CN112163896B - 一种联邦学习系统 - Google Patents

一种联邦学习系统 Download PDF

Info

Publication number
CN112163896B
CN112163896B CN202011120008.3A CN202011120008A CN112163896B CN 112163896 B CN112163896 B CN 112163896B CN 202011120008 A CN202011120008 A CN 202011120008A CN 112163896 B CN112163896 B CN 112163896B
Authority
CN
China
Prior art keywords
module
data
initiator
unit
alliance
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.)
Active
Application number
CN202011120008.3A
Other languages
English (en)
Other versions
CN112163896A (zh
Inventor
陈思恩
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.)
Tech Valley Xiamen Information Technology Co ltd
Original Assignee
Tech Valley Xiamen Information Technology 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 Tech Valley Xiamen Information Technology Co ltd filed Critical Tech Valley Xiamen Information Technology Co ltd
Priority to CN202011120008.3A priority Critical patent/CN112163896B/zh
Publication of CN112163896A publication Critical patent/CN112163896A/zh
Application granted granted Critical
Publication of CN112163896B publication Critical patent/CN112163896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种联邦学习系统，包括联盟构建单元、数据集市单元、模型训练单元、模型发布单元及报表统计单元，所述联盟构建单元包括联盟成员模块、平台搭建模块及联盟合作模块，所述数据集市单元包括数据上架模块、数据查找模块及订阅管理模块，所述模型训练单元包括可视化建模模块、训练任务模块及训练跟踪模块，所述模型发布单元包括发布模块、预测任务模块及预测跟踪模块，所述报表统计单元用于针对联盟成员各方进行模型训练次数统计、ID交集统计、模型预测次数统计及数据使用情况统计。

