用于联邦特征工程数据处理的方法和装置
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于联邦特征工程数据处理的方法和装置。
背景技术
特征工程是机器学习建模中最重要的一环。在机器学习业界流传着这么一句话:“数据和特征决定了机器学习的上限,模型和算法只能逼近这个上限。”也就是说,没有优良的数据集和合理的特征工程,模型和算法也无法达到预期的效果。特征工程的重要性和数据本身一样,可以极大影响机器学习建模的最终效果。
联邦建模过程中,联邦特征工程作为决定联邦模型最终效果的重要的一环,需要通过数据在多方之间加密传输和计算的方式来完成。这种传输过程势必会消耗大量的网络和存储资源,影响联邦建模效率。
发明内容
本公开的实施例提出了用于联邦特征工程数据处理的方法和装置。
第一方面,本公开的实施例提供了一种用于联邦特征工程数据处理的方法,应用于业务端,包括:向数据端发送业务端的样本的样本ID、同态加密的正样本标签和同态加密的常数;接收所述数据端发送的各分箱的密文求和结果;将所述数据端的各分箱的密文求和结果解密,得到所述数据端的各分箱的解密结果;基于所述数据端的解密结果对变量相关性进行分析,得到所述数据端的分析结果;将所述数据端的分析结果发给所述数据端。
在一些实施例中,解密结果包括:正样本标签的运算结果、负样本标签的运算结果;以及基于所述数据端的解密结果对变量相关性进行分析,得到所述数据端的分析结果,包括:基于所述数据端的各分箱的正样本标签的运算结果和负样本标签的运算结果计算所述数据端的每个分箱的正样本总数和负样本总数、所有分箱的正样本总数和负样本总数;根据所述数据端的每个分箱的正样本总数和负样本总数、所有分箱的正样本总数和负样本总数对变量相关性计算所述数据端的每个分箱的证据权重;根据所述数据端的每个分箱的证据权重计算所述数据端的每个分箱的信息量,并求和得到所述数据端的总信息量作为分析结果。
在一些实施例中,解密结果包括数据端的样本的特征的群体稳定性指数:以及基于所述数据端的解密结果对变量相关性进行分析,得到所述数据端的分析结果,包括:计算业务端的样本的各特征的群体稳定性指数,并进行同态加密;向所述数据端发送同态加密的业务端的样本的各特征的群体稳定性指数;计算业务端的样本和所述数据端的样本共有的各特征的群体稳定性指数作为分析结果。
在一些实施例中,解密结果包括:正样本标签的运算结果、负样本标签的运算结果;以及基于所述数据端的解密结果对变量相关性进行分析,得到所述数据端的分析结果,包括:基于所述数据端的各分箱的正样本标签的运算结果和负样本标签的运算结果计算所述数据端的每个分箱的正样本总数和负样本总数、所有分箱的正样本总数和负样本总数;根据所述数据端的每个分箱的正样本总数和负样本总数,所有分箱的正样本总数和负样本总数对变量相关性计算所述数据端的每个分箱的KS值;计算KS值最小的分箱的提升度作为分析结果。
第二方面,本公开的实施例提供了一种用于联邦特征工程数据处理的方法,应用于数据端,包括:接收业务端发送的所有样本的样本ID、同态加密的正样本标签和同态加密的常数;基于所有样本的样本ID对同态加密的正样本标签进行分箱;基于每个分箱中样本ID对应的同态加密的正样本标签和同态加密的常数计算每分箱的密文求和结果;将各分箱的密文求和结果发送给业务端;接收业务端发送的分析结果。
在一些实施例中,密文求和结果包括:同态加密的正样本标签的运算结果、同态加密的负样本标签的运算结果;以及基于每个分箱中样本ID对应的同态加密的正样本标签和同态加密的常数计算每分箱的密文求和结果,包括:对于每个分箱,基于该分箱中样本ID对应的同态加密的正样本标签计算该分箱的同态加密的正样本标签的运算结果;对于每个分箱,基于该分箱中样本ID对应的同态加密的正样本标签和同态加密的常数计算该分箱的同态加密的负样本标签的运算结果。
在一些实施例中,密文求和结果包括同态加密的数据端的样本的特征的群体稳定性指数;以及基于每个分箱中样本ID对应的同态加密的正样本标签和同态加密的常数计算每分箱的密文求和结果,包括:对于每个分箱,基于该分箱中样本ID计算所述数据端的样本的各特征的群体稳定性指数,并进行同态加密得到每分箱的密文求和结果。
第三方面,本公开的实施例提供了一种用于联邦特征工程数据处理的装置,应用于业务端,包括:加密发送单元,被配置成向数据端发送业务端的样本的样本ID、同态加密的正样本标签和同态加密的常数;接收单元,被配置成接收所述数据端发送的各分箱的密文求和结果;解密单元,被配置成将所述数据端的各分箱的密文求和结果解密,得到所述数据端的各分箱的解密结果;分析单元,被配置成基于所述数据端的解密结果对变量相关性进行分析,得到所述数据端的分析结果;共享单元,被配置成将所述数据端的分析结果发给所述数据端。
在一些实施例中,解密结果包括:正样本标签的运算结果、负样本标签的运算结果;以及分析单元进一步被配置成:基于所述数据端的各分箱的正样本标签的运算结果和负样本标签的运算结果计算所述数据端的每个分箱的正样本总数和负样本总数、所有分箱的正样本总数和负样本总数;根据所述数据端的每个分箱的正样本总数和负样本总数、所有分箱的正样本总数和负样本总数对变量相关性计算所述数据端的每个分箱的证据权重;根据所述数据端的每个分箱的证据权重计算所述数据端的每个分箱的信息量,并求和得到所述数据端的总信息量作为分析结果。
在一些实施例中,解密结果包括数据端的样本的特征的群体稳定性指数:以及分析单元进一步被配置成:计算业务端的样本的各特征的群体稳定性指数,并进行同态加密;向所述数据端发送同态加密的业务端的样本的各特征的群体稳定性指数;计算业务端的样本和所述数据端的样本共有的各特征的群体稳定性指数作为分析结果。
在一些实施例中,解密结果包括:正样本标签的运算结果、负样本标签的运算结果;以及分析单元进一步被配置成:基于所述数据端的各分箱的正样本标签的运算结果和负样本标签的运算结果计算所述数据端的每个分箱的正样本总数和负样本总数、所有分箱的正样本总数和负样本总数;根据所述数据端的每个分箱的正样本总数和负样本总数,所有分箱的正样本总数和负样本总数对变量相关性计算所述数据端的每个分箱的KS值;计算KS值最小的分箱的提升度作为分析结果。
第四方面,本公开的实施例提供了一种用于联邦特征工程数据处理的装置,应用于数据端,包括:接收单元,被配置成接收业务端发送的所有样本的样本ID、同态加密的正样本标签和同态加密的常数;分箱单元,被配置成基于所有样本的样本ID对同态加密的正样本标签进行分箱;计算单元,被配置成基于每个分箱中样本ID对应的同态加密的正样本标签和同态加密的常数计算每分箱的密文求和结果;发送单元,被配置成将各分箱的密文求和结果发送给业务端;共享单元,被配置成接收业务端发送的分析结果。
在一些实施例中,密文求和结果包括:同态加密的正样本标签的运算结果、同态加密的负样本标签的运算结果;以及计算单元进一步被配置成:对于每个分箱,基于该分箱中样本ID对应的同态加密的正样本标签计算该分箱的同态加密的正样本标签的运算结果;对于每个分箱,基于该分箱中样本ID对应的同态加密的正样本标签和同态加密的常数计算该分箱的同态加密的负样本标签的运算结果。
在一些实施例中,密文求和结果包括同态加密的数据端的样本的特征的群体稳定性指数;以及计算单元进一步被配置成:对于每个分箱,基于该分箱中样本ID计算所述数据端的样本的各特征的群体稳定性指数,并进行同态加密得到每分箱的密文求和结果。
第五方面,本公开的实施例提供了一种用于联邦特征工程数据处理的电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面或第二方面中任一的方法。
第六方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面或第二方面中任一的方法。
本申请的实施例提供的用于联邦特征工程数据处理的方法和装置,采用预先筛选出可以进行加法同态运算的常数项进行提前加密,大幅减少传输过程中的数据总量,来提高联邦学习过程中整体的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于联邦特征工程数据处理的方法的一个实施例的流程图;
图3是根据本申请的用于联邦特征工程数据处理的方法的又一个实施例的流程图;
图4是根据本申请的用于联邦特征工程数据处理的方法的一个应用场景的示意图;
图5是根据本申请的用于联邦特征工程数据处理的装置的一个实施例的结构示意图;
图6是根据本申请的用于联邦特征工程数据处理的装置的一个实施例的结构示意图;
图7是适于用来实现本申请的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本申请的用于联邦特征工程数据处理的方法或用于联邦特征工程数据处理的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括数据端101、102、103,网络104和业务端105。网络104用以在数据端101、102、103和业务端105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路等等。
