对所述加密训练数据进行解密，并依据解密后的训练数据，执行所述训练任务。
根据上述记载，本系统能够根据一个或多个参与方发起的一个或多个训练任务，对多个参与方中的训练数据进行加密和解密，再根据解密后的数据执行对应的训练任务；保证在一个或多个可信执行环境中，能够将某一个或多个参与方中的训练数据与其余的一个或多个参与方中的训练数据进行共享，再基于共享后的训练数据执行训练任务，进行一次或多次机器学习，实现共享学习，并获得共享学习模型；即本发明能够在由多个数据提供方参与且在各参与方与数据处理平台互相不信任的场景下，能够聚合或协助聚合多方数据信息并保护多方隐私数据。其中，参与方包括：银行、企业、政府单位或组织等。
在一示例性实施例中，还包括创建一个或多个可信执行环境，具体如下：数据处理平台接收一个或多个参与方发起的一个或多个训练任务之后，创建一个或多个可信执行环境。其中，可信执行环境是主处理器内的安全区域，在隔离环境中与操作系统的并行运行。可信执行环境加载的代码和数据在隐私性和完整性方面受到保护。
在一示例性实施例中，对至少两个参与方中的训练数据进行一次或多次加密，使参与方中的训练数据生成对应的加密训练数据。具体地，所述一个或多个参与方分别接收所述数据处理平台传输的一个或多个公钥；所述一个或多个参与方根据所述公钥，对训练数据进行一次或多次加密，获得加密训练数据。作为示例，例如在一个或多个可信执行环境中下发一个或多个公钥，然后根据一个或多个公钥对所述至少两个参与方中的训练数据进行一次或多次加密，使每一个参与方中的训练数据生成对应的加密训练数据。
在所述一个或多个可信执行环境中对所述加密数据进行一次或多次解密，获取对应的解密数据。具体地，通过数据处理平台的可信执行环境，利用与所述公钥对应的私钥，对所述加密训练数据进行一次或多次解密。作为示例，例如在一个或多个可信执行环境中下发一个或多个与所述公钥对应的私钥，在一个或多个可信执行环境中根据所述一个或多个与所述公钥对应的私钥对所述加密训练数据进行一次或多次解密，获取对应的解密数据。根据所述解密数据执行所述训练任务，对所述至少两个参与方中的训练数据进行融合学习，使其中的一个或多个参与方中的训练数据能够与另外的一个或多个参与方中的训练数据进行共享。
根据上述记载，本方法能够将参与方中的训练数据进行一次或多次加密后，再在一个或多个可信执行环境中对加密后的数据进行一次或多次解密，获取解密后的数据；将解密后的数据进行一次或多次融合学习，使其中的一个或多个参与方中的训练数据能够与另外的一个或多个参与方中的训练数据进行共享；并基于共享后的数据进行一次或多次学习，实现共享学习。
在一示例性实施例中，还包括：所述数据处理平台输出一个或多个共享学习模型之后，对所述一个或多个可信执行环境、所述解密后的训练数据进行销毁。
通过共享学习模型，能够在历史数据中自动发现规律并利用规律对未知数据进行应用，它能帮助人利用数据做出更好的决策，例如根据历史数据进行预测等。销毁一个或多个可信执行环境，能够保证一个或多个参与方中的训练数据安全，实现隐私保护。
在一些示例性实施例中，基于共享后的数据进行一次或多次学习；采用的学习算法包括以下至少之一：线性回归、逻辑回归、树模型、深度神经网络、图神经网络。通过对学习算法的管理，能够采用多种方式提高学习算法的鲁棒性，增强数据的安全性。同时还可以对共享学习模型进行训练优化，从而提高共享学习模型的性能和泛化能力；训练优化的指标包括以下至少之一：定义评估、算法策略选择、数据集划分、参数调优等。
在一些示例性实施例中，数据包括以下至少之一：隐私数据、非隐私数据。本方法把个人、企业、政府等机构或单位未对外公开的数据称为隐私数据；把社会公众通过一般途径能够得知或获得的数据称为非隐私数据。
在一些示例性实施例中，所述一个或多个参与方中的训练数据包括以下至少之一：社保数据、公积金数据、固定资产数据、流动资产数据。其中，流动资产数据包括以下至少之一：存款数据、贷款数据。
具体地，在某一具体实施例中，若某一银行需要给某一企业进行一笔贷款的发放，其需要对该某一企业进行贷款资质分析、风险评估等，以确保给该某一企业的贷款不会成为坏账。某一地方政府机构掌握该某一企业的社保数据，另一银行掌握该某一企业的其它一笔或多笔贷款数据，另一企业掌握其与该某一企业的正常经营数据。社保数据包括该某一企业参加社保缴纳的员工人数、每一位员工缴纳社保的基数等；贷款数据包括该某一企业的贷款数额、贷款时间、还款数额、还款时间等；经营数据包括货款支付途径、货款支付时间等。在相互不信任、确保隐私数据不会泄漏的条件，将该某一地方政府机构、该另一银行、该另一企业分别作为一个参与方，分别将它们掌握的数据作为共享学习的数据进行共享学习，获取共享学习后的共享学习模型；该银行可以基于该共享学习模型对该企业进行贷款资质分析、风险评估，辅助该银行对该企业的贷款，例如预测该企业未来的营业收入、还款能力等。