Description

一种联邦学习系统
技术领域
本发明涉及机器学习技术领域，特别涉及一种联邦学习系统。
背景技术
现代机器学习系统可能容易遭受各种故障，这些故障包括非恶意故障，例如预处理管道中的错误，嘈杂的培训标签，不可靠的客户端以及针对培训和部署管道的显式攻击。联合学习的分布式性质、体系结构设计以及数据约束打开了新的故障模式和攻击面，在联邦学习中存在数据隐私保护的难题，存在数据泄露的风险，同时联邦学习中联合建模对专业人员配置算法流程的要求比较高，限制了联邦学习的应用。
发明内容
为解决上述问题，本发明提供了一种联邦学习系统。
本发明采用以下技术方案：
一种联邦学习系统，包括联盟构建单元、数据集市单元、模型训练单元、模型发布单元及报表统计单元，其中：
所述联盟构建单元包括联盟成员模块、平台搭建模块及联盟合作模块，所述联盟成员模块用于配置联盟成员角色、角色权限配置模块及维护联盟成员信息，所述联盟成员角色包括发起方、参与方及协作方，所述角色权限配置模块用于配置联盟成员角色的数据共享权限，所述数据共享权限具体为，协作方获得的数据仅是发起方和参与方的梯度值和损失值，发起方与参与方不获得对方数据的特征值，所述联盟成员信息包括联盟成员各方的基础信息和平台信息，所述平台搭建模块用于联盟成员各方线下搭建各自的联邦学习平台，所述联盟合作模块基于合作邀请机制建立多方合作联盟，其用于联盟合作的申请和验证；
所述数据集市单元包括数据上架模块、数据查找模块及订阅管理模块，所述数据上架模块用于联盟成员上架符合联邦学习建模要求的数据集，所述数据查找模块用于查找需要使用的数据并校验数据是否已授权订阅，所述订阅管理模块用于数据订阅的申请和授权；
所述模型训练单元包括可视化建模模块、训练任务模块及训练跟踪模块，所述可视化建模模块用于根据联邦学习任务实现算法流程的可视化配置，所述训练任务模块根据算法流程进行模型训练，所述训练跟踪模块用于实时查看模型训练状态并进行评估分析，所述模型训练具体为，基于所述算法流程提交训练任务，发起方、参与方及协作方分别执行训练任务，彼此之间通过API接口进行加密通信，所述执行训练任务包括ID匹配对齐、特征分箱、模型梯度传递及模型梯度聚合；
所述模型发布单元包括发布模块、预测任务模块及预测跟踪模块，所述发布模块用于提交预测任务，所述预测任务包括离线预测任务和在线预测任务，所述预测任务模块用于联盟成员各方执行模型预测任务，所述预测跟踪模块用于查看模型预测状态；
所述报表统计单元用于针对联盟成员各方进行模型训练次数统计、ID交集统计、模型预测次数统计及数据使用情况统计。
优选地，所述的联盟成员各方执行模型预测任务，彼此进行信息交互时进行加密通信。
优选地，所述加密通信采用非对称同态加密。
优选地，所述非对称同态加密采用RSA加密算法或Paillier加密算法。
优选地，所述非对称同态加密具体为：
协作者将公钥分发给发起者和参与者，用以对训练过程中需要交换的数据进行加密；
发起者和参与者以加密形式交互用于计算梯度值的中间结果；
发起者和参与者分别基于加密的梯度值进行计算，同时参与者根据其标签数据计算损失，并把汇总结果给协作者，协作者通过汇总结果计算总梯度值并利用私钥将其解密；
协作者将解密后的总梯度值分别回传给发起者和参与者，发起者和参与者根据总梯度值更新各自模型的参数。
优选地，所述ID匹配对齐的具体方法为：
参与方利用RSA算法生成公钥和私钥，并将公钥发送给发起方；
发起方针对其数据样品的ID的取哈希值，并将加密ID结果发送给参与方；
参与方将发起方发送的加密后结果取n次幂，将其自己的样本数据ID取哈希值，然后将发起方的加密ID结果连同自己ID加密后一并发送给发起方；
发起方计算与参与方的ID交集，并将计算结果同步给参与方。
优选地，所述特征分箱的具体方法为：
参与方对标签进行加密，然后连同ID一并发送给发起方；
发起方进行ID关联匹配，计算0、1的个数，将每个分箱中0、1的个数加密后发送给参与方；
参与方进行解密后，获得每个特征对应的WOE值和IV值。
优选地，所述API接口的具体安全方式为：模型训练单元和模型预测单元在工作过程中，采用统一的Token登录认证机制进行安全管控；联盟构建单元和数据集市单元工作时涉及的API接口交互通信，采用RSA非对称加密算法进行合法成员操作校验控制。
优选地，所述模型训练单元包括鲁邦优化模块，所述鲁邦优化模块采用差分隐私算法，用于减小训练过程的恶意攻击。
优选地，还包括日志单元，所述日志单元用于采集各类操作事件、用户访问记录、系统运行日志、接口交互日志，通过规范化、过滤、归并和告警分析等处理后，以统一格式的日志形式进行集中存储和管理，结合日志统计及关联分析，实现对平台日志的全面审计。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：
