CN111966753A - 基于区块链和同态加密的决策树模型训练方法及装置 - Google Patents
基于区块链和同态加密的决策树模型训练方法及装置 Download PDFInfo
- Publication number
- CN111966753A CN111966753A CN202010833050.3A CN202010833050A CN111966753A CN 111966753 A CN111966753 A CN 111966753A CN 202010833050 A CN202010833050 A CN 202010833050A CN 111966753 A CN111966753 A CN 111966753A
- Authority
- CN
- China
- Prior art keywords
- block chain
- chain network
- user characteristics
- decision tree
- tree model
- 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
- 238000012549 training Methods 0.000 title claims abstract description 90
- 238000003066 decision tree Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004590 computer program Methods 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005304 joining Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioethics (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于区块链和同态加密的决策树模型训练方法及装置，该方法应用于加入区块链网络的参与方节点，包括：获得用户特征，计算所述用户特征的信息增益；对所述用户特征的信息增益进行同态加密，获得用户特征的信息增益密文数据，将所述用户特征的信息增益密文数据生成区块，将所述区块上传到区块链网络；从区块链网络中下载所需的用户特征的信息增益密文数据进行决策树模型训练。本发明利用区块链技术实现用户特征数据共享，打破“数据孤岛”困境；通过同态加密后的用户特征的信息增益密文数据训练决策树模型，保证密文下模型训练结果保持不变。
Description
技术领域
本发明涉及模型训练技术领域，尤其涉及基于区块链和同态加密的决策树模型训练方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着人工智能理论与技术的发展，利用大量的用户信息可以为用户提供定制化、个性化的符合用户偏好的服务。机器学习模型的准确率需要大量的训练数据以及丰富的用户特征作为支撑。然而，鉴于数据的安全以及用户数据的隐私保护，一方面，目前各个银行间的数据是不可能共享用于训练模型，使得数据分布在独立的“数据孤岛”中，从而导致模型训练时用户特征以及训练样本不够丰富；另一方面，现有的机器学习算法方案都是直接对用户的数据进行分析，不能对加密后的数据进行分析计算和模型训练，即直接基于用户明文数据进行分析和决策树模型训练，用户隐私无法得到保证。
发明内容
本发明实施例提供一种基于区块链和同态加密的决策树模型训练方法，用以解决现有技术中数据不能共享造成“数据孤岛”和不能对加密后的数据进行分析计算和模型训练导致用户隐私无法得到保证的技术问题，该方法应用于加入区块链网络的参与方节点，包括：
获得用户特征，计算所述用户特征的信息增益；
对所述用户特征的信息增益进行同态加密，获得用户特征的信息增益密文数据，将所述用户特征的信息增益密文数据生成区块，将所述区块上传到区块链网络；
从区块链网络中下载所需的用户特征的信息增益密文数据进行决策树模型训练。
本发明实施例提供一种基于区块链和同态加密的决策树模型训练方法，用以，该方法包括：
参与方节点获得用户特征，计算所述用户特征的信息增益；
参与方节点对所述用户特征的信息增益进行同态加密，获得用户特征的信息增益密文数据，将所述用户特征的信息增益密文数据生成区块，将所述区块上传到区块链网络；
区块链网络接收并存储所述区块；
参与方节点从区块链网络中下载所需的用户特征的信息增益密文数据进行决策树模型训练。
