CN113543120A - 一种基于联邦学习的移动终端信用反欺诈预估方法及系统 - Google Patents
一种基于联邦学习的移动终端信用反欺诈预估方法及系统 Download PDFInfo
- Publication number
- CN113543120A CN113543120A CN202111089680.5A CN202111089680A CN113543120A CN 113543120 A CN113543120 A CN 113543120A CN 202111089680 A CN202111089680 A CN 202111089680A CN 113543120 A CN113543120 A CN 113543120A
- Authority
- CN
- China
- Prior art keywords
- user
- gradient
- coordinator
- model
- obtaining
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/02—Protecting privacy or anonymity, e.g. protecting personally identifiable information [PII]
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/03—Protecting confidentiality, e.g. by encryption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/30—Security of mobile devices; Security of mobile applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
- H04L2209/46—Secure multiparty computation, e.g. millionaire problem
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
- H04L2209/80—Wireless
Abstract
本发明公开了一种基于联邦学习的移动终端信用反欺诈预估方法及系统,所述方法包括:获得用户集合及第一机构的机构特征;通过第一协调方获得公钥和私钥并共享至第一机构和用户集合中的用户;通过第一协调方规定模型参数初始化方法并与第一用户共享,计算获得梯度密文集合,根据梯度密文集合进行自身模型参数更新并同步至第二用户,将第一机构的梯度值发送至所述第一机构,第一机构更新自身参数,其他用户执行第一用户重复步骤,获得双方半模型,进而获得第一预测结果,并发送至第一机构的半模型,获得最终预测结果。解决了现有技术中存在用户手机端隐私泄露风险,导致用户信息不安全的技术问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于联邦学习的移动终端信用反欺诈预估方法及系统。
背景技术
近年来通信诈骗案件层出不穷,如何有效地甄别和预防通信诈骗成为一个重要的社会课题。出于用户隐私和数据安全的原因,各方原始数据信息不能直接进行交换,这给联合建模带来了诸多困难。联邦学习概念的提出能有效解决基于隐私保护的分布式安全联合建模问题,通过对比传统机器学习和联邦学习在预测精度,训练时间等维度的差别,论证联邦学习在电信运营商和公安机关的数据集上联合建模的可能性。
本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在用户手机端隐私泄露风险,导致用户信息不安全的技术问题。
发明内容
本申请实施例通过提供一种基于联邦学习的移动终端信用反欺诈预估方法及系统,解决了现有技术中存在用户手机端隐私泄露风险,导致用户信息不安全的技术问题。达到了基于联邦学习,实现了多参与方共同建模,保护用户移动终端信息不泄露,给用户提供更安全的技术保障的技术效果。
鉴于上述问题,本申请实施例提供一种基于联邦学习的移动终端信用反欺诈预估方法及系统。
第一方面,本申请提供了一种基于联邦学习的移动终端信用反欺诈预估方法,其中,所述方法包括:获得用户集合,其中,所述用户集合中的用户持有共同用户特征;获得第一机构的机构特征;通过第一协调方获得公钥和私钥,并将所述公钥共享至所述第一机构和所述用户集合中的用户; 通过第一协调方规定模型参数初始化方法,并将所述模型参数初始化方法与第一用户共享,其中,所述第一用户为所述用户集合中的用户;通过所述第一用户、所述第一机构,基于所述公钥计算获得梯度密文集合,其中,所述梯度密文集合包括所述第一用户的梯度密文和所述第一机构的梯度密文;所述第一协调方根据所述梯度密文集合和所述私钥进行自身模型参数更新,并将更新结果同步至第二用户,将所述第一机构的梯度值发送至所述第一机构,所述第一机构通过所述梯度值更新自身参数,其中,所述第二用户为所述用户集合中的用户;将所述用户集合中的所有用户执行步骤S500-步骤S600,获得所述第一协调方的半模型和所述第一机构的半模型;获得第一预测信息,基于所述第一协调方的半模型获得第一预测结果,将所述第一预测结果发送至所述第一机构的半模型,获得最终预测结果。