如图4所示，提供一种数据处理系统，包括有：一个或多个参与方和数据处理平台，参与方分别与数据处理平台连接；每一个参与方包括有一个或多个数据源、数据认证模块；数据处理平台包括有平台认证模块、融合学习模块；其中，数据认证模块实现参与方与计算平台的远程认证，接收计算平台下发的公钥，并发送给加密模块对数据进行加密。平台认证模块负责下发公钥到参与方，以及提供私钥给解密模块，私钥用于对参与方上传至平台的加密数据进行解密。平台认证模块负责对运行在可信执行环境的软件代码进行签名，并支持参与方对软件代码进行验签。具体地：一个或多个参与方发起一个或多个机器学习训练任务；根据一个或多个训练任务在数据处理平台中创建一个或多个可信执行环境；一个或多个参与方对本地一个或多个参与方中的训练数据进行处理和加密；一个或多个参与方或参与方把加密数据上传至数据处理平台；数据处理平台在一个或多个可信执行环境中对加密数据进行解密；数据处理平台在一个或多个可信执行环境中对解密后的数据进行融合、共享和学习，得到共享机器学习模型；数据处理平台销毁所有的可信执行环境以及本地参与方中的训练数据。
综上所述，本实施例提供一种数据处理系统，能够根据一个或多个参与方发起的一个或多个训练任务，对多个参与方中的训练数据进行加密和解密，再根据解密后的数据执行对应的训练任务；保证在一个或多个可信执行环境中，能够将某一个或多个参与方中的训练数据与其余的一个或多个参与方中的训练数据进行共享，再基于共享后的训练数据执行训练任务，进行一次或多次机器学习，实现共享学习，并获得共享学习模型；即本发明能够在由多个数据提供方参与且在各参与方与数据处理平台互相不信任的场景下，能够聚合或协助聚合多方数据信息并保护多方隐私数据。同时通过销毁所有的可信执行环境，可保证一个或多个参与方中的训练数据安全，实现隐私保护。
本申请实施例还提供一种数据处理系统，包括有：
管理模块，用于发起训练任务，提供训练数据；
加密模块，用于对训练数据进行加密，获得加密训练数据；
解密模块，用于在可信执行环境中对加密模块的加密训练数据进行解密；
执行模块，用于根据解密后的训练数据，执行所述训练任务。
在一示例性实施例中，还包括有：平台认证模块，用于给数据认证模块下发公钥和认证信息，以及给所述解密模块下发与所述公钥对应的私钥；
数据认证模块，用于根据所述认证信息进行远程认证，以及将所述公钥传输至所述加密模块执行加密。
本实施例提供一种数据处理系统，能够根据一个或多个参与方发起的一个或多个训练任务，对多个参与方中的训练数据进行加密和解密，再根据解密后的数据执行对应的训练任务；保证在一个或多个可信执行环境中，能够将某一个或多个参与方中的训练数据与其余的一个或多个参与方中的训练数据进行共享，再基于共享后的训练数据执行训练任务，进行一次或多次机器学习，实现共享学习，并获得共享学习模型；即本发明能够在由多个数据提供方参与且在各参与方与数据处理平台互相不信任的场景下，能够聚合或协助聚合多方数据信息并保护多方隐私数据。同时通过销毁所有的可信执行环境，可保证一个或多个参与方中的训练数据安全，实现隐私保护。
本申请实施例还提供一种参与端，包括有：
管理模块，用于发起训练任务，提供训练数据；
加密模块，用于对训练数据进行加密。
所述参与端还包括有：数据认证模块，用于将获取的公钥传输至所述加密模块执行加密。
在本实施例中，该数据处理端的具体功能和技术效果参照上述实施例即可，此处不再赘述。
本申请实施例还提供一种数据处理平台，包括：
解密模块，用于在可信执行环境中对加密训练数据进行解密；
执行模块，用于根据解密后的训练数据，执行所述训练任务。
所述数据处理平台还把包括有：平台认证模块，用于给所述解密模块下发与公钥对应的私钥，用于所述解密模块解密。
在本实施例中，该数据处理平台的具体功能和技术效果参照上述实施例即可，此处不再赘述。
本申请实施例还提供了一种数据处理平台，包括有：数据处理平台本体；
数据处理平台接收一个或多个参与方发起的训练任务，及传输的加密训练数据；
通过所述数据处理平台的可信执行环境，对所述加密训练数据进行解密，并依据解密后的训练数据，执行所述训练任务。
在本实施例中，该数据处理设备执行上述系统或方法，具体功能和技术效果参照上述实施例即可，此处不再赘述。
本申请实施例还提供了一种设备，该设备可以包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述设备执行图1所述的方法。在实际应用中，该设备可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3，Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4，Moving Picture Experts GroupAudio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中所述方法所包含步骤的指令(instructions)。
