CN113660080B - 一种安全多方计算与联邦分析技术 - Google Patents

一种安全多方计算与联邦分析技术 Download PDF

Info

Publication number
CN113660080B
CN113660080B CN202111218123.9A CN202111218123A CN113660080B CN 113660080 B CN113660080 B CN 113660080B CN 202111218123 A CN202111218123 A CN 202111218123A CN 113660080 B CN113660080 B CN 113660080B
Authority
CN
China
Prior art keywords
data
federal
information
registration information
analysis
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
CN202111218123.9A
Other languages
English (en)
Other versions
CN113660080A (zh
Inventor
周文群
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.)
Beijing Jinhongrui Information Technology Co ltd
Original Assignee
Beijing Jinhongrui 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 Beijing Jinhongrui Information Technology Co ltd filed Critical Beijing Jinhongrui Information Technology Co ltd
Priority to CN202111218123.9A priority Critical patent/CN113660080B/zh
Publication of CN113660080A publication Critical patent/CN113660080A/zh
Application granted granted Critical
Publication of CN113660080B publication Critical patent/CN113660080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/008—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols involving homomorphic encryption
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/45562—Creating, deleting, cloning virtual machine instances
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Bioethics (AREA)
  • Medical Informatics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种安全多方计算与联邦分析技术，包括应用部署用户端、容器开发用户端和联邦分析平台；其中，所述应用部署用户端用于在联邦分析平台进行用户信息注册，确定联邦注册信息；所述容器开发用户端用于基于预设的容器开发规范准则，将应用部署用户端的联邦注册信息推送至预设的Docker镜像仓库，并生成对应的联邦分析模型；所述联邦分析平台用于通过联邦分析模型，共享应用部署用户端之间的数据信息，并对所述数据信息进行数据交互。

Description

一种安全多方计算与联邦分析技术
技术领域
本发明涉及人工智能、数据识别技术领域，特别涉及一种安全多方计算与联邦分析技术。
背景技术
目前，人工智能需要依托大量高质量数据，但现实中数据往往分布在不同单位、地域、系统当中，在面对数据融合分析的需求时，就需要“搬迁数据”或“统一建设数据中心”来实现数据的集中存储，再通过算法对集中后的数据进行挖掘分析。
传统的数据汇集之后统一进行模型训练的做法，需要投入大量的设备、人力进行“数据搬迁”，且负责汇集的用户方需要提供更大规模的集中存储设备或数据中心，成本高昂；另外，随着国际、国内的数据隐私保护法律/条例的颁布，以及各行业间数据保护的现实需求，常常无法实现数据的统一汇聚，也就无法完成数据融合分析的需求。因此，亟需在技术上进行创新，实现数据只在拥有方本地计算的前提下，依然能够实现数据融合分析。
发明内容
本发明提供一种安全多方计算与联邦分析技术，以解决上述背景技术中出现的问题。
本发明提供一种安全多方计算与联邦分析技术，包括：应用部署用户端、容器开发用户端和联邦分析平台；其中，
所述应用部署用户端用于在联邦分析平台上注册用户信息，确定联邦注册信息；
所述容器开发用户端用于基于预设的容器开发规范准则，将应用部署用户端的联邦注册信息推送至预设的Docker镜像仓库，并生成对应的联邦分析模型；
所述联邦分析平台用于通过联邦分析模型，共享应用部署用户端之间的数据信息，并安全交互所述数据信息。
作为本技术方案的一种实施例，所述容器开发用户端用于基于预设的容器开发规范准则，将应用部署用户端的联邦注册信息推送至预设的Docker镜像仓库，并生成对应的联邦分析模型，还包括以下步骤：
步骤A1：采集联邦注册信息，通过联邦注册信息，追溯应用部署用户端的业务信息，筛选并处理所述业务信息，确定可用数据组；
步骤A2：对可用数据组进行数据源配置，接收配置成功的对应的业务信息，并通过所述业务信息，构建业务模型；
步骤A3：基于容器开发用户端内预设的容器开发规范准则，推送所述业务模型至预设的Docker镜像仓库，生成对应的应用容器模型；
步骤A4：将不同的应用容器模型进行联邦和分析，构建对应的联邦分析模型；
作为本技术方案的一种实施例，所述步骤A1，还包括如下步骤：
步骤A100：获取联邦注册信息，采集所述联邦注册信息的注册时间，通过所述注册时间，对所述联邦注册信息进行排列，生成排列数据集合；
Figure 543544DEST_PATH_IMAGE001
其中，
Figure 693903DEST_PATH_IMAGE002
代表时刻为
Figure 23253DEST_PATH_IMAGE003
时第
Figure 222153DEST_PATH_IMAGE004
批联邦注册信息的排列数据集合，
Figure 625453DEST_PATH_IMAGE005
，
Figure 946713DEST_PATH_IMAGE006
代表联邦注册信息的总批数，
Figure 763359DEST_PATH_IMAGE007
代表联邦注册信息注册时的时刻，
Figure 500371DEST_PATH_IMAGE008
，
Figure 86073DEST_PATH_IMAGE009
代表联邦注册信息注册时的总时刻，
Figure 515917DEST_PATH_IMAGE010
代表第
Figure 554280DEST_PATH_IMAGE011
时刻注册的联邦注册信息，
Figure 94983DEST_PATH_IMAGE012
代表第
Figure 738454DEST_PATH_IMAGE013
时刻注册的联邦注册信息，
Figure 135937DEST_PATH_IMAGE014
代表第
Figure 864859DEST_PATH_IMAGE009
时刻注册的联邦注册信息；
步骤A101：计算排列数据集合中联邦注册信息数据之间的联邦关联系数；
Figure 5990DEST_PATH_IMAGE015
其中，
Figure 503968DEST_PATH_IMAGE016
代表联邦关联系数，
Figure 10035DEST_PATH_IMAGE017
代表第
Figure 288570DEST_PATH_IMAGE004
批联邦注册信息的排列值、
Figure 171075DEST_PATH_IMAGE018
代表第
Figure 585876DEST_PATH_IMAGE019
批联邦注册信息的排列值，
Figure 528424DEST_PATH_IMAGE020
代表排列值为
Figure 966359DEST_PATH_IMAGE017
时的联邦注册信息之间的关联参数，
Figure 449293DEST_PATH_IMAGE021
代表关于排列值为
Figure 921863DEST_PATH_IMAGE018
时的联邦注册信息之间的关联参数，
Figure 832050DEST_PATH_IMAGE022
代表联邦注册信息传输过程中的波动参数；其中，所述波动参数
Figure 757280DEST_PATH_IMAGE023
，其中，
Figure 981588DEST_PATH_IMAGE022
代表联邦注册信息的波动参数，
Figure 370981DEST_PATH_IMAGE024
代表正则参数，
Figure 655332DEST_PATH_IMAGE025
代表关于时刻
Figure 130176DEST_PATH_IMAGE026
的传输函数，
Figure 892596DEST_PATH_IMAGE027
代表传输函数，
Figure 74178DEST_PATH_IMAGE028
代表时刻
Figure 591747DEST_PATH_IMAGE026
和时刻
Figure 491570DEST_PATH_IMAGE029
之间的传输偏差量，
Figure 950076DEST_PATH_IMAGE030
代表第
Figure 986165DEST_PATH_IMAGE004
批联邦注册信息排列数据集合的注册的总时刻为
Figure 612318DEST_PATH_IMAGE031
下的排列数据集合；
步骤A102：通过所述联邦关联系数，计算出最优筛选方向；
Figure 61754DEST_PATH_IMAGE032
其中，
Figure 165976DEST_PATH_IMAGE033
代表第
Figure 322151DEST_PATH_IMAGE004
批排列数据集合的最优筛选方向，
Figure 181523DEST_PATH_IMAGE034
代表预设的方向影响参数，
Figure 790359DEST_PATH_IMAGE035
代表第
Figure 26168DEST_PATH_IMAGE019
批联邦注册信息的联邦关联系数的方差；
Figure 36849DEST_PATH_IMAGE036
代表联邦注册信息的联邦关联系数的方差；
步骤A104：对应用部署用户端的业务信息进行追溯，生成业务节点；
步骤A105：通过所述最优筛选方向，沿业务节点计算权值，并通过所述联邦关联系数，筛选出可用数据组。
作为本技术方案的一种实施例，所述步骤A2，包括：
步骤A200：接收应用部署用户端的联邦注册信息，生成平台数据，根据所述平台数据，确定平台数据格式，并通过平台数据格式对所述平台数据进行数据源适配，确定适配数据；
步骤A201：对所述适配数据进行筛选，确定对应的可用数据组；
步骤A202：对所述对应的可用数据组进行追溯标记，并追溯数据源适配配置成功的应用部署用户端的业务信息，并确定业务数据；
步骤A203：通过预设的数据接口，将所述业务数据传输至预设的联邦分析模型，并对所述业务数据进行特征分析，确定特征数据；
步骤A204：通过所述特征数据，对所述业务信息进行业务流程构建和算法设定，构建业务模型。
作为本技术方案的一种实施例，所述步骤A3，还包括以下步骤：
步骤S301：基于预设的人工神经网络，分析并抽取业务模型的初始容器开发训练参数，生成初始训练样本；
步骤S302：将所述初始训练样本进行信息切割，获取切片信息，并根据所述切片信息，生成切片数据；
步骤S303：抓取Docker镜像仓库的仓库节点，将切片数据存储至仓库节点，并抽取切片数据和仓库节点之间的对应关系；
步骤S304：按照所述对应关系，计算相邻仓库节点之间的数据梯度值，并根据所述数据梯度值，确定梯度的损失数据；
步骤S305：通过损失数据，计算业务模型的补偿值，通过所述补偿至，对业务模型进行优化，生成优化业务模型；
步骤S306：基于容器开发用户端内预设的容器开发规范准则，对优化业务模型进行容器化处理，获取容器化数据；其中，
所述容器化处理包括空间化处理和环境化处理；
步骤S307：对所述容器化数据进行数据处理，并将处理后的容器化数据传输至容器开发用户端内预设的应用程序容器中，并生成对应的应用容器模型；其中，
所述数据处理包括数据推动和数据拉取。
作为本技术方案的一种实施例，所述联邦分析平台，还包括：
交互模块：用于获取应用部署用户端之间的交互信息；
联邦分析模块：用于基于预设的联邦分析模型，对所述交互信息进行训练分析，挖掘对应的业务数据信息；
加固共享模块：用于通过联邦分析模型预设的隐私计算机制，对所述业务数据信息进行加密数据交互；其中，
所述隐私计算机制至少包括多方安全计算、差分隐私和同态加密方法。
作为本技术方案的一种实施例，所述交互模块，包括：
数据源适配单元：用于对接收应用部署用户端的联邦注册信息，确定平台数据，并对所述平台数据进行数据源适配，确定适配数据；
可用数据组单元：用于通过所述适配数据，对业务信息进行筛选，确定可用数据组；
交互信息单元：用于将所述可用数据组传输至应用部署用户端预设的代理服务接口，生成交互信息。
作为本技术方案的一种实施例，所述加固共享模块，包括：
信息提取单元：用于基于预设的隐私计算机制，采集业务数据信息的交互时间，并通过所述交互时间对业务数据信息进行业务提取，确定提取信息；
加密单元：用于对提取信息进行数据加密处理，获取加密数据和数据秘钥信息，并发送至联邦分析平台；
融合单元：用于通过所述联邦分析平台，对加密数据进行分析函数计算，获取融合数据，并发送至目标应用部署用户；
交互单元：用于根据获取的数据秘钥信息对所述融合数据进行解密处理，进行数据信息交互。
作为本技术方案的一种实施例，所述数据源适配单元，包括：
注册节点子单元：用于采集参加联邦分析平台的应用部署用户端的用户注册信息，建立注册节点；
注册子单元：用于通过所述注册节点，采集并记录对应的联邦注册数据，并保存对应的联邦注册数据到预设的存储数据库中；
划分子单元：用于获取联邦注册数据的适配数据源，并划分所述适配数据源，确定划分结果；其中，
所述划分结果包括同源数据源和异源数据源；
单方平台子单元：用于当所述划分结果为同源数据源，获取对应的联邦注册数据，根据所述联邦注册数据，确定对应的用户的第一联邦注册信息，并根据所述第一联邦注册信息，生成单方平台数据；
多方平台子单元：用于当所述划分结果为异源数据源，对所述异源数据源进行源头追溯，并进行数据源适配，确定对应的用户的第二联邦注册信息，并根据所述第二联邦注册信息，生成多方平台数据；
平台数据子单元：用于基于联邦分析平台内预设的存储数据库，记录并存储所述单方平台数据和多方平台数据，确定平台数据。
作为本技术方案的一种实施例，所述联邦分析平台还包括联邦部署方法，其中，所述联邦部署方法包括以下步骤：
步骤一：根据预设的容器开发规范准则，在容器开发用户端预先装置的容器化服务器内构建Docker镜像仓库，获得仓库节点；
步骤二：根据模型数据和任务信息进行数据提取，获取第一提取数据，并通过API接口传输至API服务器；
步骤三：对所述API服务器中的第一提取数据进行API数据管理，获取管理数据和注册信息；其中，
所述API数据管理包括：数据增添、数据修改、数据删除、数据时效处理；
步骤四：根据所述管理数据，与仓库节点中预存的仓库数据进行对比识别，获取对比数值；其中，
当所述管理数据与仓库数据的对比数值在预设范围内，则进行容器化处理，获取容器化数据；
当所述管理数据与仓库数据的对比数值不在预设范围内，则进行再次判断；
步骤五：将所述容器化数据根据注册信息，存储至分布式数据库中，完成模型部署。
本发明的有益效果如下：
本发明基于特征处理、分布式训练等人工智能技术，结合同态加密、多方安全计算等密码学技术，能够实现数据的所有权和使用权分离。在符合数据隐私保护法案/条例、切实保护数据安全的同时，能够高效的完成数据融合分析任务、充分发挥数据价值。本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种安全多方计算与联邦分析技术的模块流程图；
图2为本发明实施例中一种安全多方计算与联邦分析技术的模块流程图；
图3为本发明实施例中一种安全多方计算与联邦分析技术的模块流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
需说明的是，当部件被称为“固定于”或“设置于”另一个部件，它可以直接在另一个部件上或者间接在该另一个部件上。当一个部件被称为是“连接于”另一个部件，它可以是直接或者间接连接至该另一个部件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，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，“多个”的含义是两个或两个以上，除非另有明确具体的限定。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。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
实施例1：
根据图1所示，本发明实施例一种安全多方计算与联邦分析技术，包括：应用部署用户端、容器开发用户端和联邦分析平台；其中，
所述应用部署用户端用于在联邦分析平台上注册用户信息，确定联邦注册信息；
所述容器开发用户端用于基于预设的容器开发规范准则，将应用部署用户端的联邦注册信息推送至预设的Docker镜像仓库，并生成对应的联邦分析模型；
所述联邦分析平台用于通过联邦分析模型，共享应用部署用户端之间的数据信息，并安全交互所述数据信息。
上述技术方案的工作原理和有益效果在于：
本发明实施例提供了一种安全多方计算与联邦分析技术，包括应用部署用户端、容器开发用户端和联邦分析平台，应用部署用户端用于采集多方数据，联邦注册信息用于对参加了任务的用户进行注册信息采集，并将采集的信息联邦处理，容器开发用户端用于基于预设的容器开发规范准则，容积开发规范准则通过预设的协议准则构建而成，将应用部署用户端的联邦注册信息推送至预设的Docker镜像仓库，Docker 是一个开源的应用容器引擎，可以打包应用以及依赖包到一个可移植的镜像中，然后发布到 Linux或Windows机器，通过用户之间生成的联邦分析模型，通过联邦注册信息，对多方平台数据进行模型训练，构建联邦训练模型，联邦分析平台用于通过联邦分析模型，共享应用部署用户端之间的数据信息，并对数据信息进行数据交互，过预设的隐私计算机制，加固交互信息，隐私计算机制至少包括：多方安全计算、差分隐私和同态加密方法，本发明基于特征处理、分布式训练等人工智能技术，结合同态加密、多方安全计算等密码学技术，能够实现数据的所有权和使用权分离。在符合数据隐私保护法案/条例、切实保护数据安全的同时，能够高效的完成数据融合分析任务、充分发挥数据价值。
实施例2：
本技术方案提供了一种实施例，所述容器开发用户端用于基于预设的容器开发规范准则，将应用部署用户端的联邦注册信息推送至预设的Docker镜像仓库，并生成对应的联邦分析模型，还包括以下步骤：
步骤A1：采集联邦注册信息，通过联邦注册信息，追溯应用部署用户端的业务信息，筛选并处理所述业务信息，确定可用数据组；
步骤A2：对可用数据组进行数据源配置，接收配置成功的对应的业务信息，并通过所述业务信息，构建业务模型；
步骤A3：基于容器开发用户端内预设的容器开发规范准则，推送所述业务模型至预设的Docker镜像仓库，生成对应的应用容器模型；
步骤A4：将不同的应用容器模型进行联邦和分析，构建对应的联邦分析模型；
上述技术方案的工作原理和有益效果在于：
本技术方案容器开发用户端将应用部署用户端的联邦注册信息推送至预设的Docker镜像仓库，传统的数据汇集之后统一进行模型训练的做法，需要投入大量的设备、人力进行“数据搬迁”，且负责汇集的用户方需要提供更大规模的集中存储设备或数据中心，成本高昂，本技术方案容器化应用部署用户端，对可用数据组进行数据源配置，接收配置成功的应用部署用户端的业务信息，并对业务信息进行业务流程构建和算法设定，构建业务模型；基于预设的容器开发规范准则，对业务模型进行分布式训练和调优，生成优化业务模型，推送优化业务模型至预设的Docker镜像仓库，生成对应的应用容器模型；基于应用容器模型，构建对应的联邦分析模型，只在拥有本地计算的前提下，依然能够实现数据融合分析，提供了一种稳定性高、鲁棒性强的联邦模型的生成方式。
实施例3：
本技术方案提供了一种实施例，所述步骤A1，还包括如下步骤：
步骤A100：获取联邦注册信息，采集所述联邦注册信息的注册时间，通过所述注册时间，对所述联邦注册信息进行排列，生成排列数据集合；
Figure 4805DEST_PATH_IMAGE001
其中，
Figure 163254DEST_PATH_IMAGE002
代表时刻为
Figure 609279DEST_PATH_IMAGE003
时第
Figure 802363DEST_PATH_IMAGE004
批联邦注册信息的排列数据集合，
Figure 941220DEST_PATH_IMAGE005
，
Figure 524648DEST_PATH_IMAGE006
代表联邦注册信息的总批数，
Figure 836681DEST_PATH_IMAGE007
代表联邦注册信息注册时的时刻，
Figure 821954DEST_PATH_IMAGE008
，
Figure 194030DEST_PATH_IMAGE009
代表联邦注册信息注册时的总时刻，
Figure 264754DEST_PATH_IMAGE010
代表第
Figure 318161DEST_PATH_IMAGE011
时刻注册的联邦注册信息，
Figure 220258DEST_PATH_IMAGE012
代表第
Figure 700918DEST_PATH_IMAGE013
时刻注册的联邦注册信息，
Figure 55676DEST_PATH_IMAGE014
代表第
Figure 912773DEST_PATH_IMAGE009
时刻注册的联邦注册信息；
步骤A101：计算排列数据集合中联邦注册信息数据之间的联邦关联系数；
Figure 607060DEST_PATH_IMAGE037
其中，
Figure 320938DEST_PATH_IMAGE016
代表联邦关联系数，
Figure 366254DEST_PATH_IMAGE017
代表第
Figure 823780DEST_PATH_IMAGE004
批联邦注册信息的排列值、
Figure 372573DEST_PATH_IMAGE018
代表第
Figure 460615DEST_PATH_IMAGE019
批联邦注册信息的排列值，
Figure 789965DEST_PATH_IMAGE020
代表排列值为
Figure 723286DEST_PATH_IMAGE017
时的联邦注册信息之间的关联参数，
Figure 454482DEST_PATH_IMAGE021
代表关于排列值为
Figure 713425DEST_PATH_IMAGE018
时的联邦注册信息之间的关联参数，
Figure 202175DEST_PATH_IMAGE022
代表联邦注册信息传输过程中的波动参数；其中，所述波动参数
Figure 267083DEST_PATH_IMAGE023
，其中，
Figure 790468DEST_PATH_IMAGE022
代表联邦注册信息的波动参数，
Figure 17050DEST_PATH_IMAGE024
代表正则参数，
Figure 258676DEST_PATH_IMAGE025
代表关于时刻
Figure 799378DEST_PATH_IMAGE026
的传输函数，
Figure 245446DEST_PATH_IMAGE027
代表传输函数，
Figure 846192DEST_PATH_IMAGE028
代表时刻
Figure 371851DEST_PATH_IMAGE026
和时刻
Figure 716245DEST_PATH_IMAGE029
之间的传输偏差量，
Figure 214222DEST_PATH_IMAGE030
代表第
Figure 782607DEST_PATH_IMAGE004
批联邦注册信息排列数据集合的注册的总时刻为
Figure 998825DEST_PATH_IMAGE031
下的排列数据集合；
步骤A102：通过所述联邦关联系数，计算出最优筛选方向；
Figure 943647DEST_PATH_IMAGE038
其中，
Figure 296131DEST_PATH_IMAGE033
代表第
Figure 973100DEST_PATH_IMAGE004
批排列数据集合的平台传输方向，
Figure 473351DEST_PATH_IMAGE034
代表预设的方向影响参数，
Figure 159548DEST_PATH_IMAGE035
代表第
Figure 428855DEST_PATH_IMAGE019
批联邦注册信息的联邦关联系数的方差；
Figure 542304DEST_PATH_IMAGE036
代表联邦注册信息的联邦关联系数的方差；
步骤A104：对应用部署用户端的业务信息进行追溯，生成业务节点；
步骤A105：通过所述最优筛选方向，沿业务节点计算权值，并通过所述联邦关联系数，筛选出可用数据组。
上述技术方案的工作原理和有益效果在于：
本技术方案获取联邦注册信息，采集所述联邦注册信息的注册时间，通过所述注册时间，对所述联邦注册信息进行排列，生成排列数据集合
Figure 467535DEST_PATH_IMAGE039
；计算排列数据集合中联邦注册信息数据之间的联邦关联系数
Figure 754160DEST_PATH_IMAGE016
，通过所述联邦关联系数，计算出最优筛选方向
Figure 81236DEST_PATH_IMAGE033
，对应用部署用户端的业务信息进行追溯，生成业务节点；通过所述最优筛选方向，沿业务节点计算权值，并通过所述联邦关联系数，筛选出可用数据组，对模型训练过程中的计算、参数交互过程等进行全方位安全加固，并通过联系度的计算，便于对业务信息进行筛选，筛选出业务联邦性强，业务信息充分的优选可用数据，通过优选标准，提供了一种方便、高效、便捷的择优筛选方式。
实施例4：
本技术方案提供了一种实施例，所述步骤A2，包括：
步骤A200：接收应用部署用户端的联邦注册信息，生成平台数据，根据所述平台数据，确定平台数据格式，并通过平台数据格式对所述平台数据进行数据源适配，确定适配数据；
步骤A201：对所述适配数据进行筛选，确定对应的可用数据组；
步骤A202：对所述对应的可用数据组进行追溯标记，并追溯数据源适配配置成功的应用部署用户端的业务信息，并确定业务数据；
步骤A203：通过预设的数据接口，将所述业务数据传输至预设的联邦分析模型，并对所述业务数据进行特征分析，确定特征数据；
步骤A204：通过所述特征数据，对所述业务信息进行业务流程构建和算法设定，构建业务模型。
上述技术方案的工作原理和有益效果在于：
本技术方案包括接收应用部署用户端的联邦注册信息，确定平台数据，对平台数据数据源适配，从而保证多源异构的数据来源进行快速识别，从而提高多源异构的数据源的快速统一汇聚，确定适配数据，对适配数据进行筛选，确定可用数据组，获取应用部署用户端的业务信息，并确定业务数据，业务数据在联邦分析和用户端进行交互，通过预设的数据接口，将业务数据传输至预设的联邦分析模型，并对业务数据进行特征分析，确定特征数据，通过特征数据，对业务信息进行业务流程构建和算法设定，构建业务模型，业务模型以容器化的形式部署和使用，平台适配多种数据源，提供内置的常见联邦算法和特征处理方法，提供了一种基于多平台数据多源异构数据的适配方法，从而生成将不同平台的业务信息进行汇总交互，便于提升商业价值、提高经济效益。
实施例5：
本技术方案提供了一种实施例，所述步骤A3，还包括以下步骤：
步骤S301：基于预设的人工神经网络，分析并抽取业务模型的初始容器开发训练参数，生成初始训练样本；
步骤S302：将所述初始训练样本进行信息切割，获取切片信息，并根据所述切片信息，生成切片数据；
步骤S303：抓取Docker镜像仓库的仓库节点，将切片数据存储至仓库节点，并抽取切片数据和仓库节点之间的对应关系；
步骤S304：按照所述对应关系，计算相邻仓库节点之间的数据梯度值，并根据所述数据梯度值，确定梯度的损失数据；
步骤S305：通过损失数据，计算业务模型的补偿值，通过所述补偿至，对业务模型进行优化，生成优化业务模型；
步骤S306：基于容器开发用户端内预设的容器开发规范准则，对优化业务模型进行容器化处理，获取容器化数据；其中，
所述容器化处理包括空间化处理和环境化处理；
步骤S307：对所述容器化数据进行数据处理，并将处理后的容器化数据传输至容器开发用户端内预设的应用程序容器中，并生成对应的应用容器模型；其中，
所述数据处理包括数据推动和数据拉取。
上述技术方案的工作原理和有益效果在于：
本技术方案预设的容器开发规范准则，对业务模型进行分布式训练和调优，生成优化业务模型，通过业务模型和预设的初始参数，确定初始训练样本，将初始训练样本进行信息切割，获取切片数据；抓取Docker镜像仓库的分布式的仓库节点，将切片数据存储至分布式节点，并采集切片数据和仓库节点的对应关系，分布式的存储便于业务信息的机密性，将切片数据存储在docker镜像仓库中分布式的仓库节点内，拥有类似区块链的协密机制，降低了数据交互数据泄露的风险。
实施例6：
本技术方案提供了一种实施例，所述联邦分析平台，还包括：
交互模块：用于获取应用部署用户端之间的交互信息；
联邦分析模块：用于基于预设的联邦分析模型，对所述交互信息进行训练分析，挖掘对应的业务数据信息；
加固共享模块：用于通过联邦分析模型预设的隐私计算机制，对所述业务数据信息进行加密数据交互；其中，
所述隐私计算机制至少包括多方安全计算、差分隐私和同态加密方法。
上述技术方案的工作原理和有益效果在于：
本技术方案的联邦分析平台，包括获取模块、联邦分析模块和加固共享模块，联邦分析模块基于联邦分析模型，对交互信息进行训练分析，挖掘对应的业务数据信息，基于特征处理、分布式训练等人工智能技术，结合同态加密、多方安全计算等密码学技术，能够实现数据的所有权和使用权分离。在符合数据隐私保护法案/条例、切实保护数据安全的同时，能够高效的完成数据融合分析任务、充分发挥数据价值。
实施例7：
本技术方案提供了一种实施例，所述交互模块，包括：
数据源适配单元：用于对接收应用部署用户端的联邦注册信息，确定平台数据，并对所述平台数据进行数据源适配，确定适配数据；
可用数据组单元：用于通过所述适配数据，对业务信息进行筛选，确定可用数据组；
交互信息单元：用于将所述可用数据组传输至应用部署用户端预设的代理服务接口，生成交互信息。
上述技术方案的工作原理和有益效果在于：
本技术方案交互模块用于获取应用部署用户端的交互信息，包括数据源适配单元、可用数据组单元和交互信息单元，数据源适配单元用于将多源异构的数据进行数据源适配，可用数据组单元将可用数据组单元用于对适配数据进行筛选，确定可用数据组；交互信息单元用于将可用数据组传输至应用部署用户端预设的代理服务接口，进行信息交互，生成交互信息，多方加固下，提供了一种高保密性的商业交互模式。
实施例8：
本技术方案提供了一种实施例，所述加固共享模块，包括：
信息提取单元：用于基于预设的隐私计算机制，采集业务数据信息的交互时间，并通过所述交互时间对业务数据信息进行业务提取，确定提取信息；
加密单元：用于对提取信息进行数据加密处理，获取加密数据和数据秘钥信息，并发送至联邦分析平台；
融合单元：用于通过所述联邦分析平台，对加密数据进行分析函数计算，获取融合数据，并发送至目标应用部署用户；
交互单元：用于根据获取的数据秘钥信息对所述融合数据进行解密处理，进行数据信息交互。
上述技术方案的工作原理和有益效果在于：
本技术方案的加固共享模块，对数据进行融合和加固，预设的隐私计算机制，对业务数据信息进行加密数据交互；隐私计算机制至少包括多方安全计算、差分隐私和同态加密方法，提供了一种安全、高保密的共享方式。
实施例9：
本技术方案提供了一种实施例，所述数据源适配单元，包括：
注册节点子单元：用于采集参加联邦分析平台的应用部署用户端的用户注册信息，建立注册节点；
注册子单元：用于通过所述注册节点，采集并记录对应的联邦注册数据，并保存对应的联邦注册数据到预设的存储数据库中；
划分子单元：用于获取联邦注册数据的适配数据源，并划分所述适配数据源，确定划分结果；其中，
所述划分结果包括同源数据源和异源数据源；
单方平台子单元：用于当所述划分结果为同源数据源，获取对应的联邦注册数据，根据所述联邦注册数据，确定对应的用户的第一联邦注册信息，并根据所述第一联邦注册信息，生成单方平台数据；
多方平台子单元：用于当所述划分结果为异源数据源，对所述异源数据源进行源头追溯，并进行数据源适配，确定对应的用户的第二联邦注册信息，并根据所述第二联邦注册信息，生成多方平台数据；
平台数据子单元：用于基于联邦分析平台内预设的存储数据库，记录并存储所述单方平台数据和多方平台数据，确定平台数据。
上述技术方案的工作原理和有益效果在于：
本技术方案的注册节点子单元用于采集参加联邦分析平台的应用部署用户端的用户注册信息，建立注册节点；注册子单元用于通过注册节点，采集并记录对应的联邦注册数据，并保存到预设的数据库中；划分子单元用于获取联邦注册数据的适配数据源，并划分适配数据源，确定划分结果，收集不同阵地的用户注册信息，将所述用户注册信息进行数据联邦操作，获取联邦注册数据，对所述联邦注册数据的适配数据源进行异构数据源判断，划分结果包括同源数据源和异源数据源；单方平台子单元用于当划分结果为同源数据源，获取对应的联邦注册数据，根据联邦注册数据，确定对应的用户的第一联邦注册信息，并根据第一联邦注册信息，生成单方平台数据，多方平台子单元用于当划分结果为异源数据源，对异源数据源进行源头追溯，当所述适配数据源一致时，则为统一数据源，生成单方平台数据；当所述适配数据源不一致时，则为异构数据源，生成多方平台数据。多方平台数据首先要将多方信息汇聚，即根据任务信息将不同阵地的业务数据调用到预设的公共平台，进行数据整理，获取公共数据信息，任务信息至少包括任务目标、任务属性和任务需求数据，公共数据信息至少包括数据类型、数据大小和数据获取时间；通过对公共数据信息进行逻辑计算处理和数据属性分类，获取多方分类数据的数据属性，数据属性包括公共数据和私密数据，计算后的数据更加安全，也提高了数据源的适配度，同时进行数据源适配，确定对应的用户的第二联邦注册信息，并根据第二联邦注册信息，生成多方平台数据；平台数据子单元用于基于联邦分析平台内预设的存储数据库，记录并存储单方平台数据和多方平台数据，确定平台数据。
实施例10：
本技术方案提供了一种实施例，所述联邦分析平台还包括联邦部署方法，其中，所述联邦部署方法包括以下步骤：
步骤一：根据预设的容器开发规范准则，在容器开发用户端预先装置的容器化服务器内构建Docker镜像仓库，获得仓库节点；
步骤二：根据模型数据和任务信息进行数据提取，获取第一提取数据，并通过API接口传输至API服务器；
步骤三：对所述API服务器中的第一提取数据进行API数据管理，获取管理数据和注册信息；其中，
所述API数据管理包括：数据增添、数据修改、数据删除、数据时效处理；
步骤四：根据所述管理数据，与仓库节点中预存的仓库数据进行对比识别，获取对比数值；其中，
当所述管理数据与仓库数据的对比数值在预设范围内，则进行容器化处理，获取容器化数据；
当所述管理数据与仓库数据的对比数值不在预设范围内，则进行再次判断；
步骤五：将所述容器化数据根据注册信息，存储至分布式数据库中，完成模型部署。
上述技术方案的工作原理和有益效果在于：
本技术方案根据容器化规范在预设容器化服务器中构建Docker镜像仓库，获得仓库数据，根据模型数据和任务信息进行数据提取，获取第一提取数据，并通过API接口传输至API服务器，对API服务器中的第一提取数据进行API数据管理，获取管理数据和注册信息，API数据管理包括：数据增添、数据修改、数据删除、数据时效处理，根据管理数据，与仓库数据进行对比识别，获取对比数值；当管理数据与仓库数据的对比数值在预设范围内，则进行容器化处理，获取容器化数据，当管理数据与仓库数据的对比数值不在预设范围内，则进行再次判断，将容器化数据根据注册信息，存储至分布式数据库中，完成模型部署，根据第一数据信息，第一平台向公共平台发起数据请求；公共平台根据接收到的数据请求，进行数据类型识别，获取数据类型，并根据所述数据类型，向目标平台发送数据提取指令；通过对数据提取指令进行数据类型对比分析，目标平台筛选出目标数据，并传输至公共平台；公共平台通过将所述目标数据和第一数据信息进行逻辑计算，获取目标模型数据；通过对所述目标模型数据进行分发服务部署，获取分发模型。
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和光学存储器等）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。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种安全多方计算与联邦分析系统，包括：应用部署用户端、容器开发用户端和联邦分析平台；其中，
所述应用部署用户端用于在联邦分析平台上注册用户信息，确定联邦注册信息；
所述容器开发用户端用于基于预设的容器开发规范准则，将应用部署用户端的联邦注册信息推送至预设的Docker镜像仓库，并生成对应的联邦分析模型；
所述联邦分析平台用于通过联邦分析模型，共享应用部署用户端之间的数据信息，并安全交互所述数据信息；
所述容器开发用户端用于基于预设的容器开发规范准则，将应用部署用户端的联邦注册信息推送至预设的Docker镜像仓库，并生成对应的联邦分析模型，还包括以下步骤：
步骤A1：采集联邦注册信息，通过联邦注册信息，追溯应用部署用户端的业务信息，筛选并处理所述业务信息，确定可用数据组；
步骤A2：对可用数据组进行数据源配置，接收配置成功的对应的业务信息，并通过所述业务信息，构建业务模型；
步骤A3：基于容器开发用户端内预设的容器开发规范准则，推送所述业务模型至预设的Docker镜像仓库，生成对应的应用容器模型；
步骤A4：将不同的应用容器模型进行联邦和分析，构建对应的联邦分析模型；
所述步骤A3，还包括以下步骤：
步骤S301：基于预设的人工神经网络，分析并抽取业务模型的初始容器开发训练参数，生成初始训练样本；
步骤S302：将所述初始训练样本进行信息切割，获取切片信息，并根据所述切片信息，生成切片数据；
步骤S303：抓取Docker镜像仓库的仓库节点，将切片数据存储至仓库节点，并抽取切片数据和仓库节点之间的对应关系；
步骤S304：按照所述对应关系，计算相邻仓库节点之间的数据梯度值，并根据所述数据梯度值，确定梯度的损失数据；
步骤S305：通过损失数据，计算业务模型的补偿值，通过所述补偿值，对业务模型进行优化，生成优化业务模型；
步骤S306：基于容器开发用户端内预设的容器开发规范准则，对优化业务模型进行容器化处理，获取容器化数据；其中，
所述容器化处理包括空间化处理和环境化处理；
步骤S307：对所述容器化数据进行数据处理，并将处理后的容器化数据传输至容器开发用户端内预设的应用程序容器中，并生成对应的应用容器模型；其中，
所述数据处理包括数据推动和数据拉取；
所述联邦分析平台，还包括：
交互模块：用于获取应用部署用户端之间的交互信息；
联邦分析模块：用于基于预设的联邦分析模型，对所述交互信息进行训练分析，挖掘对应的业务数据信息；
加固共享模块：用于通过联邦分析模型预设的隐私计算机制，对所述业务数据信息进行加密数据交互；其中，
所述隐私计算机制至少包括多方安全计算、差分隐私和同态加密方法。
2.如权利要求1所述的一种安全多方计算与联邦分析系统，其特征在于，所述步骤A1，还包括如下步骤：
步骤A100：获取联邦注册信息，采集所述联邦注册信息的注册时间，通过所述注册时间，对所述联邦注册信息进行排列，生成排列数据集合；
Figure DEST_PATH_IMAGE001
其中，
Figure 437025DEST_PATH_IMAGE002
代表时刻为
Figure 556291DEST_PATH_IMAGE003
时第
Figure 745964DEST_PATH_IMAGE004
批联邦注册信息的排列数据集合，
Figure 82005DEST_PATH_IMAGE005
，
Figure 648116DEST_PATH_IMAGE006
代表联邦注册信息的总批数，
Figure 887467DEST_PATH_IMAGE007
代表联邦注册信息注册时的时刻，
Figure 248041DEST_PATH_IMAGE008
，
Figure 572843DEST_PATH_IMAGE009
代表联邦注册信息注册时的总时刻，
Figure 942645DEST_PATH_IMAGE010
代表第
Figure 833240DEST_PATH_IMAGE011
时刻注册的联邦注册信息，
Figure 567978DEST_PATH_IMAGE012
代表第
Figure 176814DEST_PATH_IMAGE013
时刻注册的联邦注册信息，
Figure 786525DEST_PATH_IMAGE014
代表第
Figure 797206DEST_PATH_IMAGE009
时刻注册的联邦注册信息；
步骤A101：计算排列数据集合中联邦注册信息数据之间的联邦关联系数；
Figure 765162DEST_PATH_IMAGE015
其中，
Figure 798977DEST_PATH_IMAGE016
代表联邦关联系数，
Figure 510581DEST_PATH_IMAGE017
代表第
Figure 313452DEST_PATH_IMAGE004
批联邦注册信息的排列值、
Figure 452309DEST_PATH_IMAGE018
代表第
Figure 35738DEST_PATH_IMAGE019
批联邦注册信息的排列值，
Figure 223136DEST_PATH_IMAGE020
代表排列值为
Figure 208410DEST_PATH_IMAGE021
时的联邦注册信息之间的关联参数，
Figure 954387DEST_PATH_IMAGE022
代表关于排列值为
Figure 25111DEST_PATH_IMAGE018
时的联邦注册信息之间的关联参数，
Figure 16201DEST_PATH_IMAGE023
代表联邦注册信息传输过程中的波动参数；其中，所述波动参数
Figure 855981DEST_PATH_IMAGE024
，其中，
Figure 336641DEST_PATH_IMAGE023
代表联邦注册信息的波动参数，
Figure 566765DEST_PATH_IMAGE025
代表正则参数，
Figure 423862DEST_PATH_IMAGE026
代表关于时刻
Figure 55832DEST_PATH_IMAGE027
的传输函数，
Figure 707393DEST_PATH_IMAGE028
代表传输函数，
Figure 752710DEST_PATH_IMAGE029
代表时刻
Figure 584137DEST_PATH_IMAGE027
和时刻
Figure 132930DEST_PATH_IMAGE030
之间的传输偏差量，
Figure 158655DEST_PATH_IMAGE031
代表第
Figure 425688DEST_PATH_IMAGE004
批联邦注册信息排列数据集合的注册的总时刻为
Figure 562272DEST_PATH_IMAGE032
下的排列数据集合；
步骤A102：通过所述联邦关联系数，计算出最优筛选方向；
Figure 965571DEST_PATH_IMAGE033
其中，
Figure 224514DEST_PATH_IMAGE034
代表第
Figure 916527DEST_PATH_IMAGE004
批排列数据集合的最优筛选方向，
Figure 653538DEST_PATH_IMAGE035
代表预设的方向影响参数，
Figure 613142DEST_PATH_IMAGE036
代表第
Figure 42986DEST_PATH_IMAGE019
批联邦注册信息的联邦关联系数的方差；
Figure 19033DEST_PATH_IMAGE037
代表联邦注册信息的联邦关联系数的方差；
步骤A104：对应用部署用户端的业务信息进行追溯，生成业务节点；
步骤A105：通过所述最优筛选方向，沿业务节点计算权值，并通过所述联邦关联系数，筛选出可用数据组。
3.如权利要求1所述的一种安全多方计算与联邦分析系统，其特征在于，所述步骤A2，包括：
步骤A200：接收应用部署用户端的联邦注册信息，生成平台数据，根据所述平台数据，确定平台数据格式，并通过平台数据格式对所述平台数据进行数据源适配，确定适配数据；
步骤A201：对所述适配数据进行筛选，确定对应的可用数据组；
步骤A202：对所述对应的可用数据组进行追溯标记，并追溯数据源适配配置成功的应用部署用户端的业务信息，并确定业务数据；
步骤A203：通过预设的数据接口，将所述业务数据传输至预设的联邦分析模型，并对所述业务数据进行特征分析，确定特征数据；
步骤A204：通过所述特征数据，对所述业务信息进行业务流程构建和算法设定，构建业务模型。
4.如权利要求1所述的一种安全多方计算与联邦分析系统，其特征在于，所述交互模块，包括：
数据源适配单元：用于对接收应用部署用户端的联邦注册信息，确定平台数据，并对所述平台数据进行数据源适配，确定适配数据；
可用数据组单元：用于通过所述适配数据，对业务信息进行筛选，确定可用数据组；
交互信息单元：用于将所述可用数据组传输至应用部署用户端预设的代理服务接口，生成交互信息。
5.如权利要求1所述的一种安全多方计算与联邦分析系统，其特征在于，所述加固共享模块，包括：
信息提取单元：用于基于预设的隐私计算机制，采集业务数据信息的交互时间，并通过所述交互时间对业务数据信息进行业务提取，确定提取信息；
加密单元：用于对提取信息进行数据加密处理，获取加密数据和数据秘钥信息，并发送至联邦分析平台；
融合单元：用于通过所述联邦分析平台，对加密数据进行分析函数计算，获取融合数据，并发送至目标应用部署用户；
交互单元：用于根据获取的数据秘钥信息对所述融合数据进行解密处理，进行数据信息交互。
6.如权利要求4所述的一种安全多方计算与联邦分析系统，其特征在于，所述数据源适配单元，包括：
注册节点子单元：用于采集参加联邦分析平台的应用部署用户端的用户注册信息，建立注册节点；
注册子单元：用于通过所述注册节点，采集并记录对应的联邦注册数据，并保存对应的联邦注册数据到预设的存储数据库中；
划分子单元：用于获取联邦注册数据的适配数据源，并划分所述适配数据源，确定划分结果；其中，
所述划分结果包括同源数据源和异源数据源；
单方平台子单元：用于当所述划分结果为同源数据源，获取对应的联邦注册数据，根据所述联邦注册数据，确定对应的用户的第一联邦注册信息，并根据所述第一联邦注册信息，生成单方平台数据；
多方平台子单元：用于当所述划分结果为异源数据源，对所述异源数据源进行源头追溯，并进行数据源适配，确定对应的用户的第二联邦注册信息，并根据所述第二联邦注册信息，生成多方平台数据；
平台数据子单元：用于基于联邦分析平台内预设的存储数据库，记录并存储所述单方平台数据和多方平台数据，确定平台数据。
7.如权利要求1所述的一种安全多方计算与联邦分析系统，其特征在于，所述联邦分析平台还包括联邦部署方法，其中，所述联邦部署方法包括以下步骤：
步骤一：根据预设的容器开发规范准则，在容器开发用户端预先装置的容器化服务器内构建Docker镜像仓库，获得仓库节点；
步骤二：根据模型数据和任务信息进行数据提取，获取第一提取数据，并通过API接口传输至API服务器；
步骤三：对所述API服务器中的第一提取数据进行API数据管理，获取管理数据和注册信息；其中，
所述API数据管理包括：数据增添、数据修改、数据删除、数据时效处理；
步骤四：根据所述管理数据，与仓库节点中预存的仓库数据进行对比识别，获取对比数值；其中，
当所述管理数据与仓库数据的对比数值在预设范围内，则进行容器化处理，获取容器化数据；
当所述管理数据与仓库数据的对比数值不在预设范围内，则进行再次判断；
步骤五：将所述容器化数据根据注册信息，存储至分布式数据库中，完成模型部署。
CN202111218123.9A 2021-10-20 2021-10-20 一种安全多方计算与联邦分析技术 Active CN113660080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111218123.9A CN113660080B (zh) 2021-10-20 2021-10-20 一种安全多方计算与联邦分析技术

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111218123.9A CN113660080B (zh) 2021-10-20 2021-10-20 一种安全多方计算与联邦分析技术

Publications (2)

Publication Number Publication Date
CN113660080A CN113660080A (zh) 2021-11-16
CN113660080B true CN113660080B (zh) 2021-12-14

Family

ID=78494685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111218123.9A Active CN113660080B (zh) 2021-10-20 2021-10-20 一种安全多方计算与联邦分析技术

Country Status (1)

Country Link
CN (1) CN113660080B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114780855B (zh) * 2022-05-05 2022-11-25 穗保(广州)科技有限公司 一种基于互联网安全性的信息共享系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368319A (zh) * 2020-03-04 2020-07-03 西安电子科技大学 一种联邦学习环境下基于区块链的数据安全访问方法
EP3751468A1 (fr) * 2019-06-12 2020-12-16 Commissariat à l'énergie atomique et aux énergies alternatives Méthode d'apprentissage collaboratif d'un réseau de neurones artificiels sans divulgation des données d'apprentissage
CN112487456A (zh) * 2020-12-07 2021-03-12 北京明略昭辉科技有限公司 联邦学习模型训练方法、系统、电子设备及可读存储介质
WO2021089429A2 (en) * 2019-11-05 2021-05-14 Telefonaktiebolaget Lm Ericsson (Publ) Methods and apparatus for machine learning model life cycle
WO2021136601A1 (en) * 2020-01-03 2021-07-08 Huawei Technologies Co., Ltd. Network entity for determining a model for digitally analyzing input data
CN113204795A (zh) * 2021-07-07 2021-08-03 数据堂（北京）科技股份有限公司 基于联邦数据及联邦服务的数据共享方法及装置
WO2021163213A1 (en) * 2020-02-11 2021-08-19 Ventana Medical Systems, Inc. Federated learning system for training machine learning algorithms and maintaining patient privacy
CN113297396A (zh) * 2021-07-21 2021-08-24 支付宝(杭州)信息技术有限公司 基于联邦学习的模型参数更新方法、装置及设备
WO2021185197A1 (zh) * 2020-03-18 2021-09-23 索尼集团公司 用于联邦学习的装置、方法和存储介质
EP3885704A1 (en) * 2020-03-17 2021-09-29 HERE Global B.V. Method and apparatus for federated location fingerprinting

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3751468A1 (fr) * 2019-06-12 2020-12-16 Commissariat à l'énergie atomique et aux énergies alternatives Méthode d'apprentissage collaboratif d'un réseau de neurones artificiels sans divulgation des données d'apprentissage
WO2021089429A2 (en) * 2019-11-05 2021-05-14 Telefonaktiebolaget Lm Ericsson (Publ) Methods and apparatus for machine learning model life cycle
WO2021136601A1 (en) * 2020-01-03 2021-07-08 Huawei Technologies Co., Ltd. Network entity for determining a model for digitally analyzing input data
WO2021163213A1 (en) * 2020-02-11 2021-08-19 Ventana Medical Systems, Inc. Federated learning system for training machine learning algorithms and maintaining patient privacy
CN111368319A (zh) * 2020-03-04 2020-07-03 西安电子科技大学 一种联邦学习环境下基于区块链的数据安全访问方法
EP3885704A1 (en) * 2020-03-17 2021-09-29 HERE Global B.V. Method and apparatus for federated location fingerprinting
WO2021185197A1 (zh) * 2020-03-18 2021-09-23 索尼集团公司 用于联邦学习的装置、方法和存储介质
CN112487456A (zh) * 2020-12-07 2021-03-12 北京明略昭辉科技有限公司 联邦学习模型训练方法、系统、电子设备及可读存储介质
CN113204795A (zh) * 2021-07-07 2021-08-03 数据堂（北京）科技股份有限公司 基于联邦数据及联邦服务的数据共享方法及装置
CN113297396A (zh) * 2021-07-21 2021-08-24 支付宝(杭州)信息技术有限公司 基于联邦学习的模型参数更新方法、装置及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
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01期);全文 *

Also Published As

Publication number Publication date
CN113660080A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN111428881B (zh) 识别模型的训练方法、装置、设备及可读存储介质
CN111695697B (zh) 多方联合决策树构建方法、设备及可读存储介质
CN108428141B (zh) 一种基于erp系统与区块链的食品溯源信息管理系统
CN109492536A (zh) 一种基于5g架构的人脸识别方法及系统
CN110309587B (zh) 决策模型构建方法、决策方法与决策模型
CN109729168A (zh) 一种基于区块链的数据共享交换系统及方法
CN106487747B (zh) 用户识别方法、系统、装置及处理方法、装置
CN111753006B (zh) 一种基于联邦学习的预测系统及方法
CN110084377A (zh) 用于构建决策树的方法和装置
CN110929806B (zh) 基于人工智能的图片处理方法、装置及电子设备
CN111062043B (zh) 基于边缘计算的医疗影像识别方法及系统
CN111343131B (zh) 一种数据传输方法及装置
CN113660080B (zh) 一种安全多方计算与联邦分析技术
CN110610098A (zh) 数据集生成方法及装置
CN111667141A (zh) 未决任务案件的处理方法、装置、设备及存储介质
CN112332981A (zh) 一种数据处理的方法和装置
CN112883011A (zh) 实时数据处理方法和装置
Ambika A reliable blockchain-based image encryption scheme for IIoT networks
CN109818831A (zh) 一种基于dmz的跨专网的系统数据动态监控装置及方法
CN101719907B (zh) 基于BitTorrent的被动式载荷信息监测方法
CN116208340A (zh) 一种基于隐私计算和区块链的可信数据流通平台系统方法
CN109242254A (zh) 一种企业台账信息管理方法及装置、可读存储介质
CN112541540A (zh) 数据融合方法、装置、设备及存储介质
CN111400292A (zh) 一种数据云服务化的转化方法、服务器和系统
CN115964754B (zh) 大数据安全存储方法及装置

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