另一方面,本申请还提供了一种基于联邦学习的移动终端信用反欺诈预估系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于获得用户集合,其中,所述用户集合中的用户持有共同用户特征;第二获得单元,所述第二获得单元用于获得第一机构的机构特征;第三获得单元,所述第三获得单元用于通过第一协调方获得公钥和私钥,并将所述公钥共享至所述第一机构和所述用户集合中的用户;第一执行单元,所述第一执行单元用于通过第一协调方规定模型参数初始化方法,并将所述模型参数初始化方法与第一用户共享,其中,所述第一用户为所述用户集合中的用户;第四获得单元,所述第四获得单元用于通过所述第一用户、所述第一机构,基于所述公钥计算获得梯度密文集合,其中,所述梯度密文集合包括所述第一用户的梯度密文和所述第一机构的梯度密文;第二执行单元,所述第二执行单元用于所述第一协调方根据所述梯度密文集合和所述私钥进行自身模型参数更新,并将更新结果同步至第二用户,将所述第一机构的梯度值发送至所述第一机构,所述第一机构通过所述梯度值更新自身参数,其中,所述第二用户为所述用户集合中的用户;第五获得单元,所述第五获得单元用于将所述用户集合中的所有用户执行步骤S500-步骤S600,获得所述第一协调方的半模型和所述第一机构的半模型;第六获得单元,所述第六获得单元用于获得第一预测信息,基于所述第一协调方的半模型获得第一预测结果,将所述第一预测结果发送至所述第一机构的半模型,获得最终预测结果。
另一方面,本申请实施例还提供了一种基于联邦学习的移动终端信用反欺诈预估方法及系统,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,其中,所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供了一种基于联邦学习的移动终端信用反欺诈预估方法及系统,获得用户集合,其中,所述用户集合中的用户持有共同用户特征;获得第一机构的机构特征;通过第一协调方获得公钥和私钥,并将所述公钥共享至所述第一机构和所述用户集合中的用户; 通过第一协调方规定模型参数初始化方法,并将所述模型参数初始化方法与第一用户共享,其中,所述第一用户为所述用户集合中的用户;通过所述第一用户、所述第一机构,基于所述公钥计算获得梯度密文集合,其中,所述梯度密文集合包括所述第一用户的梯度密文和所述第一机构的梯度密文;所述第一协调方根据所述梯度密文集合和所述私钥进行自身模型参数更新,并将更新结果同步至第二用户,将所述第一机构的梯度值发送至所述第一机构,所述第一机构通过所述梯度值更新自身参数,其中,所述第二用户为所述用户集合中的用户;将所述用户集合中的所有用户执行步骤S500-步骤S600,获得所述第一协调方的半模型和所述第一机构的半模型;获得第一预测信息,基于所述第一协调方的半模型获得第一预测结果,将所述第一预测结果发送至所述第一机构的半模型,获得最终预测结果。解决了现有技术中存在用户手机端隐私泄露风险,导致用户信息不安全的技术问题。达到了基于联邦学习,实现了多参与方共同建模,保护用户移动终端信息不泄露,给用户提供更安全的技术保障的技术效果。
上述说明是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于联邦学习的移动终端信用反欺诈预估方法的流程示意图;
图2为本申请实施例一种基于联邦学习的移动终端信用反欺诈预估方法中获得所述梯度密文集合的流程示意图;
图3为本申请实施例一种基于联邦学习的移动终端信用反欺诈预估方法中将所述第一解密结果中所述第一机构的梯度值发送至所述第一机构的流程示意图;
图4为本申请实施例一种基于联邦学习的移动终端信用反欺诈预估系统的结构示意图;
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第一执行单元14,第四获得单元15,第二执行单元16,第五获得单元17,第六获得单元18,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供一种基于联邦学习的移动终端信用反欺诈预估方法及系统,解决了现有技术中存在用户手机端隐私泄露风险,导致用户信息不安全的技术问题。达到了基于联邦学习,实现了多参与方共同建模,保护用户移动终端信息不泄露,给用户提供更安全的技术保障的技术效果。
下面,将参考附图详细的描述本申请的示例实施例,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