本发明实施例还提供一种基于区块链和同态加密的决策树模型训练装置，用以解决现有技术中数据不能共享造成“数据孤岛”和不能对加密后的数据进行分析计算和模型训练导致用户隐私无法得到保证的技术问题，该装置包括：
用户特征获得模块，应用获得用户特征；
信息增益计算模块，用于计算所述用户特征的信息增益；
同态加密模块，用于对所述用户特征的信息增益进行同态加密，获得用户特征的信息增益密文数据；
数据交互模块，用于将所述用户特征的信息增益密文数据生成区块，将所述区块上传到区块链网络；从区块链网络中下载所需的用户特征的信息增益密文数据；
模型训练模块，用于根据所需的用户特征的信息增益密文数据进行决策树模型训练。
本发明实施例还提供一种基于区块链和同态加密的决策树模型训练系统，用以解决现有技术中数据不能共享造成“数据孤岛”和不能对加密后的数据进行分析计算和模型训练导致用户隐私无法得到保证的技术问题，该系统包括上述所述的基于区块链和同态加密的决策树模型训练装置、区块链网络；基于区块链和同态加密的决策树模型训练装置加入区块链网络。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于区块链和同态加密的决策树模型训练方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述基于区块链和同态加密的决策树模型训练方法的计算机程序。
本发明实施例中，利用区块链技术实现用户特征数据共享，打破“数据孤岛”困境；通过同态加密后的用户特征的信息增益密文数据训练决策树模型，保证密文下模型训练结果保持不变。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中基于区块链和同态加密的决策树模型训练方法流程图一(参与方节点方面)；
图2为本发明实施例中基于区块链和同态加密的决策树模型训练方法流程图二(参与方节点方面)；
图3为本发明实施例中基于区块链和同态加密的决策树模型训练方法流程图三(参与方节点方面)；
图4为本发明实施例中基于区块链和同态加密的决策树模型训练方法流程图三(参与方节点方面)；
图5为本发明实施例中基于区块链和同态加密的决策树模型训练装置结构框图一(参与方节点方面)；
图6为本发明实施例中基于区块链和同态加密的决策树模型训练装置结构框图二(参与方节点方面)；
图7为本发明实施例中基于区块链和同态加密的决策树模型训练装置结构框图三(参与方节点方面)；
图8为本发明实施例中基于区块链和同态加密的决策树模型训练装置结构框图三(参与方节点方面)；
图9为本发明实施例中基于区块链和同态加密的决策树模型训练方法流程图一(系统方面)；
图10为本发明实施例中基于区块链和同态加密的决策树模型训练方法流程图二(系统方面)；
图11为本发明实施例中基于区块链和同态加密的决策树模型训练方法流程图三(系统方面)；
图12为本发明实施例中基于区块链和同态加密的决策树模型训练方法流程图四(系统方面)；
图13为本发明实施例中基于区块链和同态加密的决策树模型训练系统结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
在本发明实施例中，基于现有技术中数据不能共享造成“数据孤岛”和不能对加密后的数据进行分析计算和模型训练导致用户隐私无法得到保证的技术问题，提出一种基于区块链和同态加密的决策树模型训练方法及装置，该方法及装置利用区块链技术实现用户特征数据共享，打破“数据孤岛”困境；通过同态加密后的用户特征的信息增益密文数据训练决策树模型，保证密文下模型训练结果保持不变。
具体的，图1为本发明实施例中基于区块链和同态加密的决策树模型训练方法流程图一(参与方节点方面)，如图1所示，该方法应用于加入区块链网络的参与方节点，包括：
步骤102：获得用户特征，计算所述用户特征的信息增益；其中，基于不同的场景，所需要的获得的用户特征不同，比如：年龄、性别、月收入、月消费等，根据实际情况确定。
步骤104：对所述用户特征的信息增益进行同态加密，获得用户特征的信息增益密文数据，将所述用户特征的信息增益密文数据生成区块，将所述区块上传到区块链网络；
步骤106：从区块链网络中下载所需的用户特征的信息增益密文数据进行决策树模型训练。
同态加密(Homomorphic Encryption)是一种特殊的加密算法，它允许使用者对密文进行特定的代数运算得到仍然是加密的结果，将其解密所得到的结果与对明文进行同样的运算结果一样，即对密文直接进行处理，跟对明文进行处理再加密，得到的结果相同。换言之，这项技术令人们可以在加密的密文数据中进行诸如检索、比较等操作，得出正确的结果，而在整个处理过程中无需对数据进行解密。其意义在于，真正从根本上解决将数据及其操作委托给第三方时的保密问题，例如对于各种云计算的应用。同态性在代数上包括：加法同态、乘法同态。同时满足加法同态和乘法同态，则意味着是代数同态，即全同态。