图5为本申请一实施例提供的终端设备的硬件结构示意图。如图所示，该终端设备可以包括：输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，第一存储器1103中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。
可选的，上述第一处理器1101例如可以为中央处理器(Central ProcessingUnit，简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，该第一处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。
可选的，上述输入设备1100可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；输出设备1102可以包括显示器、音响等输出设备。
在本实施例中，该终端设备的处理器包括用于执行各设备中语音识别装置各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。
图6为本申请的一个实施例提供的终端设备的硬件结构示意图。图6是对图5在实现过程中的一个具体的实施例。如图所示，本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。
第二处理器1201执行第二存储器1202所存放的计算机程序代码，实现上述实施例中图1所述方法。
第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，例如消息，图片，视频等。第二存储器1202可能包含随机存取存储器(random access memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
可选地，第二处理器1201设置在处理组件1200中。该终端设备还可以包括：通信组件1203，电源组件1204，多媒体组件1205，语音组件1206，输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定，本实施例对此不作限定。
处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令，以完成上述数据处理方法中的全部或部分步骤。此外，处理组件1200可以包括一个或多个模块，便于处理组件1200和其他组件之间的交互。例如，处理组件1200可以包括多媒体模块，以方便多媒体组件1205和处理组件1200之间的交互。
电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理系统，一个或多个电源，及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板，显示屏可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
语音组件1206被配置为输出和/或输入语音信号。例如，语音组件1206包括一个麦克风(MIC)，当终端设备处于操作模式，如语音识别模式时，麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中，语音组件1206还包括一个扬声器，用于输出语音信号。
输入/输出接口1207为处理组件1200和外围接口模块之间提供接口，上述外围接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。
传感器组件1208包括一个或多个传感器，用于为终端设备提供各个方面的状态评估。例如，传感器组件1208可以检测到终端设备的打开/关闭状态，组件的相对定位，用户与终端设备接触的存在或不存在。传感器组件1208可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在，包括检测用户与终端设备间的距离。在一些实施例中，该传感器组件1208还可以包括摄像头等。
通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个实施例中，该终端设备中可以包括SIM卡插槽，该SIM卡插槽用于插入SIM卡，使得终端设备可以登录GPRS网络，通过互联网与服务器建立通信。
由上可知，在图6实施例中所涉及的通信组件1203、语音组件1206以及输入/输出接口1207、传感器组件1208均可以作为图5实施例中的输入设备的实现方式。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (29)