本发明通过定义联盟成员角色的数据共享权限，并在数据交互过程中进行非对称同态加密，保护了联盟成员的样本数据的隐私，避免了模型训练过程中的信息泄露；本发明根据联邦学习任务实现算法流程的可视化配置，降低了对人员的专业要求，提高了联邦建模的效率；同时通过鲁邦优化的方法，来对抗以恶意手段干扰训练过程，确保了系统的健壮性。
附图说明
图1为本发明的系统框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
本发明公开了一种联邦学习系统，包括联盟构建单元、数据集市单元、模型训练单元、模型发布单元及报表统计单元，其中：
联盟构建单元包括联盟成员模块、平台搭建模块及联盟合作模块，联盟成员模块用于配置联盟成员角色、角色权限配置模块及维护联盟成员信息，联盟成员角色包括发起方、参与方及协作方，角色权限配置模块用于配置联盟成员角色的数据共享权限，数据共享权限具体为，协作方获得的数据仅是发起方和参与方的梯度值和损失值，发起方与参与方不获得对方数据的特征值，联盟成员信息包括联盟成员各方的基础信息和平台信息，平台搭建模块用于联盟成员各方线下搭建各自的联邦学习平台，联盟合作模块基于合作邀请机制建立多方合作联盟，其用于联盟合作的申请和验证。
数据集市单元包括数据上架模块、数据查找模块及订阅管理模块，数据上架模块用于联盟成员上架符合联邦学习建模要求的数据集，数据查找模块用于查找需要使用的数据并校验数据是否已授权订阅，订阅管理模块用于数据订阅的申请和授权。
模型训练单元包括可视化建模模块、训练任务模块及训练跟踪模块，可视化建模模块用于根据联邦学习任务实现算法流程的可视化配置，训练任务模块根据算法流程进行模型训练，训练跟踪模块用于实时查看模型训练状态并进行评估分析，模型训练具体为，基于算法流程提交训练任务，发起方、参与方及协作方分别执行训练任务，彼此之间通过API接口进行加密通信，执行训练任务包括ID匹配对齐、特征分箱、模型梯度传递及模型梯度聚合。模型训练单元包括鲁邦优化模块，鲁邦优化模块采用差分隐私算法，用于减小训练过程的恶意攻击。
ID匹配对齐的具体方法为：参与方利用RSA算法生成公钥和私钥，并将公钥发送给发起方；发起方针对其数据样品的ID的取哈希值，并将加密ID结果发送给参与方；参与方将发起方发送的加密后结果取n次幂，将其自己的样本数据ID取哈希值，然后将发起方的加密ID结果连同自己ID加密后一并发送给发起方；发起方计算与参与方的ID交集，并将计算结果同步给参与方。
特征分箱的具体方法为：参与方对标签进行加密，然后连同ID一并发送给发起方；发起方进行ID关联匹配，计算0、1的个数，将每个分箱中0、1的个数加密后发送给参与方；参与方进行解密后，获得每个特征对应的WOE值(证据权重)和IV值(信息价值)。
述API接口的具体安全方式为：模型训练单元和模型预测单元在工作过程中，采用统一的Token登录认证机制进行安全管控；联盟构建单元和数据集市单元工作时涉及的API接口交互通信，采用RSA非对称加密算法进行合法成员操作校验控制。
模型发布单元包括发布模块、预测任务模块及预测跟踪模块，发布模块用于提交预测任务，预测任务包括离线预测任务和在线预测任务，预测任务模块用于联盟成员各方执行模型预测任务，预测跟踪模块用于查看模型预测状态。的联盟成员各方执行模型预测任务，彼此进行信息交互时进行加密通信。
报表统计单元用于针对联盟成员各方进行模型训练次数统计、ID交集统计、模型预测次数统计及数据使用情况统计。
加密通信采用非对称同态加密。在本实施例中，非对称同态加密采用RSA加密算法或Paillier加密算法。非对称同态加密具体为：
协作者将公钥分发给发起者和参与者，用以对训练过程中需要交换的数据进行加密；
发起者和参与者以加密形式交互用于计算梯度值的中间结果；
发起者和参与者分别基于加密的梯度值进行计算，同时参与者根据其标签数据计算损失，并把汇总结果给协作者，协作者通过汇总结果计算总梯度值并利用私钥将其解密；
协作者将解密后的总梯度值分别回传给发起者和参与者，发起者和参与者根据总梯度值更新各自模型的参数。
本发明的联邦学习系统还包括日志单元，日志单元用于采集各类操作事件、用户访问记录、系统运行日志、接口交互日志，通过规范化、过滤、归并和告警分析等处理后，以统一格式的日志形式进行集中存储和管理，结合日志统计及关联分析，实现对平台日志的全面审计。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种联邦学习系统，其特征在于，包括联盟构建单元、数据集市单元、模型训练单元、模型发布单元及报表统计单元，其中：
