CN113378183B - 基于多方安全计算的用户隐私保护方法、装置和系统 - Google Patents
基于多方安全计算的用户隐私保护方法、装置和系统 Download PDFInfo
- Publication number
- CN113378183B CN113378183B CN202110893693.1A CN202110893693A CN113378183B CN 113378183 B CN113378183 B CN 113378183B CN 202110893693 A CN202110893693 A CN 202110893693A CN 113378183 B CN113378183 B CN 113378183B
- Authority
- CN
- China
- Prior art keywords
- data
- party
- model
- trusted
- service
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004364 calculation method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 27
- 238000012795 verification Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 2
- 230000010485 coping Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 244000223014 Syzygium aromaticum Species 0.000 description 1
- 235000016639 Syzygium aromaticum Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
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
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
- G06F21/577—Assessing vulnerabilities and evaluating computer system security
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于多方安全计算的用户隐私保护方法、装置和系统，根据参与方数据建立相应的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，通过处理后的数据属性，可信第三方基于各方数据属性进行训练后向各方返回调优后的模型及参数，保证在各个参与方(包括服务方、互联网业务平台各方)的私有数据不出域的情况下，或者说保证各个参与方的私有数据不泄露的情况下，使得计算模型输出同样的结果。
Description
技术领域
本发明涉及计算机信息安全技术领域，尤其涉及一种基于多方安全计算的用户隐私保护方法、装置和系统。
背景技术
随着经济高速发展，互联网及移动互联网的普及，基于用户行为轨迹进行数据收集后建立模型以预测用户的行为偏好已经成为一种趋势，但个人用户数据安全已经日益成为社会各界关注的焦点，为此各国都在出台数据安全相关条例以保护用户个人隐私。
多方安全计算是解决一组互不信任的参与方之间保护隐私的协同计算问题，多方往往指应用场景中的强相关联的各方，主要特点是多个计算参与方都无法获取原始隐私数据的情况下完成计算并能够确保计算的精度和输出结果的可信度。
不确定性定量评估是通过定量方法对于计算的不确定性进行度量，从而避免只提供原始计算结果造成的信息缺失。
迁移学习是指一个预训练模型被重新应用在一个不同任务中的一种机器学习方法，主要是针对训练数据和应用数据明显不一致时可能产生的问题。
发明内容
针对上述缺陷，本发明要解决的技术问题是如何在保护患者用户隐私的前提下，能够充分利用大数据和建模的优势对患者的信息进行利用，从而准确地判断患者的病情以便给出准确的治疗方案。
针对上述缺陷，本发明的目的在于提供一种基于多方安全计算的用户隐私保护方法、系统及电子设备、计算机存储介质和程序产品。
根据本说明书的实施例的一方面，提供一种基于多方安全计算的用户隐私保护方法，用于至少一个服务方和至少一个互联网业务平台联合建模训练，所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，减少各方训练模型的差异导致预测进度的不确定性，各方向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
优选的，服务方和互联网业务平台各方依据自身已收集的数据进行初步建模，通过建立模型对不同业务类型、不同人群以及不同检测方案的大数据进行建模。
优选的，需要评估的不确定性体系包括但不限于模型预测精度上的不确定性、模型泛化能力的不确定性以及数据完整性方面的不确定性。
优选的，至少一个服务方的数据具有不同纬度的数据，包括但不限于用户个人信息、查询历史信息、相关业务数据以及初步应对方案数据。
优选的，可信第三方具有可信的数据存储空间，包括存储各方发送的数据以及独立模型运算空间。
优选的，可信第三方向至少一个服务方和互联网业务平台发送模型和交换建模参数。
根据本说明书的实施例的另一方面，提供一种基于多方安全计算的用户隐私保护方法，应用于互联网业务平台，包括：
在接收到至少一个服务方的联合建模请求后，依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向互联网业务平台返回调优后的模型及参数，互联网业务平台基于新模型及参数和收集的数据计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
优选的，互联网业务平台各方依据自身已收集的数据进行初步建模，通过建立模型对不同业务类型、不同人群以及不同检测方案的大数据进行建模。
优选的，需要评估的不确定性体系包括但不限于模型预测精度上的不确定性、模型泛化能力的不确定性以及数据完整性方面的不确定性。
根据本说明书的实施例的另一方面，提供一种基于多方安全计算的用户隐私保护方法，应用于第三方可信平台，包括：在接收到至少一个服务方和至少一个互联网业务平台联合建模训练的请求后，建立训练模型，并接收所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模后的参数，基于各方发送的新数据进行验证和调参，接收各方提供处理后的数据属性基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
优选的，第三方可信平台具有可信的数据存储空间，包括存储各方发送的数据以及独立模型运算空间。