1.一种数据处理方法，其特征在于，包括：
数据处理平台接收一个或多个参与方发起的训练任务，及传输的加密训练数据；
通过所述数据处理平台的可信执行环境，对所述加密训练数据进行解密，并依据解密后的训练数据，执行所述训练任务。
2.根据权利要求1所述的数据处理方法，其特征在于，数据处理平台接收一个或多个参与方发起的一个或多个训练任务之后，创建一个或多个可信执行环境。
3.根据权利要求2所述的数据处理方法，其特征在于，所述数据处理平台执行一个或多个训练任务后，输出一个或多个共享学习模型。
4.根据权利要求3所述的数据处理方法，其特征在于，所述数据处理平台输出一个或多个共享学习模型之后，对所述一个或多个可信执行环境、所述解密后的训练数据进行销毁。
5.根据权利要求4所述的数据处理方法，其特征在于，所述可信执行环境是指：主处理器内的安全区域，在隔离环境中与操作系统并行运行。
6.根据权利要求1所述的数据处理方法，其特征在于，所述一个或多个参与方分别接收所述数据处理平台传输的一个或多个公钥；所述一个或多个参与方根据所述公钥，对训练数据进行一次或多次加密，获得加密训练数据。
7.根据权利要求6所述的数据处理方法，其特征在于，通过数据处理平台的可信执行环境，利用与所述公钥对应的私钥，对所述加密训练数据进行一次或多次解密。
8.根据权利要求1所述的数据处理方法，其特征在于，采用选择的学习算法，执行所述训练任务；其中，采用的学习算法包括以下至少之一：线性回归、逻辑回归、树模型、深度神经网络、图神经网络。
9.根据权利要求1所述的数据处理方法，其特征在于，所述训练数据包括以下至少之一：社保数据、公积金数据、固定资产数据、流动资产数据。
10.根据权利要求9所述的数据处理方法，其特征在于，所述训练数据包括以下至少之一：存款数据、贷款数据。
11.一种数据处理系统，其特征在于，包括有：
接收模块，用于数据处理平台接收一个或多个参与方发起的训练任务，及传输的加密训练数据；
训练模块，用于通过所述数据处理平台的可信执行环境，对所述加密训练数据进行解密，并依据解密后的训练数据，执行所述训练任务。
12.根据权利要求11所述的数据处理系统，其特征在于，数据处理平台接收一个或多个参与方发起的一个或多个训练任务之后，创建一个或多个可信执行环境。
13.根据权利要求12所述的数据处理系统，其特征在于，所述数据处理平台执行一个或多个训练任务后，输出一个或多个共享学习模型。
14.根据权利要求13所述的数据处理系统，其特征在于，所述数据处理平台输出一个或多个共享学习模型之后，对所述一个或多个可信执行环境、所述解密后的训练数据进行销毁。
15.根据权利要求14所述的数据处理系统，其特征在于，所述可信执行环境是指：主处理器内的安全区域，在隔离环境中与操作系统并行运行。
16.根据权利要求11所述的数据处理系统，其特征在于，所述一个或多个参与方分别接收所述数据处理平台传输的一个或多个公钥；所述一个或多个参与方根据所述公钥，对训练数据进行一次或多次加密，获得加密训练数据。
17.根据权利要求16所述的数据处理系统，其特征在于，通过数据处理平台的可信执行环境，利用与所述公钥对应的私钥，对所述加密训练数据进行一次或多次解密。