所述联盟构建单元包括联盟成员模块、平台搭建模块及联盟合作模块，所述联盟成员模块用于配置联盟成员角色、角色权限配置及维护联盟成员信息，所述联盟成员角色包括发起方、参与方及协作方，所述角色权限配置为配置联盟成员角色的数据共享权限，所述数据共享权限具体为，协作方获得的数据仅是发起方和参与方的梯度值和损失值，发起方与参与方不获得对方数据的特征值，所述联盟成员信息包括联盟成员各方的基础信息和平台信息，所述平台搭建模块用于联盟成员各方线下搭建各自的联邦学习平台，所述联盟合作模块基于合作邀请机制建立多方合作联盟，其用于联盟合作的申请和验证；
所述数据集市单元包括数据上架模块、数据查找模块及订阅管理模块，所述数据上架模块用于联盟成员上架符合联邦学习建模要求的数据集，所述数据查找模块用于查找需要使用的数据并校验数据是否已授权订阅，所述订阅管理模块用于数据订阅的申请和授权；
所述模型训练单元包括可视化建模模块、训练任务模块及训练跟踪模块，所述可视化建模模块用于根据联邦学习任务实现算法流程的可视化配置，所述训练任务模块根据算法流程进行模型训练，所述训练跟踪模块用于实时查看模型训练状态并进行评估分析，所述模型训练具体为，基于所述算法流程提交训练任务，发起方、参与方及协作方分别执行训练任务，彼此之间通过API接口进行加密通信，所述执行训练任务包括ID匹配对齐、特征分箱、模型梯度传递及模型梯度聚合；
所述模型发布单元包括发布模块、预测任务模块及预测跟踪模块，所述发布模块用于提交预测任务，所述预测任务包括离线预测任务和在线预测任务，所述预测任务模块用于联盟成员各方执行模型预测任务，所述预测跟踪模块用于查看模型预测状态；
所述报表统计单元用于针对联盟成员各方进行模型训练次数统计、ID交集统计、模型预测次数统计及数据使用情况统计。
2.如权利要求1所述的一种联邦学习系统，其特征在于，所述的联盟成员各方执行模型预测任务，彼此进行信息交互时进行加密通信。
3.如权利要求2所述的一种联邦学习系统，其特征在于，所述加密通信采用非对称同态加密。
4.如权利要求3所述的一种联邦学习系统，其特征在于，所述非对称同态加密采用RSA加密算法或Paillier加密算法。
5.如权利要求3所述的一种联邦学习系统，其特征在于：所述非对称同态加密具体为：
协作方将公钥分发给发起方和参与方，用以对训练过程中需要交换的数据进行加密；
发起方和参与方以加密形式交互用于计算梯度值的中间结果；
发起方和参与方分别基于加密的梯度值进行计算，同时参与方根据其标签数据计算损失，并把汇总结果给协作方， 协作方通过汇总结果计算总梯度值并利用私钥将其解密；
协作方将解密后的总梯度值分别回传给发起方和参与方，发起方和参与方根据总梯度值更新各自模型的参数。
6.如权利要求3所述的一种联邦学习系统，其特征在于：所述ID匹配对齐的具体方法为：
参与方利用RSA加密算法生成公钥和私钥，并将公钥发送给发起方；
发起方针对其数据样品的ID取哈希值，并将加密ID结果发送给参与方；
参与方将发起方发送的加密后结果取n次幂，将其自己的样本数据ID取哈希值，然后将发起方的加密ID结果连同自己ID加密后一并发送给发起方；
发起方计算与参与方的ID交集，并将计算结果同步给参与方。
7.如权利要求3所述的一种联邦学习系统，其特征在于：所述特征分箱的具体方法为：
参与方对标签进行加密，然后连同ID一并发送给发起方；
发起方进行ID关联匹配，计算0、1的个数，将每个分箱中0、1的个数加密后发送给参与方；
参与方进行解密后，获得每个特征对应的证据权重WOE值和信息价值IV值。
8.如权利要求3所述的一种联邦学习系统，其特征在于：所述API接口的具体安全方式为：模型训练单元和模型发布单元在工作过程中，采用统一的Token登录认证机制进行安全管控；联盟构建单元和数据集市单元工作时涉及的API接口交互通信，采用RSA非对称加密算法进行合法成员操作校验控制。
9.如权利要求1所述的一种联邦学习系统，其特征在于：所述模型训练单元包括鲁邦优化模块，所述鲁邦优化模块采用差分隐私算法，用于减小训练过程的恶意攻击。
10.如权利要求1所述的一种联邦学习系统，其特征在于：还包括日志单元，所述日志单元用于采集各类操作事件、用户访问记录、系统运行日志、接口交互日志，通过规范化、过滤、归并和告警分析等处理后，以统一格式的日志形式进行集中存储和管理，结合日志统计及关联分析，实现对平台日志的全面审计。
CN202011120008.3A 2020-10-19 2020-10-19 一种联邦学习系统 Active CN112163896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011120008.3A CN112163896B (zh) 2020-10-19 2020-10-19 一种联邦学习系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011120008.3A CN112163896B (zh) 2020-10-19 2020-10-19 一种联邦学习系统