优选的，第三方可信平台向至少一个服务方和互联网业务平台发送模型和交换建模参数。
根据本说明书的实施例的另一方面，提供一种基于多方安全计算的用户隐私保护系统，包括：至少一个服务方、至少一个互联网业务平台以及一第三方可信平台，其中，
所述服务方依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于所述可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性，所述可信第三方基于各方数据属性进行训练后向互联网业务平台返回调优后的模型及参数，互联网业务平台基于新模型及参数和收集的数据计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件；
所述互联网业务平台在接收到所述服务方的联合建模请求后，依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于所述可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性，所述可信第三方基于各方数据属性进行训练后向互联网业务平台返回调优后的模型及参数，互联网业务平台基于新模型及参数和收集的数据计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件；
所述第三方可信平台在接收到所述服务方和所述互联网业务平台联合建模训练的请求后，建立训练模型，并接收所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模后的参数，基于各方发送的新数据进行验证和调参，接收各方提供处理后的数据属性基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
优选的，需要评估的不确定性体系包括但不限于模型预测精度上的不确定性、模型泛化能力的不确定性以及数据完整性方面的不确定性。
根据本说明书的实施例的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现以下步骤：
所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，减少各方训练模型的差异导致预测进度的不确定性，各方向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
根据本说明书的实施例的另一方面，提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现以下步骤：
所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，减少各方训练模型的差异导致预测进度的不确定性，各方向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
根据本说明书的实施例的另一方面，提供一种电子设备，包括：
处理器；以及
被设置成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
在接收到至少一个服务方的联合建模请求后，依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向互联网业务平台返回调优后的模型及参数，互联网业务平台基于新模型及参数和收集的数据计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
根据本说明书的实施例的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现以下步骤：
在接收到至少一个服务方的联合建模请求后，依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向互联网业务平台返回调优后的模型及参数，互联网业务平台基于新模型及参数和收集的数据计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
根据本说明书的实施例的另一方面，提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现以下步骤：
在接收到至少一个服务方的联合建模请求后，依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向互联网业务平台返回调优后的模型及参数，互联网业务平台基于新模型及参数和收集的数据计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
根据本说明书的实施例的另一方面，提供一种电子设备，包括：
处理器；以及
被设置成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
在接收到至少一个服务方和至少一个互联网业务平台联合建模训练的请求后，建立训练模型，并接收所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模后的参数，基于各方发送的新数据进行验证和调参，接收各方提供处理后的数据属性基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
根据本说明书的实施例的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现如下步骤：
在接收到至少一个服务方和至少一个互联网业务平台联合建模训练的请求后，建立训练模型，并接收所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模后的参数，基于各方发送的新数据进行验证和调参，接收各方提供处理后的数据属性基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
根据本说明书的实施例的另一方面，提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如下步骤：
在接收到至少一个服务方和至少一个互联网业务平台联合建模训练的请求后，建立训练模型，并接收所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模后的参数，基于各方发送的新数据进行验证和调参，接收各方提供处理后的数据属性基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
本发明通过应用隐私保护下的多方安全计算基数并结合迁移学习的思想，让保存患者信息的多个服务方和互联网业务平台之间在不共享各自数据的前提下进行联合建模、协作推断，预测相关业务的大数据模型，总结各种数据下的病情发展情况，建立不确定性的定量评估体系对预测结果的不确定性进行合理度量，从而对相关结果、业务发展趋势进行合理地预测，为决策者提供了科学的参考依据。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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。