业务端105为联邦学习的业务方,数据端101、102、103为建模参与方,理论上作为业务方的业务端105拥有标签变量(因变量)和部分自变量,其他各参与方拥有其他自变量。交互过程经常涉及业务端105加密后的因变量(或者自变量)及因变量与常数运算后的密文值与参与方进行交互。
当多个数据拥有方(例如企业、政府等机构)想要联合他们各自的数据训练机器学习模型时,保证建立统一模型的同时,各方拥有的原数据不出本地。
本公开的应用场景是联邦学习。联邦学习要求每个平台所包含的样本ID基本相同,而特征不同。数据端没有标签。以区域银行贷款业务为例:区域A银行拥有一些客户的年龄信息、资产信息、理财基金产品信息、贷款还款信息等,这些数据存储在数据端101中。区域B银行拥有这些客户其它特征的信息,这些数据存储在数据端102中。区域C银行拥有这些客户其它特征的信息,这些数据存储在数据端103中。但是A、B、C区域银行各自所拥有的数据都不足以构建一个完整、可靠的判别模型,用来判别是否对某一客户进行贷款。因此A、B和C银行都希望利用对方的数据,进行联合建模,但是由于法律约束,无法将双发的数据聚合到一起,此时在不交互原始数据信息的前提下基于多数据平台的建模是解决该问题的关键方法。
那么在联邦特征工程中,数据端只有特征没有标签,业务端虽然同时拥有特征和标签,但业务端的特征却同样缺少数据端的部分特征,因此需要通过加密条件下的数据交互来实现。
需要说明的是,业务端可以是硬件,也可以是软件。当业务端为硬件时,可以实现成多个业务端组成的分布式业务端集群,也可以实现成单个业务端。当业务端为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请的实施例所提供的用于联邦特征工程数据处理的方法可以由数据端101、102、103执行,也可以由业务端105执行。相应地,用于联邦特征工程数据处理的装置可以设置于数据端101、102、103中,也可以设置于业务端105中。在此不做具体限定。
应该理解,图1中的数据端、网络和业务端的数目仅仅是示意性的。根据实现需要,可以具有任意数目的数据端、网络和业务端。
继续参考图2,示出了根据本申请的用于联邦特征工程数据处理的方法应用于业务端的一个实施例的流程200。该用于联邦特征工程数据处理的方法,包括以下步骤:
步骤201,向数据端发送业务端的样本的样本ID、同态加密的正样本标签和同态加密的常数。
在本实施例中,用于联邦特征工程数据处理的方法的执行主体(例如图1所示的业务端)在本地存储了样本信息,样本信息可包括样本ID、特征、标签。对于业务端所有需要参与后续运算的变量(特征),需要使用进行加法交互的常数,利用加法同态加密方法(例如Paillier)分别对正样本标签和进行加密处理,得到同态加密的正样本标签和同态加密的常数。同态加密是基于数学难题的计算复杂性理论的密码学技术。对经过同态加密的数据进行处理得到一个输出,将这一输出进行解密,其结果与用同一方法处理未加密的原始数据得到的输出结果是一样的。
样本可分为正样本和负样本。本申请只需要将同态加密的正样本标签传递给至少一个数据端,不需要传递同态加密的负样本标签。
例如,业务端对自己的n个因变量Y(标签)中的每个yi(第i个用户的标签)采用Paillier加密方法得到[yi],i∈[1,n],本地不再加密1-yi。同时加密一个常数1,得到加密后的[1],将自己拥有的每个样本ID明文IDi以及加密后的[yi]和[1]都传输给数据端。
步骤202,接收数据端发送的各分箱的密文求和结果。
在本实施例中,每个数据端会根据接收到的样本的样本ID、同态加密的正样本标签和同态加密的常数进行分箱和密文求和计算得到各分箱的密文求和结果。每个数据端将各自的各分箱的密文求和结果发给业务端。具体过程如下所示:
数据端接收到业务端传来的密文数据后,需要先在本地处理常数项和变量。利用同态加法运算,可以对业务端传输过来的[1]和[y
i]进行处理。按照本地处理好的特征分箱方法得到k个分箱,每个分箱IDSet
j中的ID
i对应的密文标签值可以构成向量
j∈[1,k],∑m
j=n。首先加和得到
然后可以发现
由于同态加法加和不变和数乘不变的性质,可以直接对m
j加密得到[m
j],与m
j和
的数乘
进行同态减法,得到
无需先得到[1-y
i]再进行加和。完成计算后,将这两个参数连同对分箱的标识IDSet
j加密后的密文值[IDSet
j]一起回传给业务端。
步骤203,将数据端的各分箱的密文求和结果解密,得到数据端的各分箱的解密结果。
在本实施例中,针对每个数据端,业务端都对它的密文求和结果进行解密。解密过程是加密过程的逆过程。例如,在得到数据端分箱后密文求和的结果后,业务端进行解密,得到
和
分别代表第j个分箱的正样本总数Good
j和负样本总数Bad
j。
步骤204,基于数据端的解密结果对变量相关性进行分析,得到数据端的分析结果。
在本实施例中,针对每个数据端,业务端都对它的解密结果进行分析。以风控建模中的特征工程举例,在建模前对变量相关性的分析,如其中的WOE(weight of Evidence,证据权重)/IV(information value,信息量)、PSI(PopulationStability Index,群体稳定性指数)、KS(KS(Kolmogorov-Smirnov)这个名字来自前苏联的两名数学家A.N.Kolmogorov和N.V.Smirnov,通过经验累积分布函数构建)/LIFT(提升度)等参数将会对模型使用特征进行提前筛选及应用监控,保证了模型的效果和稳定性,使得相关的评分卡、授信环节和贷后评估等场景能够正常高效的进行,不会出现较大的资产和信用损失。
在本实施例的一些可选的实现方式中,解密结果包括:正样本标签的运算结果、负样本标签的运算结果,则分析结果可包括WOE/IV。具体过程如下:
1、基于所述数据端的各分箱的正样本标签的运算结果和负样本标签的运算结果计算所述数据端的每个分箱的正样本总数和负样本总数、所有分箱的正样本总数和负样本总数。业务端可以在本地计算所有分箱中的正样本总数GoodT和负样本总数BadT。
2、根据所述数据端的每个分箱的正样本总数和负样本总数、所有分箱的正样本总数和负样本总数对变量相关性计算所述数据端的每个分箱的证据权重。
3、根据所述数据端的每个分箱的证据权重计算所述数据端的每个分箱的信息量,并求和得到所述数据端的总信息量作为分析结果。可计算每个分箱的信息量
以及对各个分箱IV
j求和得到的
该部分和传统联邦特征工程流程相同。
在本实施例的一些可选的实现方式中,解密结果包括数据端的样本的特征的群体稳定性指数。则分析结果可包括PSI。
风控场景下的稳定性非常重要,因为互联网金融业务的特殊性,一旦模型使用的某一个变量出现波动,则意味着线上模型涉及到的评分、授信和精细化运营等场景中对应的决策出现偏差,直接导致资产安全受到影响。因此变量的PSI指标是单变量分析监控中对模型稳定性的重要参考。
PSI值是群体稳定性指标,用来量化模型分数分布的变化,公式如下:
其中i代表第i个分箱,Actuali%和Expectedi%分别代表第i个分箱某个特征的实际占比和预期占比,值在0~1之间。
在联邦学习的语境下,PSI的计算过程类似于WOE&IV,需要在数据端和业务端双方之间进行标签的加密运算和传输。与WOE&IV计算不同的是,PSI的计算公式中存在一项
联邦单变量分析中的PSI的计算步骤也可以总结为三步。假定建模过程中的训练集样本分布为预期分布,跨时间窗的粒度按照月来计算PSI具体过程如下:
1、计算数据端和业务端本地的PSI:由于数据端和业务端都有部分特征数据,因此可以直接在本地完成自己拥有特征的计算,得到每个特征的
2、计算业务端拥有的模型分PSI:由于模型训练过程在业务端完成,而数据端无需知道具体的模型分,因此业务端可以在本地完成模型分PSI的计算。
3、共享信息:由于数据端和业务端计算出来的PSI值不存在隐私泄露的问题,可以通过明文的信息交互生成全量特征的PSI,以及输出模型分的PSI,用于对模型稳定性的监控。双方也可按约定的密钥生成密文,进行密文交互。
在本实施例的一些可选的实现方式中,解密结果包括:正样本标签的运算结果、负样本标签的运算结果。则分析结果可以是KS/LIFT。具体过程如下:
KS(Kolmogorov-Smirnov)这个名字来自前苏联的两名数学家A.N.Kolmogorov和N.V.Smirnov,通过经验累积分布函数构建。通过比较每个评分区间的累计好坏百分比差异,选择差异最大的值作为KS,即可量化模型的区分效果。同时对于每一个变量而言,经过分箱之后各箱中样本的好坏标签累计占比也可以作为评价变量区分能力的指标。KS的计算公式如下:
KS=max{|cum(Bad%)-cum(Good%)|}
cum(Bad%)表示一组样本的累计负样本占比,cum(Good%)表示一组样本的累计正样本占比
LIFT提升度同样可以衡量模型对负样本的预测能力相比随机选择的倍数。根据量化的指标,LIFT的值大于1则认为模型输出的表现优于随机选择。LIFT公式如下:
LIFT=cum(Bad%w)/cum(All%w)
其中cum(Bad%w)代表模型分数最低(worst)的一组样本中的累计负样本占比,cum(All%w)代表模型分数最低的一组样本中的累计总样本占比。
联邦KS和LIFT计算如下:
1、业务端加密计算:业务端在建模时同时拥有特征X和标签Y,因此需要向数据端提供标签Y的加密值。对业务端的每一个样本ID,采用Paillier同态加密方法加密yi和1-yi,得到[yi]和[1-yi],连同明文ID一起传输给数据端。
2、数据端分箱及密文求和:数据端在接收到业务端的ID和密文标签值后,按照本地处理好的特征分箱方法,对每个分箱中的ID对应的密文标签值进行加法同态求和,得到每个分箱中的[∑yi]=∑[yi]以及[∑1-yi]=∑[1-yi],再连同每个ID对应的分箱回传给业务端。
3)业务端本地计算:在得到数据端密文求和的结果后,业务端进行解密,得到∑yi和∑1-yi,分别代表第i个分箱的正样本总数Goodi和负样本总数Badi。业务端只需要在本地计算所有分箱的正样本总数的GoodT和所有分箱的负样本总数BadT,即可依次计算每个分箱的cum(Bad%)和cum(Good%),根据KS=max{|cum(Bad%)-cum(Good%)|}计算出KS值,同时选表现最差的分箱,计算LIFT=cum(Bad%w)/cum(All%w)。
步骤205,将所述数据端的分析结果发给所述数据端。
在本实施例中,业务端虽然与多个数据端交互,但数据端之间的数据不共享。业务端将数据端1提供的密文求和结果进行分析后,得到的分析结果发给数据端1,而不会将该结果发给其它数据端。
假设系统中有n个数据端,业务端所有需要参与后续运算的变量个数为m,以及需要与这m个变量进行加法交互的常数的个数为K,每个变量需要传输N个业务端的数据。进行技术优势分析:
传输效率分析:传统联邦学习过程中,由于业务端先要在本地计算常数和变量的组合,在上限条件下可能会获得m*K个组合后的新变量,此时进行加密传输,则预计将会向n个数据端传输共计m*n*N*K个数据,假定传统流程与本方法的差额大于0,则有计算式m*n*N*K-(n*m*K+n*K)>0,其中各参数都>0,化简可得m*N>m+1,由于N代表样本数,在绝大多数情况大都有N>2,因此不等式显然成立,传统方法的传输效率低于本方法。冗余的传输值大小为m*n*N*K-(n*m*K+n*K)。
计算效率分析:在传统联邦学习过程中,业务端在本地处理变量和常数的计算关系,而在本方法中这种处理转移到了每个数据端,但同时也因为简化了运算流程而提高了每方计算的效率,因此从计算效率上对比,本方法预计消耗n/k倍的计算资源,n与建模参与方有关,如果n=1则计算资源消耗在业务端有常数运算时低于常规方法,n>1时随着n大小的增加计算资源消耗增加。
继续参考图3,示出了根据本申请的用于联邦特征工程数据处理的方法应用于数据端的一个实施例的流程300。该用于联邦特征工程数据处理的方法,包括以下步骤:
步骤301,接收业务端发送的所有样本的样本ID、同态加密的正样本标签和同态加密的常数。
在本实施例中,用于联邦特征工程数据处理的方法的执行主体(例如图1所示的数据端)在本地存储了样本信息,样本信息可包括样本ID、特征。数据端中不知道样本的标签。数据端从业务端接收明文的样本ID、同态加密的正样本标签和同态加密的常数。例如,接收到每个样本ID明文IDi以及加密后的[yi]和[1]都传输给数据端。
步骤302,基于所有样本的样本ID对同态加密的正样本标签进行分箱。
在本实施例中,分箱(binning)是对连续变量离散化(discretization)的一种称呼。数据端有特征,分箱过程不需要标签。样本ID是双方在前一个过程中匹配好的,说明是双方共有的用户,业务端传过来的样本ID能和数据端的样本ID一一对应。
步骤303,基于每个分箱中样本ID对应的同态加密的正样本标签和同态加密的常数计算每分箱的密文求和结果。
在本实施例中,数据端接收到业务端传来的密文数据后,需要先在本地处理常数项和变量。利用同态加法运算,可以对业务端传输过来的[1]和[y