近年来通信诈骗案件层出不穷,如何有效地甄别和预防通信诈骗成为一个重要的社会课题。出于用户隐私和数据安全的原因,各方原始数据信息不能直接进行交换,这给联合建模带来了诸多困难。联邦学习概念的提出能有效解决基于隐私保护的分布式安全联合建模问题,通过对比传统机器学习和联邦学习在预测精度,训练时间等维度的差别,论证联邦学习在电信运营商和公安机关的数据集上联合建模的可能性。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种基于联邦学习的移动终端信用反欺诈预估方法,其中,所述方法包括:获得用户集合,其中,所述用户集合中的用户持有共同用户特征;获得第一机构的机构特征;通过第一协调方获得公钥和私钥,并将所述公钥共享至所述第一机构和所述用户集合中的用户; 通过第一协调方规定模型参数初始化方法,并将所述模型参数初始化方法与第一用户共享,其中,所述第一用户为所述用户集合中的用户;通过所述第一用户、所述第一机构,基于所述公钥计算获得梯度密文集合,其中,所述梯度密文集合包括所述第一用户的梯度密文和所述第一机构的梯度密文;所述第一协调方根据所述梯度密文集合和所述私钥进行自身模型参数更新,并将更新结果同步至第二用户,将所述第一机构的梯度值发送至所述第一机构,所述第一机构通过所述梯度值更新自身参数,其中,所述第二用户为所述用户集合中的用户;将所述用户集合中的所有用户执行步骤S500-步骤S600,获得所述第一协调方的半模型和所述第一机构的半模型;获得第一预测信息,基于所述第一协调方的半模型获得第一预测结果,将所述第一预测结果发送至所述第一机构的半模型,获得最终预测结果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供一种基于联邦学习的移动终端信用反欺诈预估方法,其中,所述方法包括:
步骤S100:获得用户集合,其中,所述用户集合中的用户持有共同用户特征;
步骤S200:获得第一机构的机构特征;
具体而言,出于用户隐私和数据安全的原因,各方原始数据信息不能直接进行交换,联邦学习概念的提出能有效解决基于隐私保护的分布式安全联合建模问题。联邦学习是多参与方或多计算结点之间开展高效率的机器学习,其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私,因此不能直接获得参与方的数据信息,在不公开各自数据的前提下确定参与方之间的共有用户信息,参与方对共有用户信息进行训练,获得共有用户的特征信息,并将参与方之间的共同用户特征数据发送给系统,以便联合这些用户的特征进行建模。所述第一用户是指共同建模的参与方,可以有多个,彼此之间存在相同特征,对特征进行提取,以保证构建模型的精确度。所述第一机构的机构特征是指机构的业务是否相同,将其业务数据的特征进行提取,以便对联邦学习进行分类,使其这些不同特征在加密的状态下加以聚合,以增强模型能力。
步骤S300:通过第一协调方获得公钥和私钥,并将所述公钥共享至所述第一机构和所述用户集合中的用户;
步骤S400:通过第一协调方规定模型参数初始化方法,并将所述模型参数初始化方法与第一用户共享,其中,所述第一用户为所述用户集合中的用户;
具体而言,深度学习模型的训练算法通常是迭代的,因此要求使用者指定一些开源迭代的初始点。此外,训练深度模型的训练算法通常是迭代的问题,以至于大多数算法都很大程度地受到初始化选择的影响,因此需要用户对各自模型进行初始化。所述公钥用于对传输数据的加密,所述私钥用于对使用公钥加密的传输文件进行解密,所有提到解密的地方都需要使用私钥。所述第一协调方是第三方,双方通过公钥加密将彼此的数据参数发送给协调方,协调方通过私钥进行解密,对参与方的数据参数进行参数模型的训练,以保证用户的数据隐私。在确定共有用户群体后,参与方分别在本地环境利用本地数据训练各自子模型,为了保证训练过程中数据的保密性,需要借助第一协调方进行加密训练。由协调方使用paillier加密方法生成公钥、私钥,并将公钥与第一机构、用户集合中所有用户共享,即第一协作方将公钥发送给用户和第一机构,用以对训练过程中需要交换的数据进行加密。将模型参数初始化方法共享给第一用户,第一用户根据第一协调方规定的模型参数初始化方法对模型进行训练,以便初始化结果相同。
步骤S500:通过所述第一用户、所述第一机构,基于所述公钥计算获得梯度密文集合,其中,所述梯度密文集合包括所述第一用户的梯度密文和所述第一机构的梯度密文;
步骤S600:所述第一协调方根据所述梯度密文集合和所述私钥进行自身模型参数更新,并将更新结果同步至第二用户,将所述第一机构的梯度值发送至所述第一机构,所述第一机构通过所述梯度值更新自身参数,其中,所述第二用户为所述用户集合中的用户;
具体而言,第一用户计算的加密值,其中w为用户集合中所有用户的半模型参数,x为第一用户的特征值,根据公式计算加密值,计算完成后通过公钥进行加密并发送给第一机构,第一机构根据通过私钥解密后运用公式计算加密后梯度因子,以保证计算结果为梯度因子的密文,将加密后的梯度因子通过公钥返回给第一用户,第一用户与第一机构用私钥解密后根据梯度因子与本方特征值根据公式计算自己的梯度密文,并将所述梯文密度发送给第一协调方,第一协调方对梯度密文进行解密,根据第一用户的梯度值对自身参数模型进行更新,并将更新结果发送给第二用户,使第二用户同时更新参数,以提升预估模型准确性。