图1示出了本发明基于多方安全计算的用户隐私保护方法一实施例结构示意图；
图2示出了本发明基于多方安全计算的用户隐私保护方法另一实施例结构示意图；
图3示出了本发明基于多方安全计算的用户隐私保护方法另一实施例结构示意图；
图4示出了本发明基于多方安全计算的用户隐私保护方法一实施例流程示意图；
图5示出了本发明基于多方安全计算的用户隐私保护方法另一实施例流程示意图；
图6示出了本发明基于多方安全计算的用户隐私保护方法另一实施例流程示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，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描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
如图1所示，本说明书的一个实施例提供的一种基于多方安全计算的用户隐私保护方法，用于至少一个服务方11和至少一个互联网业务平台12联合建模训练，所述服务方11和互联网业务平台12各方分别依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方（或第三方可信平台）13将训练好的模型在新数据下进行验证和调参，减少各方训练模型的差异导致预测进度的不确定性，各方向可信第三方13提供处理后的数据属性，可信第三方13基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方13返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
在一些实施例中，服务方和互联网业务平台各方依据自身已收集的数据进行初步建模，通过建立模型对不同业务类型、不同人群以及不同检测方案的大数据进行建模。
值得说明的是，需要评估的不确定性体系包括但不限于模型预测精度上的不确定性、模型泛化能力的不确定性以及数据完整性方面的不确定性。
在一些实施例中，至少一个服务方的数据具有不同纬度的数据，包括但不限于用户个人信息、查询历史信息、相关业务数据以及初步应对方案数据。
在一些实施例中，可信第三方具有可信的数据存储空间，包括存储各方发送的数据以及独立模型运算空间。
在一些实施例中，可信第三方向至少一个服务方和互联网业务平台发送模型和交换建模参数。
在一个具体例子中，上述服务方可以为外部相关合作机构，如连锁体检中心，这种体检中心为具备医疗资质的服务机构，有些是医院下属单位，有些是专业体检连锁机构，常见的有爱康国宾、美年大健康、慈铭等等。
在一个具体例子中，互联网业务平台可以是综合性互联网健康医药医疗平台，如阿里健康、京东健康，也可以是专门从事医疗健康问诊平台，如春雨医生、丁香园等，还可以是专科类医疗平台，如专注于中枢神经领域的专业移动医疗平台好心情移动医疗。
如图2所示，以外部相关合作机构为例，本说明书的一个实施例提供的一种基于多方安全计算的用户隐私保护方法，用于至少一个体检机构和至少一个互联网业务平台联合建模训练，所述体检机构和互联网业务平台各方分别依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，减少各方训练模型的差异导致预测进度的不确定性，各方向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
如图3所示，在一个具体例子中，体检机构、服务方、互联网业务平台可以作为参与各方，其中，服务方既可以作为第三方可信平台，也可以作为参与方。作为参与方，本说明书的一个实施例提供的一种基于多方安全计算的用户隐私保护方法，用于至少一个体检机构、至少一个服务方和至少一个互联网业务平台联合建模训练，所述体检机构、服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，减少各方训练模型的差异导致预测进度的不确定性，各方向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
在本发明的实施例中，第三方可信平台可以为国家医疗监管机构，比如各地医保中心、医药监督管理部门等。
在一个具体例子中，为了使得数据隐私保护更加完备，对各方的数据和建模行为做好监管，服务方、互联网业务平台、第三方可信平台分别作为联盟链的节点，基于区块链（联盟链）将各参与方作为节点参与，并将数据校验、数据属性、建模参数等做哈希加密后存证上链，并生成相应的数字证书作为唯一标识，在后期出现医疗事故纠纷时能以可信手段定位并确认整个行为链中的各方行为，为明确责任提供了基础能力。
如图4所示，以互联网业务平台方的角度，提供一种基于多方安全计算的用户隐私保护方法的实施例，包括以下步骤：
S201、在接收到至少一个服务方的联合建模请求后，依据自身收集的数据进行初步建模；
S202、根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果；
S203、对模型预测结果的不确定性建立完整的定量评估体系；基于可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性；
S204、可信第三方基于各方数据属性进行训练后向互联网业务平台返回调优后的模型及参数；
S205、互联网业务平台基于新模型及参数和收集的数据计算并向可信第三方返回预测结果；
S206、如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
在一些实施例中，互联网业务平台各方依据自身已收集的数据进行初步建模，通过建立模型对不同业务类型、不同人群以及不同检测方案的大数据进行建模。
特别需要说明的是，需要评估的不确定性体系包括但不限于模型预测精度上的不确定性、模型泛化能力的不确定性以及数据完整性方面的不确定性。
如图5所示，以第三方可信平台的角度，提供一种基于多方安全计算的用户隐私保护方法的实施例，包括以下步骤：
S301、在接收到至少一个服务方和至少一个互联网业务平台联合建模训练的请求后，建立训练模型；
S302、接收所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模后的参数；
S303、基于各方发送的新数据进行验证和调参；
S304、接收各方提供处理后的数据属性基于各方数据属性进行训练后向各方返回调优后的模型及参数；
S305、各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果；
S306、如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