区块链(BlockChain)从本质上是一个共享数据库，存储于其中的数据或信息，具有“不可伪造”、“全程留痕”、“可以追溯”、“公开透明”、“集体维护”等特征。区块链是从比特币底层技术衍生出来的新型技术体系。目前从类型上分为公有链、联盟链和私有链。
决策树是一种常见的机器学习算法，包含分类决策树和回归决策树。决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。
信息增益：决策树的生成算法包括ID3，C4.5，基尼指数等，ID3算法就是用信息增益来判断使用哪个特征进行划分当前数据集。
特征A的信息增益＝entroy(前)-entroy(后)；其中，entroy(前)表示划分前样本集合D的熵，entroy(后)表示使用某个特征A划分数据集D，计算划分后的数据子集的熵。
决策树算法在选取最佳属性计算信息增益时，与数据本身的取值无关，使用每个属性的取值的count计数。因此通过同态加密算法对特征的信息增益进行加密，然后对加密后的密文结果进行排序，即可得到该决策树的最佳分裂特征，保证了使用经过同态加密后模型与明文训练模型的一致。
在本发明实施例中，在步骤102的数据准备步骤之前，还可以需要对加入区块链网络的参与方节点进行身份认证，这样可以保证安全性。如图2所示，在上传数据之前，该方法还可以包括：
步骤101：发送身份信息至区块链网络，待区块链网络对身份信息进行认证后，加入区块链网络。
在本发明实施例中，经过上述身份认证之后才加入区块链网络，所以在后续上传数据至区块链中时也需要验证身份。如图3所示，即在步骤104的上传区块之前，该方法还可以包括：
步骤105：发送身份信息至区块链网络，待区块链网络根据所述身份信息与存储的身份信息比较一致后，将所述区块上传到区块链网络。
在本发明实施例中，在完成训练之后还需要善后步骤，如图4所示，该方法还包括：
步骤108：将决策树模型训练结果输出。
本发明实施例中还提供了一种基于区块链和同态加密的决策树模型训练装置(即参与方节点)，如下面的实施例所述。由于该装置解决问题的原理与基于区块链和同态加密的决策树模型训练方法相似，因此该装置的实施可以参见基于区块链和同态加密的决策树模型训练方法的实施，重复之处不再赘述。
图5为本发明实施例中基于区块链和同态加密的决策树模型训练装置结构框图一(参与方节点方面)，如图5所示，该装置包括：
用户特征获得模块02，应用获得用户特征；
信息增益计算模块04，用于计算所述用户特征的信息增益；
同态加密模块06，用于对所述用户特征的信息增益进行同态加密，获得用户特征的信息增益密文数据；
数据交互模块08，用于将所述用户特征的信息增益密文数据生成区块，将所述区块上传到区块链网络；从区块链网络中下载所需的用户特征的信息增益密文数据；
模型训练模块10，用于根据所需的用户特征的信息增益密文数据进行决策树模型训练。
其中，区块链的防篡改和可追溯性保证了各个参与方分享数据的真实性，区块链网络中的各个节点(参与方)可以通过数据交互模块下载链上数据，并检查数据的来源。
图6为本发明实施例中基于区块链和同态加密的决策树模型训练装置结构框图二(参与方节点方面)，如图6所示，该装置还包括：身份信息发送模块12，用于在上传数据之前，发送身份信息至区块链网络，待区块链网络对身份信息进行认证后，加入区块链网络。
在本发明实施例中，如图7所示，身份信息发送模块12，还用于在上传数据之前，发送身份信息至区块链网络；
数据交互模块08，还用于待区块链网络根据所述身份信息与存储的身份信息比较一致后，将所述区块上传到区块链网络。
在本发明实施例中，如图8所示，该装置还包括：结果输出模块14，用于将决策树模型训练结果输出。
本发明实施例中还提供了一种基于区块链和同态加密的决策树模型训练方法(系统方面)，如下面的实施例所述。
图9为本发明实施例中基于区块链和同态加密的决策树模型训练方法流程图一(系统方面)，如图9所示，该方法包括：
步骤902：参与方节点获得用户特征，计算所述用户特征的信息增益；
步骤904：参与方节点对所述用户特征的信息增益进行同态加密，获得用户特征的信息增益密文数据，将所述用户特征的信息增益密文数据生成区块，将所述区块上传到区块链网络；
步骤906：区块链网络接收并存储所述区块；
步骤908：参与方节点从区块链网络中下载所需的用户特征的信息增益密文数据进行决策树模型训练。
图10为本发明实施例中基于区块链和同态加密的决策树模型训练方法流程图二(系统方面)，如图10所示，该方法还包括：
步骤1002：参与方节点发送身份信息至区块链网络；
步骤1004：区块链网络对身份信息进行存储并认证，发送身份通过信息至参与方节点；
步骤1006：参与方节点接收身份通过信息，加入区块链网络。
图11为本发明实施例中基于区块链和同态加密的决策树模型训练方法流程图三(系统方面)，如图11所示，该方法还包括：
步骤1102：参与方节点发送身份信息至区块链网络；
步骤1104：区块链网络根据所述身份信息与存储的身份信息比较一致后，发送身份确认信息至参与方节点；
步骤1106：参与方节点接收身份确认信息，将所述区块上传到区块链网络。
图12为本发明实施例中基于区块链和同态加密的决策树模型训练方法流程图三(系统方面)，如图12所示，该方法还包括：
步骤910：参与方节点将决策树模型训练结果输出。
本发明实施例中还提供了一种基于区块链和同态加密的决策树模型训练系统，如下面的实施例所述。
图13为本发明实施例中基于区块链和同态加密的决策树模型训练系统结构框图，如图13所示，该系统包括基于区块链和同态加密的决策树模型训练装置(即参与方节点，在本发明中涉及的是银行A、B、C等等)和区块链网络(属于联盟链)。
在该系统中由银行A、B、C端的同态加密模块加密各个参与方节点上传的用户特征的信息增益密文数据。由区块链网络的数据交互模块与各个参与方节点进行数据交互(各个参与方节点上传和下载用户特征的信息增益密文数据)。在进行数据交互之前，由区块链网络的身份认证中心认证加入区块链网络的各个参与方节点的身份信息。最后，由银行A、B、C端的模型训练模块通过下载用户特征的信息增益密文数据训练决策树模型。图13中参与方节点的其他模块未给出。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于区块链和同态加密的决策树模型训练方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述基于区块链和同态加密的决策树模型训练方法的计算机程序。
本发明实施例中，通过区块链与同态加密技术提供一种适用于商业银行之间或银行不同部门之间进行联合建模的方案，利用区块链技术实现用户特征数据共享，丰富用户特征，打破“数据孤岛”困境；通过同态加密后的用户特征的信息增益密文数据训练决策树模型，保证密文下模型训练结果保持不变，在保证用户数据隐私安全的前提下，提高模型的准确性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (15)
1.一种基于区块链和同态加密的决策树模型训练方法，应用于加入区块链网络的参与方节点，其特征在于，包括：
获得用户特征，计算所述用户特征的信息增益；
对所述用户特征的信息增益进行同态加密，获得用户特征的信息增益密文数据，将所述用户特征的信息增益密文数据生成区块，将所述区块上传到区块链网络；
从区块链网络中下载所需的用户特征的信息增益密文数据进行决策树模型训练。
2.如权利要求1所述的基于区块链和同态加密的决策树模型训练方法，其特征在于，在上传数据之前，还包括：发送身份信息至区块链网络，待区块链网络对身份信息进行认证后，加入区块链网络。
3.如权利要求2所述的基于区块链和同态加密的决策树模型训练方法，其特征在于，在上传数据之前，还包括：发送身份信息至区块链网络，待区块链网络根据所述身份信息与存储的身份信息比较一致后，将所述区块上传到区块链网络。
4.如权利要求1所述的基于区块链和同态加密的决策树模型训练方法，其特征在于，还包括：
将决策树模型训练结果输出。
5.一种基于区块链和同态加密的决策树模型训练方法，其特征在于，包括：
参与方节点获得用户特征，计算所述用户特征的信息增益；
参与方节点对所述用户特征的信息增益进行同态加密，获得用户特征的信息增益密文数据，将所述用户特征的信息增益密文数据生成区块，将所述区块上传到区块链网络；
区块链网络接收并存储所述区块；
参与方节点从区块链网络中下载所需的用户特征的信息增益密文数据进行决策树模型训练。
6.如权利要求5所述的基于区块链和同态加密的决策树模型训练方法，其特征在于，还包括：
参与方节点发送身份信息至区块链网络；
区块链网络对身份信息进行存储并认证，发送身份通过信息至参与方节点；
参与方节点接收身份通过信息，加入区块链网络。
7.如权利要求6所述的基于区块链和同态加密的决策树模型训练方法，其特征在于，还包括：
参与方节点发送身份信息至区块链网络；
区块链网络根据所述身份信息与存储的身份信息比较一致后，发送身份确认信息至参与方节点；
参与方节点接收身份确认信息，将所述区块上传到区块链网络。