步骤S700:将所述用户集合中的所有用户执行步骤S500-步骤S600,获得所述第一协调方的半模型和所述第一机构的半模型;
步骤S800:获得第一预测信息,基于所述第一协调方的半模型获得第一预测结果,将所述第一预测结果发送至所述第一机构的半模型,获得最终预测结果。
具体而言,在对第一用户自身模型参数进行更新后,为了确保用户集中其他用户预测模型的准确性,对用户集合中所有的用户重复第一用户的步骤。即第二用户代替第一用户,将第一用户步骤S500-步骤S600进行重复,同理,第三用户也是如此,直至用户合集中所有用户都完成此步骤,为保证数据的私密性,此时模型被一分为二,第一协调方与第一机构都是半模型,使模型分布式运作,不会导致数据隐私泄露,得以实现合作训练模型。当用户需要进行反欺诈预测时,需要先拉取第一协调方的半模型,获得协调方的预测结果信息,将第一预测结果信息发送给第一机构,第一机构即可得到逻辑回归的最终预测结果,保护了用户移动终端信息不泄露,在安全基础上,可以使用更多终端数据,提升预估模型准确性。
进一步而言,本申请实施例步骤S500包括:
步骤S520:通过所述加密值获得所述梯度密文集合。
进一步而言,本申请实施例步骤S500包括:
步骤S530:通过所述第一用户将所述加密值发送至所述第一机构;
具体而言,首先计算第一用户和第一机构的梯度密文,第一用户计算的加密值,其中w为用户集合中所有用户的半模型参数,x为第一用户的特征值,根据公式计算加密值,计算完成后进行加密并发送给第一机构,第一机构解密后利用paillier加密的加法同态和数乘同态性质,根据公式计算加密后梯度因子,以保证计算结果为梯度因子的密文,其中,y为用户标签。将加密后的梯度因子返回给第一用户,第一用户与第一机构双方根据梯度因子与本方特征值x根据公式计算自己的梯度密文,第一机构对所述梯度密文进行整理,形成梯度密文合集,进而提升预估模型准确性。
进一步而言,如图2所示,本申请实施例步骤S500包括:
步骤S550:通过所述第一机构将所述加密后的梯度因子发送至所述第一用户,通过所述第一机构,根据所述加密后的梯度因子和所述第一机构的机构特征值计算获得所述第一机构的梯度密文;
步骤S560:通过所述第一用户,根据所述加密后的梯度因子和所述第一用户的共同用户特征的特征值计算获得所述第一用户的梯度密文;
步骤S570:根据所述第一机构的梯度密文和所述第一用户的梯度密文获得所述梯度密文集合。
具体而言,为了获得梯度密文集合,需获得第一用户和第一机构的梯度密文。所述第一机构的梯度密文是通过第一用户发送的关于加密值数据进而计算出梯度因子,根据梯度因子与机构特征计算出梯度密文。所述第一用户的梯度密文是通过计算加密值数据并发送给第一机构,第一机构进行梯度因子的计算,加密后发送给第一用户,第一用户根据梯度因子和自身特征计算出自己的梯度密文,在数据传输过程中,数据传输方需将信息通过公钥加密再进行传输,接收方需通过私钥进行解密才能对数据进行处理。将双方梯度密文进行整理,可获得梯度密文合集,以提升预估模型准确性。
进一步而言,如图3所示,本申请实施例步骤S600包括:
步骤S610:将所述梯度密文集合发送至所述第一协调方,所述第一协调方对所述梯度密文进行解密,获得第一解密结果;
步骤S620:根据所述第一解密结果中所述第一用户的梯度值进行所述第一协调方的模型参数更新,并将更新结果同步至第二用户;
步骤S630:将所述第一解密结果中所述第一机构的梯度值发送至所述第一机构,所述第一机构通过所述梯度值更新自身参数。
具体而言,在根据公式计算出梯度密文后,第一用户和第一机构将梯度密文进行加密,发送至第一协调方,第一协调方对梯度密文进行解密。根据第一用户的梯度值更新第一协调方自身参数,并将更新结果发送给第二用户,第二用户也属于用户集合中的用户,是参与方,进而使第二用户同时更新参数,以保证自身模型的准确性。将第一机构的梯度值发送给第一机构,第一机构使用该值更新自身模型参数,以提升预估模型准确性。
进一步而言,本申请实施例步骤S700包括:
步骤S710:当所述用户集合中的用户执行完成所述步骤S500-步骤S600时,判断是否需要进行多轮优化;
步骤S720:当需要进行多轮优化时,则通过所述第一协调方将最新模型更新至所述第一用户,重新执行所述步骤S500-步骤S700。
具体而言,所述多轮优化是指在经过第一遍步骤S500-步骤S700执行完成后,对用户合集中的所有用户进行第二轮的执行步骤,使模型参数可以保持最新,以提高预测模型的准确度。其他用户重复执行步骤S500-步骤S700后,即完成随机梯度下降的一轮,当需要进行多轮优化时,第一协调方将更新参数发送给第一用户,由第一用户重新开始执行步骤S500-步骤S700即可,进而可以使用更多终端数据,提升预估模型准确性。
综上所述,本申请实施例所提供的一种基于联邦学习的移动终端信用反欺诈预估方法,具有如下技术效果:
本申请提供了一种基于联邦学习的移动终端信用反欺诈预估方法,其中,所述方法包括:获得用户集合,其中,所述用户集合中的用户持有共同用户特征;获得第一机构的机构特征;通过第一协调方获得公钥和私钥,并将所述公钥共享至所述第一机构和所述用户集合中的用户; 通过第一协调方规定模型参数初始化方法,并将所述模型参数初始化方法与第一用户共享,其中,所述第一用户为所述用户集合中的用户;通过所述第一用户、所述第一机构,基于所述公钥计算获得梯度密文集合,其中,所述梯度密文集合包括所述第一用户的梯度密文和所述第一机构的梯度密文;所述第一协调方根据所述梯度密文集合和所述私钥进行自身模型参数更新,并将更新结果同步至第二用户,将所述第一机构的梯度值发送至所述第一机构,所述第一机构通过所述梯度值更新自身参数,其中,所述第二用户为所述用户集合中的用户;将所述用户集合中的所有用户执行步骤S500-步骤S600,获得所述第一协调方的半模型和所述第一机构的半模型;获得第一预测信息,基于所述第一协调方的半模型获得第一预测结果,将所述第一预测结果发送至所述第一机构的半模型,获得最终预测结果。解决了现有技术中存在用户手机端隐私泄露风险,导致用户信息不安全的技术问题。达到了基于联邦学习,实现了多参与方共同建模,保护用户移动终端信息不泄露,给用户提供更安全的技术保障的技术效果。
实施例二
基于与前述实施例中一种基于联邦学习的移动终端信用反欺诈预估方法,同样发明构思,本发明还提供了一种基于联邦学习的移动终端信用反欺诈预估系统,如图4所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得用户集合,其中,所述用户集合中的用户持有共同用户特征;
第二获得单元12,所述第二获得单元12用于获得第一机构的机构特征;
第三获得单元13,所述第三获得单元13用于通过第一协调方获得公钥和私钥,并将所述公钥共享至所述第一机构和所述用户集合中的用户;
第一执行单元14,所述第一执行单元14用于通过第一协调方规定模型参数初始化方法,并将所述模型参数初始化方法与第一用户共享,其中,所述第一用户为所述用户集合中的用户;
第四获得单元15,所述第四获得单元15用于通过所述第一用户、所述第一机构,基于所述公钥计算获得梯度密文集合,其中,所述梯度密文集合包括所述第一用户的梯度密文和所述第一机构的梯度密文;
第二执行单元16,所述第二执行单元16用于所述第一协调方根据所述梯度密文集合和所述私钥进行自身模型参数更新,并将更新结果同步至第二用户,将所述第一机构的梯度值发送至所述第一机构,所述第一机构通过所述梯度值更新自身参数,其中,所述第二用户为所述用户集合中的用户;
第五获得单元17,所述第五获得单元17用于将所述用户集合中的所有用户执行步骤S500-步骤S600,获得所述第一协调方的半模型和所述第一机构的半模型;
第六获得单元18,所述第六获得单元18用于获得第一预测信息,基于所述第一协调方的半模型获得第一预测结果,将所述第一预测结果发送至所述第一机构的半模型,获得最终预测结果。
进一步的,所述系统还包括:
第七获得单元,所述第七获得单元用于通过所述加密值获得所述梯度密文集合。
进一步的,所述系统还包括:
第四执行单元,所述第四执行单元用于通过所述第一用户将所述加密值发送至所述第一机构;
进一步的,所述系统还包括:
第九获得单元,所述第九获得单元用于通过所述第一机构将所述加密后的梯度因子发送至所述第一用户,通过所述第一机构,根据所述加密后的梯度因子和所述第一机构的机构特征值计算获得所述第一机构的梯度密文;
第十获得单元,所述第十获得单元用于通过所述第一用户,根据所述加密后的梯度因子和所述第一用户的共同用户特征的特征值计算获得所述第一用户的梯度密文;
第十一获得单元,所述第十一获得单元用于根据所述第一机构的梯度密文和所述第一用户的梯度密文获得所述梯度密文集合。
进一步的,所述系统还包括:
第十二获得单元,所述第十二获得单元用于将所述梯度密文集合发送至所述第一协调方,所述第一协调方对所述梯度密文进行解密,获得第一解密结果;
第五执行单元,所述第五执行单元用于根据所述第一解密结果中所述第一用户的梯度值进行所述第一协调方的模型参数更新,并将更新结果同步至第二用户;
第六执行单元,所述第六执行单元用于将所述第一解密结果中所述第一机构的梯度值发送至所述第一机构,所述第一机构通过所述梯度值更新自身参数。
进一步的,所述系统还包括:
第一判断单元,所述第一判断单元用于当所述用户集合中的用户执行完成所述步骤S500-步骤S600时,判断是否需要进行多轮优化;
第七执行单元,所述第七执行单元用于当需要进行多轮优化时,则通过所述第一协调方将最新模型更新至所述第一用户,重新执行所述步骤S500-步骤S700。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备。