18.根据权利要求11所述的数据处理系统，其特征在于，采用选择的学习算法，执行所述训练任务；其中，采用的学习算法包括以下至少之一：线性回归、逻辑回归、树模型、深度神经网络、图神经网络。
19.根据权利要求11所述的数据处理系统，其特征在于，所述训练数据包括以下至少之一：社保数据、公积金数据、固定资产数据、流动资产数据。
20.根据权利要求19所述的数据处理系统，其特征在于，所述训练数据包括以下至少之一：存款数据、贷款数据。
21.一种数据处理系统，其特征在于，包括：
管理模块，用于发起训练任务，提供训练数据；
加密模块，用于对训练数据进行加密，获得加密训练数据；
解密模块，用于在可信执行环境中对加密模块的加密训练数据进行解密；
执行模块，用于根据解密后的训练数据，执行所述训练任务。
22.根据权利要求21所述的数据处理系统，其特征在于，还包括：
平台认证模块，用于给数据认证模块下发公钥和认证信息，以及给所述解密模块下发与所述公钥对应的私钥；
数据认证模块，用于根据所述认证信息进行远程认证，以及将所述公钥传输至所述加密模块执行加密。
23.一种参与端，其特征在于，包括：
管理模块，用于发起训练任务，提供训练数据；
加密模块，用于对训练数据进行加密。
24.根据权利要求23所述的参与端，其特征在于，还包括：
数据认证模块，用于将获取的公钥传输至所述加密模块执行加密。
25.一种数据处理平台，其特征在于，包括：
解密模块，用于在可信执行环境中对加密训练数据进行解密；
执行模块，用于根据解密后的训练数据，执行所述训练任务。
26.根据权利要求25所述的数据处理平台，其特征在于，还包括：
平台认证模块，用于给所述解密模块下发与公钥对应的私钥，用于所述解密模块解密。
27.一种数据处理平台，其特征在于，包括数据处理平台本体；
数据处理平台接收一个或多个参与方发起的训练任务，及传输的加密训练数据；
通过所述数据处理平台的可信执行环境，对所述加密训练数据进行解密，并依据解密后的训练数据，执行所述训练任务。
28.一种设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如权利要求1-10中一个或多个所述的方法。
29.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-10中一个或多个所述的方法。
CN202010093637.5A 2020-02-14 2020-02-14 数据处理方法、系统、平台、设备及机器可读介质 Pending CN111310208A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010093637.5A CN111310208A (zh) 2020-02-14 2020-02-14 数据处理方法、系统、平台、设备及机器可读介质
PCT/CN2020/110467 WO2021159684A1 (zh) 2020-02-14 2020-08-21 数据处理方法、系统、平台、设备及机器可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010093637.5A CN111310208A (zh) 2020-02-14 2020-02-14 数据处理方法、系统、平台、设备及机器可读介质

Publications (1)

Publication Number Publication Date
CN111310208A true CN111310208A (zh) 2020-06-19

Family

ID=71160133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010093637.5A Pending CN111310208A (zh) 2020-02-14 2020-02-14 数据处理方法、系统、平台、设备及机器可读介质

Country Status (2)

Country Link
CN (1) CN111310208A (zh)
WO (1) WO2021159684A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112100145A (zh) * 2020-09-02 2020-12-18 南京三眼精灵信息技术有限公司 数字化模型共享学习系统及方法
CN112598311A (zh) * 2020-12-29 2021-04-02 中国农业银行股份有限公司 一种风险操作识别模型构建方法、风险操作识别方法
CN113095507A (zh) * 2021-04-02 2021-07-09 支付宝(杭州)信息技术有限公司 机器学习模型进行训练、预测的方法、装置、设备及介质
WO2021159684A1 (zh) * 2020-02-14 2021-08-19 云从科技集团股份有限公司 数据处理方法、系统、平台、设备及机器可读介质
CN113569263A (zh) * 2021-07-30 2021-10-29 拉扎斯网络科技（上海）有限公司 跨私域数据的安全处理方法、装置及电子设备
CN113987594A (zh) * 2021-10-26 2022-01-28 深圳前海微众银行股份有限公司 一种区块链签名管理方法及装置
WO2022073264A1 (en) * 2020-10-09 2022-04-14 Huawei Technologies Co., Ltd. Systems and methods for secure and fast machine learning inference in trusted execution environment
TWI775467B (zh) * 2021-06-02 2022-08-21 宏碁智醫股份有限公司 機器學習模型檔案解密方法及用戶裝置
WO2022174787A1 (zh) * 2021-02-22 2022-08-25 支付宝(杭州)信息技术有限公司 模型训练
CN116992458A (zh) * 2023-08-14 2023-11-03 杭州金智塔科技有限公司 基于可信执行环境的可编程数据处理方法以及系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114546527B (zh) * 2022-02-22 2023-10-03 复旦大学 一种纵向多方数据聚合计算解决方案系统
CN114691577B (zh) * 2022-03-11 2024-03-29 中国人民解放军陆军装甲兵学院 一种装备维修训练装置
CN114996694B (zh) * 2022-08-01 2023-01-24 阿里云计算有限公司 一种数据融合方法、设备、系统及存储介质
CN115378703A (zh) * 2022-08-22 2022-11-22 北京冲量在线科技有限公司 基于可信执行环境与Spark的安全可信数据处理系统
CN117132790B (zh) * 2023-10-23 2024-02-02 南方医科大学南方医院 基于人工智能的消化道肿瘤诊断辅助系统
CN117556467B (zh) * 2023-11-23 2024-06-07 深圳市铁穹信息技术有限公司 数据处理方法及相关装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109791633A (zh) * 2016-09-30 2019-05-21 迈克菲有限责任公司 使用基于云的机器学习的静态和动态设备简档信誉
US20190188386A1 (en) * 2018-12-27 2019-06-20 Intel Corporation Protecting ai payloads running in gpu against main cpu residing adversaries
CN110197285A (zh) * 2019-05-07 2019-09-03 清华大学 基于区块链的安全协作深度学习方法及装置
CN110245518A (zh) * 2019-05-31 2019-09-17 阿里巴巴集团控股有限公司 一种数据存储方法、装置及设备
CN110537191A (zh) * 2017-03-22 2019-12-03 维萨国际服务协会 隐私保护机器学习

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10601786B2 (en) * 2017-03-02 2020-03-24 UnifyID Privacy-preserving system for machine-learning training data
CN109308418B (zh) * 2017-07-28 2021-09-24 创新先进技术有限公司 一种基于共享数据的模型训练方法及装置
CN109426732B (zh) * 2017-08-22 2021-09-21 创新先进技术有限公司 一种数据处理方法及装置
CN111460453B (zh) * 2019-01-22 2023-12-12 百度在线网络技术（北京）有限公司 机器学习训练方法、控制器、装置、服务器、终端和介质
CN110796267A (zh) * 2019-11-12 2020-02-14 支付宝(杭州)信息技术有限公司 数据共享的机器学习方法和机器学习装置
CN111310208A (zh) * 2020-02-14 2020-06-19 云从科技集团股份有限公司 数据处理方法、系统、平台、设备及机器可读介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109791633A (zh) * 2016-09-30 2019-05-21 迈克菲有限责任公司 使用基于云的机器学习的静态和动态设备简档信誉
CN110537191A (zh) * 2017-03-22 2019-12-03 维萨国际服务协会 隐私保护机器学习
US20190188386A1 (en) * 2018-12-27 2019-06-20 Intel Corporation Protecting ai payloads running in gpu against main cpu residing adversaries
CN110197285A (zh) * 2019-05-07 2019-09-03 清华大学 基于区块链的安全协作深度学习方法及装置
CN110245518A (zh) * 2019-05-31 2019-09-17 阿里巴巴集团控股有限公司 一种数据存储方法、装置及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王磊等: "共享学习：蚂蚁金服提出全新数据孤岛解决方案", 《HTTP://FINANCE.SINA.COM.CN/STOCK/RELNEWS/US/2019-08-17/DOC-IHYTCITM9849505.SHTML》 *
陈天健: "联邦学习Inside：蚂蚁金服共享学习简介", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/71896430》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021159684A1 (zh) * 2020-02-14 2021-08-19 云从科技集团股份有限公司 数据处理方法、系统、平台、设备及机器可读介质
CN112100145A (zh) * 2020-09-02 2020-12-18 南京三眼精灵信息技术有限公司 数字化模型共享学习系统及方法
CN112100145B (zh) * 2020-09-02 2023-07-04 南京三眼精灵信息技术有限公司 数字化模型共享学习系统及方法
WO2022073264A1 (en) * 2020-10-09 2022-04-14 Huawei Technologies Co., Ltd. Systems and methods for secure and fast machine learning inference in trusted execution environment
CN112598311A (zh) * 2020-12-29 2021-04-02 中国农业银行股份有限公司 一种风险操作识别模型构建方法、风险操作识别方法
WO2022174787A1 (zh) * 2021-02-22 2022-08-25 支付宝(杭州)信息技术有限公司 模型训练
CN113095507A (zh) * 2021-04-02 2021-07-09 支付宝(杭州)信息技术有限公司 机器学习模型进行训练、预测的方法、装置、设备及介质
TWI775467B (zh) * 2021-06-02 2022-08-21 宏碁智醫股份有限公司 機器學習模型檔案解密方法及用戶裝置
CN113569263A (zh) * 2021-07-30 2021-10-29 拉扎斯网络科技（上海）有限公司 跨私域数据的安全处理方法、装置及电子设备
CN113987594A (zh) * 2021-10-26 2022-01-28 深圳前海微众银行股份有限公司 一种区块链签名管理方法及装置
CN116992458A (zh) * 2023-08-14 2023-11-03 杭州金智塔科技有限公司 基于可信执行环境的可编程数据处理方法以及系统

Also Published As

Publication number Publication date
WO2021159684A1 (zh) 2021-08-19

Similar Documents

Publication Publication Date Title
CN111310208A (zh) 数据处理方法、系统、平台、设备及机器可读介质
US11295381B2 (en) Data auditing method and device
US10963579B2 (en) Management of data privacy and security in a pervasive computing environment
JP6929495B2 (ja) 業務処理方法および装置
CN110210246B (zh) 一种基于安全计算的个人数据服务方法和系统
US20170293898A1 (en) Static ctyptographic currency value
CN107222303A (zh) 基于区块链和云平台的数字版权追溯系统建设方法
US20150207786A1 (en) System and method for electronic vault to manage digital contents
WO2019224719A1 (en) Secure multiple cryptocurrency wallet and methods of use thereof
CN107431924A (zh) 将设备标识符和用户标识符相关联的设备盗窃防护
CN110086609A (zh) 数据安全备份和安全恢复的方法及电子设备
CN109995781A (zh) 数据的传输方法、装置、介质以及设备
JP6871411B2 (ja) 暗号動作のセキュアな実行
US11120160B2 (en) Distributed personal data storage and encrypted personal data service based on secure computation
CN104067286A (zh) 无效托管密钥的检测
CN110766548A (zh) 基于区块链的信息处理方法、装置、存储介质及电子设备
WO2021159685A1 (zh) 一种任务处理方法、系统、设备及介质
CN113570369B (zh) 一种区块链隐私交易方法、装置、设备及可读存储介质
US10853898B1 (en) Method and apparatus for controlled messages
CN109359970B (zh) 一种智能卡管理方法、装置及终端设备
Mittal Attribute based encryption for secure data access in cloud
CN112199695A (zh) 应收账款融资的处理方法、装置、电子装置和存储介质
US11722518B2 (en) System for providing enhanced cryptography based response mechanism for malicious attacks
US20240073014A1 (en) System configuration based on smart contracts
US11570076B2 (en) System and method for generating duplicate layered electronic data logs regarding monitored events on a network

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200619