在一些实施例中，第三方可信平台具有可信的数据存储空间，包括存储各方发送的数据以及独立模型运算空间。
在一些实施例中，第三方可信平台向至少一个服务方和互联网业务平台发送模型和交换建模参数。
如图6所示，以体检机构的角度，提供一种基于多方安全计算的用户隐私保护方法的实施例，包括以下步骤：
S401、在接收到至少一个服务方和/或至少一个互联网业务平台的联合建模请求后，依据自身收集的数据进行初步建模；
S402、根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果；
S403、对模型预测结果的不确定性建立完整的定量评估体系；基于可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性；
S404、可信第三方基于各方数据属性进行训练后向体检机构返回调优后的模型及参数；
S405、体检机构基于新模型及参数和收集的数据计算并向可信第三方返回预测结果；
S406、如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
在一些实施例中，体检机构依据自身已收集的数据进行初步建模，通过建立模型对不同业务类型、不同人群以及不同检测方案的大数据进行建模。
值得说明的是，需要评估的不确定性体系包括但不限于模型预测精度上的不确定性、模型泛化能力的不确定性以及数据完整性方面的不确定性。
根据另一方面的实施例，还提供一种基于多方安全计算的用户隐私保护系统，包括：至少一个服务方、至少一个互联网业务平台以及一第三方可信平台，其中，
服务方依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于所述可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性，所述可信第三方基于各方数据属性进行训练后向互联网业务平台返回调优后的模型及参数，互联网业务平台基于新模型及参数和收集的数据计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件；
互联网业务平台在接收到所述服务方的联合建模请求后，依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于所述可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性，所述可信第三方基于各方数据属性进行训练后向互联网业务平台返回调优后的模型及参数，互联网业务平台基于新模型及参数和收集的数据计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件；
第三方可信平台在接收到所述服务方和所述互联网业务平台联合建模训练的请求后，建立训练模型，并接收所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模后的参数，基于各方发送的新数据进行验证和调参，接收各方提供处理后的数据属性基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
在一些实施例中，需要评估的不确定性体系包括但不限于模型预测精度上的不确定性、模型泛化能力的不确定性以及数据完整性方面的不确定性。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现以下步骤：
服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，减少各方训练模型的差异导致预测进度的不确定性，各方向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
根据另一方面的实施例，还提供一种计算机程序产品，包括计算机程序 /指令，该计算机程序/指令被处理器执行时实现以下步骤：
服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，减少各方训练模型的差异导致预测进度的不确定性，各方向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
根据本说明书的实施例的另一方面，还提供一种电子设备，包括：
处理器；以及
被设置成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
在接收到至少一个服务方的联合建模请求后，依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向互联网业务平台返回调优后的模型及参数，互联网业务平台基于新模型及参数和收集的数据计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
根据本说明书的实施例的另一方面，还提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现以下步骤：
在接收到至少一个服务方的联合建模请求后，依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向互联网业务平台返回调优后的模型及参数，互联网业务平台基于新模型及参数和收集的数据计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
根据本说明书的实施例的另一方面，提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现以下步骤：
在接收到至少一个服务方的联合建模请求后，依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向互联网业务平台返回调优后的模型及参数，互联网业务平台基于新模型及参数和收集的数据计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
根据本说明书的实施例的另一方面，提供一种电子设备，包括：
处理器；以及
被设置成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
在接收到至少一个服务方和至少一个互联网业务平台联合建模训练的请求后，建立训练模型，并接收所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模后的参数，基于各方发送的新数据进行验证和调参，接收各方提供处理后的数据属性基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
根据本说明书的实施例的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现如下步骤：