基于与前述实施例中一种基于联邦学习的移动终端信用反欺诈预估方法相同的发明构思,本申请实施例还提供了一种基于联邦学习的移动终端信用反欺诈预估系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标总线或扩展工业标准结构总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网,无线局域网,有线接入网等。存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器、只读光盘或其他光盘存储、光碟存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种基于联邦学习的移动终端信用反欺诈预估方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例解决了现有技术中存在用户手机端隐私泄露风险,导致用户信息不安全的技术问题。达到了基于联邦学习,实现了多参与方共同建模,保护用户移动终端信息不泄露,给用户提供更安全的技术保障的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a ,b,或c中的至少一项(个、种),可以表示:a ,b,c,a -b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质、光介质、或者半导体介质等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。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。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。
相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于联邦学习的移动终端信用反欺诈预估方法,其中,所述方法包括:
步骤S100:获得用户集合,其中,所述用户集合中的用户持有共同用户特征;
步骤S200:获得第一机构的机构特征;
步骤S300:通过第一协调方获得公钥和私钥,并将所述公钥共享至所述第一机构和所述用户集合中的用户;
步骤S400:通过第一协调方规定模型参数初始化方法,并将所述模型参数初始化方法与第一用户共享,其中,所述第一用户为所述用户集合中的用户;
步骤S500:通过所述第一用户、所述第一机构,基于所述公钥计算获得梯度密文集合,其中,所述梯度密文集合包括所述第一用户的梯度密文和所述第一机构的梯度密文;
步骤S600:所述第一协调方根据所述梯度密文集合和所述私钥进行自身模型参数更新,并将更新结果同步至第二用户,将所述第一机构的梯度值发送至所述第一机构,所述第一机构通过所述梯度值更新自身参数,其中,所述第二用户为所述用户集合中的用户;
步骤S700:将所述用户集合中的所有用户执行步骤S500-步骤S600,获得所述第一协调方的半模型和所述第一机构的半模型;
步骤S800:获得第一预测信息,基于所述第一协调方的半模型获得第一预测结果,将所述第一预测结果发送至所述第一机构的半模型,获得最终预测结果。
4.如权利要求3所述的方法,其中,所述步骤S500还包括:
通过所述第一机构将所述加密后的梯度因子发送至所述第一用户,通过所述第一机构,根据所述加密后的梯度因子和所述第一机构的机构特征值计算获得所述第一机构的梯度密文;
通过所述第一用户,根据所述加密后的梯度因子和所述第一用户的共同用户特征的特征值计算获得所述第一用户的梯度密文;
根据所述第一机构的梯度密文和所述第一用户的梯度密文获得所述梯度密文集合。
5.如权利要求4所述的方法,其中,所述步骤S600还包括:
将所述梯度密文集合发送至所述第一协调方,所述第一协调方对所述梯度密文进行解密,获得第一解密结果;
根据所述第一解密结果中所述第一用户的梯度值进行所述第一协调方的模型参数更新,并将更新结果同步至第二用户;
将所述第一解密结果中所述第一机构的梯度值发送至所述第一机构,所述第一机构通过所述梯度值更新自身参数。
6.如权利要求1所述的方法,其中,所述步骤S700还包括:
当所述用户集合中的用户执行完成所述步骤S500-步骤S600时,判断是否需要进行多轮优化;
当需要进行多轮优化时,则通过所述第一协调方将最新模型更新至所述第一用户,重新执行所述步骤S500-步骤S700。
7.一种基于联邦学习的移动终端信用反欺诈预估系统,应用于权利要求1-6任一所述方法,其中,所述系统包括:
第一获得单元,所述第一获得单元用于获得用户集合,其中,所述用户集合中的用户持有共同用户特征;
第二获得单元,所述第二获得单元用于获得第一机构的机构特征;
第三获得单元,所述第三获得单元用于通过第一协调方获得公钥和私钥,并将所述公钥共享至所述第一机构和所述用户集合中的用户;
第一执行单元,所述第一执行单元用于通过第一协调方规定模型参数初始化方法,并将所述模型参数初始化方法与第一用户共享,其中,所述第一用户为所述用户集合中的用户;
第四获得单元,所述第四获得单元用于通过所述第一用户、所述第一机构,基于所述公钥计算获得梯度密文集合,其中,所述梯度密文集合包括所述第一用户的梯度密文和所述第一机构的梯度密文;
第二执行单元,所述第二执行单元用于所述第一协调方根据所述梯度密文集合和所述私钥进行自身模型参数更新,并将更新结果同步至第二用户,将所述第一机构的梯度值发送至所述第一机构,所述第一机构通过所述梯度值更新自身参数,其中,所述第二用户为所述用户集合中的用户;
第五获得单元,所述第五获得单元用于将所述用户集合中的所有用户执行步骤S500-步骤S600,获得所述第一协调方的半模型和所述第一机构的半模型;
第六获得单元,所述第六获得单元用于获得第一预测信息,基于所述第一协调方的半模型获得第一预测结果,将所述第一预测结果发送至所述第一机构的半模型,获得最终预测结果。
8.一种基于联邦学习的移动终端信用反欺诈预估系统,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,其中,所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089680.5A CN113543120B (zh) | 2021-09-17 | 2021-09-17 | 一种基于联邦学习的移动终端信用反欺诈预估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089680.5A CN113543120B (zh) | 2021-09-17 | 2021-09-17 | 一种基于联邦学习的移动终端信用反欺诈预估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113543120A true CN113543120A (zh) | 2021-10-22 |
CN113543120B CN113543120B (zh) | 2021-11-23 |
Family
ID=78092778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111089680.5A Active CN113543120B (zh) | 2021-09-17 | 2021-09-17 | 一种基于联邦学习的移动终端信用反欺诈预估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113543120B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886417A (zh) * | 2019-03-01 | 2019-06-14 | 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、装置、设备及介质 |
CN112039702A (zh) * | 2020-08-31 | 2020-12-04 | 中诚信征信有限公司 | 基于联邦学习和相互学习的模型参数训练方法及装置 |
US20210004718A1 (en) * | 2019-07-03 | 2021-01-07 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for training a model based on federated learning |
CN112199702A (zh) * | 2020-10-16 | 2021-01-08 | 鹏城实验室 | 一种基于联邦学习的隐私保护方法、存储介质及系统 |
CN112818374A (zh) * | 2021-03-02 | 2021-05-18 | 深圳前海微众银行股份有限公司 | 一种模型的联合训练方法、设备、存储介质及程序产品 |
US20210174243A1 (en) * | 2019-12-06 | 2021-06-10 | International Business Machines Corporation | Efficient private vertical federated learning |
CN113095510A (zh) * | 2021-04-14 | 2021-07-09 | 深圳前海微众银行股份有限公司 | 一种基于区块链的联邦学习方法及装置 |
CN113159327A (zh) * | 2021-03-25 | 2021-07-23 | 深圳前海微众银行股份有限公司 | 基于联邦学习系统的模型训练方法、装置、电子设备 |
-
2021
- 2021-09-17 CN CN202111089680.5A patent/CN113543120B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886417A (zh) * | 2019-03-01 | 2019-06-14 | 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、装置、设备及介质 |
US20210004718A1 (en) * | 2019-07-03 | 2021-01-07 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for training a model based on federated learning |