i]进行处理。按照本地处理好的特征分箱方法得到k个分箱,每个分箱IDSet
j中的ID
i对应的密文标签值可以构成向量
首先加和得到
然后可以发现
由于同态加法加和不变和数乘不变的性质,可以直接对m
j加密得到[m
j],与m
j和
的数乘
进行同态减法,得到
无需先得到[1-y
i]再进行加和。完成计算后,将这两个参数连同对分箱的标识IDSet
j加密后的密文值[IDSet
j]一起回传给业务端。
步骤304,将各分箱的密文求和结果发送给业务端。
可选地,密文求和结果还可包括同态加密的所述数据端的样本的特征的群体稳定性指数(PSI)。
步骤305,接收业务端发送的分析结果。
在本实施例中,业务端可通过步骤204进行对变量相关性进行分析,得到各数据端的分析结果。然后将分析结果返回给相应的数据端。
本申请希望保护的技术为提出的联邦学习各方数据交互过程中的加密及传输流程,技术关键点为拆分变量与常数项的加密,利用同态加密中的加法同态可加性,让联邦学习的参与方计算传输过来的变量和常数,减少联邦学习过程中的传输资源消耗。
技术关键点1:采用常数项加密及传输后进行计算的方法替代原来的向量传输方法,技术原理为加法同态加密后的数据满足可加性,能够通过改变运算的流程优化传输效率。
技术关键点2:在加密后的常数项和变量进行同态加法时,可以采用先对变量自身完成同态加法,再通过和常量的向量运算组合成所需的变量,提高计算效率,进一步优化计算流程。
技术关键点3:对于特征相关性的计算场景,包含联邦单变量分析中的隐私保护WOE/IV/PSI/CSI/KS/LIFT值计算,本方法提供了更高的传输效率,技术原理为本地计算的资源消耗在实际工程中远远小于加密传输的资源消耗,可以通过本方法大幅节约联邦建模中的资源。
应用本方法后的业务端向数据端传输的数据量减少了50%,同时在数据端本地计算时的复杂度也没有显著增加,很好的优化了联邦特征工程的效率。
继续参见图4,图4是根据本实施例的用于联邦特征工程数据处理的一个示意图。在图4的应用场景中,业务端将本地存储的正样本标签和常数分别进行同态加密后,连同明文的样本ID发送给数据端。数据端将接收到的同态加密的正样本标签进行分箱。然后对于每个分箱中的样本计算密文求和结果。数据端将密文求和结果发给业务端,由业务端基于密文求和结果对变量相关性进行分析,得到该数据端的分析结果。业务端将分析结果返回该数据端。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于联邦特征工程数据处理的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于联邦特征工程数据处理的装置500包括:加密发送单元501、接收单元502、解密单元503、分析单元504和共享单元505。其中,加密发送单元501,被配置成向数据端发送业务端的样本的样本ID、同态加密的正样本标签和同态加密的常数;接收单元502,被配置成接收所述数据端发送的各分箱的密文求和结果;解密单元503,被配置成将所述数据端的各分箱的密文求和结果解密,得到所述数据端的各分箱的解密结果;分析单元504,被配置成基于所述数据端的解密结果对变量相关性进行分析,得到所述数据端的分析结果;共享单元505,被配置成将所述数据端的分析结果发给所述数据端。
在本实施例中,用于联邦特征工程数据处理的装置500的加密发送单元501、接收单元502、解密单元503、分析单元504和共享单元505的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204、步骤205。
在本实施例的一些可选的实现方式中,解密结果包括:正样本标签的运算结果、负样本标签的运算结果;以及分析单元504进一步被配置成:基于所述数据端的各分箱的正样本标签的运算结果和负样本标签的运算结果计算所述数据端的每个分箱的正样本总数和负样本总数、所有分箱的正样本总数和负样本总数;根据所述数据端的每个分箱的正样本总数和负样本总数、所有分箱的正样本总数和负样本总数对变量相关性计算所述数据端的每个分箱的证据权重;根据所述数据端的每个分箱的证据权重计算所述数据端的每个分箱的信息量,并求和得到所述数据端的总信息量作为分析结果。