在接收到至少一个服务方和至少一个互联网业务平台联合建模训练的请求后，建立训练模型，并接收所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模后的参数，基于各方发送的新数据进行验证和调参，接收各方提供处理后的数据属性基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
根据本说明书的实施例的另一方面，提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如下步骤：
在接收到至少一个服务方和至少一个互联网业务平台联合建模训练的请求后，建立训练模型，并接收所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模后的参数，基于各方发送的新数据进行验证和调参，接收各方提供处理后的数据属性基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
通过本发明实施例提供的多方案安全计算这种框架，可以保证在各个参与方（包括服务方、互联网业务平台各方）私有数据不出域的情况下，或者说保证各个参与方的私有数据不泄露的情况下，使得计算模型输出同样的结果。
本发明通过应用隐私保护下的多方安全计算基数并结合迁移学习的思想，让保存患者信息的多个服务方和互联网业务平台之间在不共享各自数据的前提下进行联合建模、协作推断，预测相关业务的大数据模型，总结各种数据下的病情发展情况，建立不确定性的定量评估体系对预测结果的不确定性进行合理度量，从而对业务结果、业务发展趋势进行合理地预测，为决策者提供了科学的参考依据。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种基于多方安全计算的用户隐私保护方法，用于至少一个服务方和至少一个互联网业务平台联合建模训练，所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，减少各方训练模型的差异导致预测进度的不确定性，各方向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
2.根据权利要求1所述的基于多方安全计算的用户隐私保护方法，所述服务方和互联网业务平台各方依据自身已收集的数据进行初步建模，通过建立模型对不同业务类型、不同人群以及不同检测方案的大数据进行建模。
3.根据权利要求1或2所述的基于多方安全计算的用户隐私保护方法，需要评估的不确定性体系包括模型预测精度上的不确定性、模型泛化能力的不确定性以及数据完整性方面的不确定性。
4.根据权利要求1所述的基于多方安全计算的用户隐私保护方法，所述至少一个服务方的数据具有不同纬度的数据，包括用户个人信息、查询历史信息、相关业务数据以及初步应对方案数据。
5.根据权利要求1所述的基于多方安全计算的用户隐私保护方法，所述可信第三方具有可信的数据存储空间，包括存储各方发送的数据以及独立模型运算空间。
6.根据权利要求5所述的基于多方安全计算的用户隐私保护方法，所述可信第三方向至少一个服务方和互联网业务平台发送模型和交换建模参数。
7.一种基于多方安全计算的用户隐私保护方法，应用于可信第三方，包括：在接收到至少一个服务方和至少一个互联网业务平台联合建模训练的请求后，建立训练模型，并接收所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模后的参数，基于各方发送的新数据进行验证和调参，接收各方提供处理后的数据属性基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
8.根据权利要求7所述的方法，所述可信第三方具有可信的数据存储空间，包括存储各方发送的数据以及独立模型运算空间。
9.根据权利要求7所述的方法，所述可信第三方向至少一个服务方和互联网业务平台发送模型和交换建模参数。
10.一种基于多方安全计算的用户隐私保护系统，包括：至少一个服务方、至少一个互联网业务平台以及一可信第三方，其中，
所述服务方依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于所述可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性；
所述互联网业务平台在接收到所述服务方的联合建模请求后，依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于所述可信第三方将训练好的模型在新数据下进行验证和调参，向可信第三方提供处理后的数据属性；
所述可信第三方在接收到所述服务方和所述互联网业务平台联合建模训练的请求后，建立训练模型，并接收所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模后的参数，基于各方发送的新数据进行验证和调参，接收各方提供处理后的数据属性基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
11.根据权利要求10所述的系统，需要评估的不确定性体系包括模型预测精度上的不确定性、模型泛化能力的不确定性以及数据完整性方面的不确定性。
12.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-6之一所述方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求7-9之一所述方法的步骤。
14.一种电子设备，包括：
处理器；以及
被设置成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
在接收到至少一个服务方和至少一个互联网业务平台联合建模训练的请求后，建立训练模型，并接收所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模后的参数，基于各方发送的新数据进行验证和调参，接收各方提供处理后的数据属性基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311557866.8A CN117892307A (zh) | 2021-08-05 | 2021-08-05 | 互联网医疗用户隐私保护方法、装置和系统 |
| CN202311557863.4A CN117574381A (zh) | 2021-08-05 | 2021-08-05 | 体检用户隐私保护方法、装置和系统 |
| CN202110893693.1A CN113378183B (zh) | 2021-08-05 | 2021-08-05 | 基于多方安全计算的用户隐私保护方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110893693.1A CN113378183B (zh) | 2021-08-05 | 2021-08-05 | 基于多方安全计算的用户隐私保护方法、装置和系统 |