US20210174243A1 (en) * | 2019-12-06 | 2021-06-10 | International Business Machines Corporation | Efficient private vertical federated learning |
CN112039702A (zh) * | 2020-08-31 | 2020-12-04 | 中诚信征信有限公司 | 基于联邦学习和相互学习的模型参数训练方法及装置 |
CN112199702A (zh) * | 2020-10-16 | 2021-01-08 | 鹏城实验室 | 一种基于联邦学习的隐私保护方法、存储介质及系统 |
CN112818374A (zh) * | 2021-03-02 | 2021-05-18 | 深圳前海微众银行股份有限公司 | 一种模型的联合训练方法、设备、存储介质及程序产品 |
CN113159327A (zh) * | 2021-03-25 | 2021-07-23 | 深圳前海微众银行股份有限公司 | 基于联邦学习系统的模型训练方法、装置、电子设备 |
CN113095510A (zh) * | 2021-04-14 | 2021-07-09 | 深圳前海微众银行股份有限公司 | 一种基于区块链的联邦学习方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113543120B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Privacy-preserving-outsourced association rule mining on vertically partitioned databases | |
CN110704860A (zh) | 提升安全性的纵向联邦学习方法、设备、系统及存储介质 | |
JP2016512611A (ja) | プライバシー保護リッジ回帰 | |
CN112104619A (zh) | 基于外包密文属性加密的数据访问控制系统和方法 | |
CN106487503A (zh) | 基于剪裁的霍普菲尔德神经网络的多元密码学 | |
CN110400162B (zh) | 一种数据处理方法、装置、服务器及系统 | |
CN113505882A (zh) | 基于联邦神经网络模型的数据处理方法、相关设备及介质 | |
US20220374544A1 (en) | Secure aggregation of information using federated learning | |
WO2021106077A1 (ja) | ニューラルネットワークの更新方法、端末装置、計算装置及びプログラム | |
CN111431841B (zh) | 一种物联网安全感知系统及物联网数据安全传输方法 | |
CN112818369A (zh) | 一种联合建模方法及装置 | |
CN114696990A (zh) | 基于全同态加密的多方计算方法、系统及相关设备 | |
CN111581648B (zh) | 在不规则用户中保留隐私的联邦学习的方法 | |
He et al. | Privacy-preserving and low-latency federated learning in edge computing | |
Yang et al. | SFPM: A secure and fine-grained privacy-preserving matching protocol for mobile social networking | |
Gan et al. | Partial policy hiding attribute-based encryption in vehicular fog computing | |
CN113434906B (zh) | 数据查询方法、装置、计算机设备及存储介质 | |
CN112380404B (zh) | 数据过滤方法、装置及系统 | |
CN116502732B (zh) | 基于可信执行环境的联邦学习方法以及系统 | |
CN113543120B (zh) | 一种基于联邦学习的移动终端信用反欺诈预估方法及系统 | |
CN113989036B (zh) | 一种不暴露入模变量的联邦学习预测方法及系统 | |
CN116681141A (zh) | 隐私保护的联邦学习方法、终端及存储介质 | |
CN112054891B (zh) | 基于区块链的共有用户确定方法、电子设备及存储介质 | |
US11265161B2 (en) | System and method for computing an escrow session key and a private session key for encoding digital communications between two devices | |
CN114338090A (zh) | 数据安全性检测方法、装置及电子设备 |
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 |