在本实施例的一些可选的实现方式中,解密结果包括数据端的样本的特征的群体稳定性指数:以及分析单元504进一步被配置成:计算业务端的样本的各特征的群体稳定性指数,并进行同态加密;向所述数据端发送同态加密的业务端的样本的各特征的群体稳定性指数;计算业务端的样本和所述数据端的样本共有的各特征的群体稳定性指数作为分析结果。
在本实施例的一些可选的实现方式中,解密结果包括:正样本标签的运算结果、负样本标签的运算结果;以及分析单元504进一步被配置成:基于所述数据端的各分箱的正样本标签的运算结果和负样本标签的运算结果计算所述数据端的每个分箱的正样本总数和负样本总数、所有分箱的正样本总数和负样本总数;根据所述数据端的每个分箱的正样本总数和负样本总数,所有分箱的正样本总数和负样本总数对变量相关性计算所述数据端的每个分箱的KS值;计算KS值最小的分箱的提升度作为分析结果。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种用于联邦特征工程数据处理的装置的一个实施例,该装置实施例与图3所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于联邦特征工程数据处理的装置600包括:接收单元601、分箱单元602、计算单元603、发送单元604、共享单元605。其中,接收单元601,被配置成接收业务端发送的所有样本的样本ID、同态加密的正样本标签和同态加密的常数;分箱单元602,被配置成基于所有样本的样本ID对同态加密的正样本标签进行分箱;计算单元603,被配置成基于每个分箱中样本ID对应的同态加密的正样本标签和同态加密的常数计算每分箱的密文求和结果;发送单元604,被配置成将各分箱的密文求和结果发送给业务端;共享单元605,被配置成接收业务端发送的分析结果。
在本实施例中,用于联邦特征工程数据处理的装置600的接收单元601、分箱单元602、计算单元603、发送单元604、共享单元605的具体处理可以参考图2对应实施例中的步骤301、步骤302、步骤303、步骤304、步骤305。
在本实施例的一些可选的实现方式中,密文求和结果包括:同态加密的正样本标签的运算结果、同态加密的负样本标签的运算结果;以及计算单元603进一步被配置成:对于每个分箱,基于该分箱中样本ID对应的同态加密的正样本标签计算该分箱的同态加密的正样本标签的运算结果;对于每个分箱,基于该分箱中样本ID对应的同态加密的正样本标签和同态加密的常数计算该分箱的同态加密的负样本标签的运算结果。
在本实施例的一些可选的实现方式中,密文求和结果包括同态加密的数据端的样本的特征的群体稳定性指数;以及计算单元603进一步被配置成:对于每个分箱,基于该分箱中样本ID计算所述数据端的样本的各特征的群体稳定性指数,并进行同态加密得到每分箱的密文求和结果。
下面参考图7,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的业务端或数据端)700的结构示意图。图7示出的数据端/业务端仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:向数据端发送所述业务端的样本的样本ID、同态加密的正样本标签和同态加密的常数;接收所述数据端发送的各分箱的密文求和结果;将所述数据端的各分箱的密文求和结果解密,得到所述数据端的各分箱的解密结果;基于所述数据端的解密结果对变量相关性进行分析,得到所述数据端的分析结果;将所述数据端的分析结果发给所述数据端。或者使得该电子设备:接收业务端发送的所有样本的样本ID、同态加密的正样本标签和同态加密的常数;基于所有样本的样本ID对同态加密的正样本标签进行分箱;基于每个分箱中样本ID对应的同态加密的正样本标签和同态加密的常数计算每分箱的密文求和结果;将各分箱的密文求和结果发送给业务端;接收业务端发送的分析结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或业务端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括加密发送单元、接收单元、解密单元、分析单元、共享单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,加密发送单元还可以被描述为“向数据端发送业务端的样本的样本ID、同态加密的正样本标签和同态加密的常数的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。