Related Child Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311557866.8A Division CN117892307A (zh) | 2021-08-05 | 2021-08-05 | 互联网医疗用户隐私保护方法、装置和系统 |
| CN202311557863.4A Division CN117574381A (zh) | 2021-08-05 | 2021-08-05 | 体检用户隐私保护方法、装置和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113378183A CN113378183A (zh) | 2021-09-10 |
| CN113378183B true CN113378183B (zh) | 2023-11-10 |
Family
ID=77576926
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311557863.4A Pending CN117574381A (zh) | 2021-08-05 | 2021-08-05 | 体检用户隐私保护方法、装置和系统 |
| CN202311557866.8A Pending CN117892307A (zh) | 2021-08-05 | 2021-08-05 | 互联网医疗用户隐私保护方法、装置和系统 |
| CN202110893693.1A Active CN113378183B (zh) | 2021-08-05 | 2021-08-05 | 基于多方安全计算的用户隐私保护方法、装置和系统 |
Family Applications Before (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311557863.4A Pending CN117574381A (zh) | 2021-08-05 | 2021-08-05 | 体检用户隐私保护方法、装置和系统 |
| CN202311557866.8A Pending CN117892307A (zh) | 2021-08-05 | 2021-08-05 | 互联网医疗用户隐私保护方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (3) | CN117574381A (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114036559B (zh) * | 2021-11-16 | 2022-11-04 | 北京冲量在线科技有限公司 | 基于可信平台控制模块（tpcm）和异构可信执行环境的信创隐私计算系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109783614A (zh) * | 2019-01-25 | 2019-05-21 | 北京信息科技大学 | 一种社交网络待发布文本的差分隐私泄露检测方法及系统 |
| CN110070131A (zh) * | 2019-04-24 | 2019-07-30 | 苏州浪潮智能科技有限公司 | 一种面向数据驱动建模的主动学习方法 |
| CN110942147A (zh) * | 2019-11-28 | 2020-03-31 | 支付宝(杭州)信息技术有限公司 | 基于多方安全计算的神经网络模型训练及预测方法、装置 |
| CN111178549A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 保护数据隐私的双方联合训练业务预测模型的方法和装置 |
| CN111260108A (zh) * | 2019-10-16 | 2020-06-09 | 华北电力大学 | 一种基于区间预测的能源枢纽鲁棒优化方法 |
| CN112068866A (zh) * | 2020-09-29 | 2020-12-11 | 支付宝(杭州)信息技术有限公司 | 更新业务模型的方法及装置 |
| CN112241549A (zh) * | 2020-05-26 | 2021-01-19 | 中国银联股份有限公司 | 安全的隐私计算方法、服务器、系统以及存储介质 |
| CN112289448A (zh) * | 2020-11-06 | 2021-01-29 | 新智数字科技有限公司 | 一种基于联合学习的健康风险预测方法和装置 |
| CN112863687A (zh) * | 2021-02-01 | 2021-05-28 | 北京好欣晴移动医疗科技有限公司 | 抗击新冠在线咨询系统 |
| CN113157400A (zh) * | 2021-05-17 | 2021-07-23 | 北京冲量在线科技有限公司 | 基于x86计算芯片的多方非监督学习联合建模方法 |
| CN113157399A (zh) * | 2021-05-17 | 2021-07-23 | 北京冲量在线科技有限公司 | 基于arm架构芯片的非监督联合建模方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11222138B2 (en) * | 2018-05-29 | 2022-01-11 | Visa International Service Association | Privacy-preserving machine learning in the three-server model |
-
2021
- 2021-08-05 CN CN202311557863.4A patent/CN117574381A/zh active Pending
- 2021-08-05 CN CN202311557866.8A patent/CN117892307A/zh active Pending
- 2021-08-05 CN CN202110893693.1A patent/CN113378183B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109783614A (zh) * | 2019-01-25 | 2019-05-21 | 北京信息科技大学 | 一种社交网络待发布文本的差分隐私泄露检测方法及系统 |
| CN110070131A (zh) * | 2019-04-24 | 2019-07-30 | 苏州浪潮智能科技有限公司 | 一种面向数据驱动建模的主动学习方法 |
| CN111260108A (zh) * | 2019-10-16 | 2020-06-09 | 华北电力大学 | 一种基于区间预测的能源枢纽鲁棒优化方法 |