Publications (2)

Publication Number Publication Date
CN112163896A CN112163896A (zh) 2021-01-01
CN112163896B true CN112163896B (zh) 2022-05-06

Family

ID=73867464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011120008.3A Active CN112163896B (zh) 2020-10-19 2020-10-19 一种联邦学习系统

Country Status (1)

Country Link
CN (1) CN112163896B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113055902B (zh) * 2021-03-25 2022-04-22 中国科学院计算技术研究所 一种智能化的移动通信网络系统
CN112799708B (zh) * 2021-04-07 2021-07-13 支付宝(杭州)信息技术有限公司 联合更新业务模型的方法及系统
CN113591133B (zh) * 2021-09-27 2021-12-24 支付宝(杭州)信息技术有限公司 基于差分隐私进行特征处理的方法及装置
CN114154202B (zh) * 2022-02-09 2022-06-24 支付宝(杭州)信息技术有限公司 基于差分隐私的风控数据探查方法和系统
CN114925119A (zh) * 2022-06-13 2022-08-19 深圳致星科技有限公司 联邦学习方法、装置、系统、设备、介质和程序产品
CN117236420B (zh) * 2023-11-14 2024-03-26 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于数据子集的纵向联邦学习异常数据调试方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109167695A (zh) * 2018-10-26 2019-01-08 深圳前海微众银行股份有限公司 基于联邦学习的联盟网络构建方法、设备及可读存储介质
CN110288094A (zh) * 2019-06-10 2019-09-27 深圳前海微众银行股份有限公司 基于联邦学习的模型参数训练方法及装置
CN111104731A (zh) * 2019-11-19 2020-05-05 北京集奥聚合科技有限公司 一种用于联邦学习的图形化模型全生命周期建模方法
CN111737749A (zh) * 2020-06-28 2020-10-02 南方电网科学研究院有限责任公司 基于联邦学习的计量装置告警预测方法及设备
CN111753006A (zh) * 2020-06-10 2020-10-09 北京智源人工智能研究院 一种基于联邦学习的预测系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685501B (zh) * 2018-12-04 2023-04-07 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109167695A (zh) * 2018-10-26 2019-01-08 深圳前海微众银行股份有限公司 基于联邦学习的联盟网络构建方法、设备及可读存储介质
CN110288094A (zh) * 2019-06-10 2019-09-27 深圳前海微众银行股份有限公司 基于联邦学习的模型参数训练方法及装置
CN111104731A (zh) * 2019-11-19 2020-05-05 北京集奥聚合科技有限公司 一种用于联邦学习的图形化模型全生命周期建模方法
CN111753006A (zh) * 2020-06-10 2020-10-09 北京智源人工智能研究院 一种基于联邦学习的预测系统及方法
CN111737749A (zh) * 2020-06-28 2020-10-02 南方电网科学研究院有限责任公司 基于联邦学习的计量装置告警预测方法及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于联邦学习的企业数据共享探讨;何雯 等;《信息与电脑(理论版)》;20200425(第08期);第173-176页 *
联邦学习安全与隐私保护研究综述;周俊 等;《西华大学学报(自然科学版)》;20200710;第39卷(第04期);第9-17页 *
联邦学习模型在涉密数据处理中的应用;贾延延 等;《中国电子科学研究院学报》;20200120;第15卷(第01期);第43-49页 *

Also Published As

Publication number Publication date
CN112163896A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
CN112163896B (zh) 一种联邦学习系统
CN107425982B (zh) 一种实现智能合约数据加密的方法和区块链
CN109558517B (zh) 一种基于区块链的多方安全选举系统
CN111935156B (zh) 一种联邦学习的数据隐私保护方法
CN111935157B (zh) 一种基于安全防御的联盟学习系统
US7860244B2 (en) Secure computation of private values
CN109213790B (zh) 一种基于区块链的数据流通分析方法和系统
US20230328043A1 (en) Privacy protection method and system for financial data sharing based on federated learning
He et al. Secure logistic regression for vertical federated learning
CN103996233A (zh) 一种基于蓝牙的指纹机柜锁及控制方法
CN109347865A (zh) 一种基于区块链技术的用户数据鉴权存证的方法及系统
CN109547551B (zh) 一种科技项目动态监管系统
CN114363013A (zh) 监管友好的区块链内容隐私保护系统、消息发送以及查询方法
CN113239401A (zh) 一种基于电力物联网的大数据分析系统、方法及计算机存储介质
CN116502732B (zh) 基于可信执行环境的联邦学习方法以及系统
US20210359837A1 (en) Systems and methods for secure data computing and algorithm sharing
Alsagheer et al. Decentralized machine learning governance: Overview, opportunities, and challenges
CN117056984A (zh) 一种数据安全计算的方法、系统、计算机设备及存储介质
Skarkala et al. Pp-tan: a privacy preserving multi-party tree augmented naive Bayes classifier
CN115098883A (zh) 一种基于安全多方计算的数据隐私保护方法和系统
CN114462067A (zh) 基于区块链的数字资产可信交换管理方法及装置
CN113472770A (zh) 一种适用于电网大数据的安全外包计算架构
CN112911018A (zh) 一种基于区块链的网络社区征信管理方法
CN112927080A (zh) 基于区块链技术的电力行业多方信息共享方法
CN109508553A (zh) 一种对用户数据进行鉴权存证的方法及系统

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