8.如权利要求5所述的基于区块链和同态加密的决策树模型训练方法，其特征在于，还包括：
参与方节点将决策树模型训练结果输出。
9.一种基于区块链和同态加密的决策树模型训练装置，其特征在于，包括：
用户特征获得模块，应用获得用户特征；
信息增益计算模块，用于计算所述用户特征的信息增益；
同态加密模块，用于对所述用户特征的信息增益进行同态加密，获得用户特征的信息增益密文数据；
数据交互模块，用于将所述用户特征的信息增益密文数据生成区块，将所述区块上传到区块链网络；从区块链网络中下载所需的用户特征的信息增益密文数据；
模型训练模块，用于根据所需的用户特征的信息增益密文数据进行决策树模型训练。
10.如权利要求9所述的基于区块链和同态加密的决策树模型训练装置，其特征在于，还包括：身份信息发送模块，用于在上传数据之前，发送身份信息至区块链网络，待区块链网络对身份信息进行认证后，加入区块链网络。
11.如权利要求10所述的基于区块链和同态加密的决策树模型训练装置，其特征在于，身份信息发送模块，还用于在上传数据之前，发送身份信息至区块链网络；
数据交互模块，还用于待区块链网络根据所述身份信息与存储的身份信息比较一致后，将所述区块上传到区块链网络。
12.如权利要求9所述的基于区块链和同态加密的决策树模型训练装置，其特征在于，还包括：结果输出模块，用于将决策树模型训练结果输出。
13.一种基于区块链和同态加密的决策树模型训练系统，其特征在于，包括：权利要求9至12任一项所述的基于区块链和同态加密的决策树模型训练装置、区块链网络；基于区块链和同态加密的决策树模型训练装置加入区块链网络。
14.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一所述方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至8任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010833050.3A CN111966753B (zh) | 2020-08-18 | 2020-08-18 | 基于区块链和同态加密的决策树模型训练方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010833050.3A CN111966753B (zh) | 2020-08-18 | 2020-08-18 | 基于区块链和同态加密的决策树模型训练方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111966753A true CN111966753A (zh) | 2020-11-20 |
| CN111966753B CN111966753B (zh) | 2024-02-27 |
Family
ID=73389588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010833050.3A Active CN111966753B (zh) | 2020-08-18 | 2020-08-18 | 基于区块链和同态加密的决策树模型训练方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111966753B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109194641A (zh) * | 2018-08-27 | 2019-01-11 | 广东工业大学 | 一种业务数据的传输方法、装置、设备及存储介质 |
| CN109685501A (zh) * | 2018-12-04 | 2019-04-26 | 暨南大学 | 基于区块链激励机制下可审计的隐私保护深度学习平台建设方法 |
| CN110879827A (zh) * | 2019-10-23 | 2020-03-13 | 联想(北京)有限公司 | 一种基于区块链网络的信息处理方法及设备 |
| CN110992034A (zh) * | 2019-12-13 | 2020-04-10 | 深圳市网心科技有限公司 | 基于区块链的供应链交易隐私保护系统、方法及相关设备 |
| CN111476081A (zh) * | 2020-01-19 | 2020-07-31 | 天津大学 | 一种基于区块链和人脸识别的身份认证模型 |
-
2020
- 2020-08-18 CN CN202010833050.3A patent/CN111966753B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109194641A (zh) * | 2018-08-27 | 2019-01-11 | 广东工业大学 | 一种业务数据的传输方法、装置、设备及存储介质 |
| CN109685501A (zh) * | 2018-12-04 | 2019-04-26 | 暨南大学 | 基于区块链激励机制下可审计的隐私保护深度学习平台建设方法 |
| CN110879827A (zh) * | 2019-10-23 | 2020-03-13 | 联想(北京)有限公司 | 一种基于区块链网络的信息处理方法及设备 |
| CN110992034A (zh) * | 2019-12-13 | 2020-04-10 | 深圳市网心科技有限公司 | 基于区块链的供应链交易隐私保护系统、方法及相关设备 |
| CN111476081A (zh) * | 2020-01-19 | 2020-07-31 | 天津大学 | 一种基于区块链和人脸识别的身份认证模型 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111966753B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220230071A1 (en) | Method and device for constructing decision tree | |
| JP7029468B2 (ja) | ブロックチェーンを使用した安全なデータレコード配信のための方法及びシステム | |
| US11727501B2 (en) | Cryptographic method and system for secure extraction of data from a blockchain | |
| WO2020177475A1 (zh) | 一种安全的特征工程方法和装置 | |
| CN111931253B (zh) | 基于节点群的数据处理方法、系统、设备和介质 | |
| CN107145792B (zh) | 基于密文数据的多用户隐私保护数据聚类方法及系统 | |
| JP2022095891A (ja) | ブロックチェーンを用いる論理ゲート機能の実装 | |
| CN112019591A (zh) | 一种基于区块链的云数据共享方法 | |
| CN110969264B (zh) | 模型训练方法、分布式预测方法及其系统 | |
| CN112631605A (zh) | 联邦学习模型的代码编译方法、装置、设备及存储介质 | |
| CN113159327A (zh) | 基于联邦学习系统的模型训练方法、装置、电子设备 | |
| CN113688999A (zh) | 一种横向联邦xgboost决策树的训练方法 | |
| CN112347500A (zh) | 分布式系统的机器学习方法、装置、系统、设备及存储介质 | |
| CN113221153B (zh) | 图神经网络训练方法、装置、计算设备及存储介质 | |
| CN111914281B (zh) | 基于区块链和同态加密的贝叶斯模型训练方法及装置 | |
| CN115765965A (zh) | 基于联邦学习和双联盟区块链的医疗数据安全共享方法 | |
| CN113554421A (zh) | 一种基于区块链的警务资源数据治理协同方法 | |
| CN113722987A (zh) | 联邦学习模型的训练方法、装置、电子设备和存储介质 | |
| CN113742764A (zh) | 基于区块链的可信数据安全存储方法、检索方法及设备 | |
| CN115455476A (zh) | 基于多密钥同态加密的纵向联邦学习隐私保护方法及系统 | |
| CN112307513A (zh) | 基于时域共识的上链文档安全管理方法、装置和电子设备 | |
| Niya et al. | On-Chain IoT data modification in blockchains | |
| CN111966753A (zh) | 基于区块链和同态加密的决策树模型训练方法及装置 | |
| CN112668038A (zh) | 一种模型训练方法、装置和电子设备 | |
| CN112668016A (zh) | 一种模型训练方法、装置和电子设备 |
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 |