| CN110942147A (zh) * | 2019-11-28 | 2020-03-31 | 支付宝(杭州)信息技术有限公司 | 基于多方安全计算的神经网络模型训练及预测方法、装置 |
| CN111178549A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 保护数据隐私的双方联合训练业务预测模型的方法和装置 |
| CN112241549A (zh) * | 2020-05-26 | 2021-01-19 | 中国银联股份有限公司 | 安全的隐私计算方法、服务器、系统以及存储介质 |
| CN112068866A (zh) * | 2020-09-29 | 2020-12-11 | 支付宝(杭州)信息技术有限公司 | 更新业务模型的方法及装置 |
| CN112289448A (zh) * | 2020-11-06 | 2021-01-29 | 新智数字科技有限公司 | 一种基于联合学习的健康风险预测方法和装置 |
| CN112863687A (zh) * | 2021-02-01 | 2021-05-28 | 北京好欣晴移动医疗科技有限公司 | 抗击新冠在线咨询系统 |
| CN113157400A (zh) * | 2021-05-17 | 2021-07-23 | 北京冲量在线科技有限公司 | 基于x86计算芯片的多方非监督学习联合建模方法 |
| CN113157399A (zh) * | 2021-05-17 | 2021-07-23 | 北京冲量在线科技有限公司 | 基于arm架构芯片的非监督联合建模方法 |
Non-Patent Citations (2)
| Title |
|---|
| 医疗健康大数据隐私保护综述;郭子菁 等;《计算机科学与探索》;第15卷(第03期);389-402 * |
| 沉积模式约束下的地震驱动建模方法研究;李炳颖;《中国优秀硕士学位论文全文数据库 基础科学辑》(第05期);A011-241 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117574381A (zh) | 2024-02-20 |
| CN117892307A (zh) | 2024-04-16 |
| CN113378183A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111898148B (zh) | 一种基于区块链的信息监管方法及装置 | |
| Engin et al. | Algorithmic government: Automating public services and supporting civil servants in using data science technologies | |
| CN109862018B (zh) | 基于用户访问行为的反爬虫方法及系统 | |
| CN111144718B (zh) | 基于私有数据保护的风险决策方法、装置、系统及设备 | |
| CN111062044B (zh) | 基于区块链的模型联合训练方法及装置 | |
| CN110166442B (zh) | 一种基于区块链的数据处理方法和装置 | |
| US20190188655A1 (en) | Dynamic blockchain transactional policy management | |
| CN110246044A (zh) | 基于区块链的项目审核系统、方法、计算设备及存储介质 | |
| CN113947471B (zh) | 一种构建风险评估模型的方法、装置及设备 | |
| CN112184191A (zh) | 基于区块链的资源交易方法、装置及系统 | |
| El‐Khoury et al. | From the internet of things toward the internet of bodies: Ethical and legal considerations | |
| CN113378183B (zh) | 基于多方安全计算的用户隐私保护方法、装置和系统 | |
| Mufiidah et al. | The benefits, challenges, and future of blockchain and the internet of things | |
| CN117235692A (zh) | 一种基于Web3的软件供应链风险治理系统、方法和平台 | |
| CN113807802A (zh) | 基于区块链的劳务人员薪资结算方法及相关设备 | |
| CN117094773A (zh) | 基于区块链隐私计算的在线迁移学习方法及系统 | |
| CN110225103B (zh) | 一种业务推荐方法、装置及设备 | |
| Khan et al. | BlockU: Extended usage control in and for Blockchain | |
| CN117036023A (zh) | 元宇宙内识别异常交易网络的方法、系统、设备及介质 | |
| CN111292058A (zh) | 基于区块链的企业构建及人力资源管理方法及设备、介质 | |
| CN110990889A (zh) | 一种基于区块链公证婚前财产的方法、设备及介质 | |
| CN115941242A (zh) | 一种基于区块链的数据多态管理方法 | |
| Mustafa et al. | Decentralized oracle networks (DONs) provision for DAML smart contracts | |
| KR20220039606A (ko) | 인증 시스템 및 인증 방법 | |
| CN114450687A (zh) | 用于实现对计算结果的验证的方法、计算机程序和系统 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Rooms 1601 and 1602, 16th floor, No. 52, North Fourth Ring West Road, Haidian District, Beijing 100080 Applicant after: Good Feeling Health Industry Group Co.,Ltd. Address before: Rooms 1601 and 1602, 16th floor, No. 52, North Fourth Ring West Road, Haidian District, Beijing 100080 Applicant before: BEIJING HAOXINQING MOBILE MEDICAL TECHNOLOGY CO.,LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |