CN113872756A - 基于联邦学习的量子保密通信服务画像实现方法 - Google Patents

基于联邦学习的量子保密通信服务画像实现方法 Download PDF

Info

Publication number
CN113872756A
CN113872756A CN202111089530.4A CN202111089530A CN113872756A CN 113872756 A CN113872756 A CN 113872756A CN 202111089530 A CN202111089530 A CN 202111089530A CN 113872756 A CN113872756 A CN 113872756A
Authority
CN
China
Prior art keywords
emb
network node
user
global
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111089530.4A
Other languages
English (en)
Inventor
张远旸
陈柱
陈德华
王平
夏晨臣
王旭东
李腾龙
翟学锋
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.)
Cas Quantum Network Co ltd
Original Assignee
Cas Quantum Network 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 Cas Quantum Network Co ltd filed Critical Cas Quantum Network Co ltd
Priority to CN202111089530.4A priority Critical patent/CN113872756A/zh
Publication of CN113872756A publication Critical patent/CN113872756A/zh
Pending legal-status Critical Current

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
    • H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
    • H04L9/0816—Key establishment, i.e. cryptographic processes or cryptographic protocols whereby a shared secret becomes available to two or more parties, for subsequent use
    • H04L9/0852—Quantum cryptography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Electromagnetism (AREA)
  • Computer Security & Cryptography (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例提供一种基于联邦学习的量子保密通信服务画像实现方法，其包括：数据采集，得到各网络节点的多维数据，数据采集包括静态数据采集和动态数据采集；根据采集到的网络节点的多维数据，构建标签体系；根据各网络节点的多维数据与标签体系中标签的对应关系，实现各节点的量子保密通信服务画像；各节点的服务画像评价分析。本发明方法通过联邦学习方法实现量子保密通信服务画像构建，该方法降低了构建服务画像过程中的成本，提高了生成效率、准确性，保证了服务画像的分析质量。

Description

基于联邦学习的量子保密通信服务画像实现方法
技术领域
本发明涉及量子通信网络的技术领域，更具体地，涉及一种基于联邦学习的量子保密通信服务画像实现方法。
背景技术
量子保密通信服务，包括量子密钥生成与分发服务、量子密钥加解密服务。
量子密钥分发(QKD)是利用量子系统来进行信息的制备、传输、接收以及提纯来得到物理原理上不会被别人窃取的安全对称密钥，对于QKD来说，其安全性并不依赖于攻击者的计算能力，即使攻击者在物理学理论容许的范围内具有足够多和足够快的计算资源，量子密钥分发仍可保证通信双方能分享一串完全相同而且安全的密钥进行后续的安全通信。
量子密钥加密解密服务主要通过部署在接入单位的设备实现，业务层通过量子加密设备加密码数据后，传至另一端安全量子加密设备并完成解密的传输过程。网络节点实现密钥生成、密钥管理以及提供量子密钥加解密等功能。
联邦学习，又名联邦机器学习、联合学习、联盟学习。联邦学习作为分布式的机器学习范式，可以有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,能从技术上打破数据孤岛，实现AI协作。联邦学习主要目的是数据处理，联邦学习中使用的算法可以多种多样，既能包括传统经典的机器学习算法，也能包括神经网络算法等深度学习算法。
联邦学习定义了机器学习框架，在此框架下通过设计虚拟模型解决不同数据拥有方在不交换数据的情况下进行协作的问题。虚拟模型是各方将数据聚合在一起的最优模型，各自区域依据模型为本地目标服务。在联邦机制下，各参与者的身份和地位相同，可建立共享数据策略。由于数据不发生转移，因此不会泄露用户隐私或影响数据规范。为了保护数据隐私、满足合法合规的要求。
用户服务画像是指通过对海量数据信息进行清洗、聚类、分析，将数据抽象成标签，再利用这些标签将服务用户形象具体化的过程。
发明内容
本发明的目的是提供一种基于联邦学习的量子保密通信服务画像实现方法，考虑画像过程中各网络节点的不一致性，为多个网络节点提供具有层次化信息(公开信息与私有信息)的个性化用户模型，产生的用户模型能够充分利用隔离的不一致的私密数据，准确合理的实现服务用户画像。
本发明提供一种基于联邦学习的量子保密通信服务画像实现方法，所述实现方法包括：
步骤S1：数据采集，得到各网络节点的多维数据，数据采集包括静态数据采集和动态数据采集；
步骤S2：根据采集到的网络节点的多维数据，构建标签体系；
步骤S3：根据各网络节点的多维数据与标签体系中标签的对应关系，实现各节点的量子保密通信服务画像。
在一种实施方式中，所述实现方法还包括：
步骤S4：各网络节点的服务画像评价分析。
在一种实施方式中，步骤S3包括：
步骤S31：建立各网络节点的多维数据与标签体系中标签的对应关系；
步骤S32：各网络节点利用各自网络内的所有用户数据，使用一个用户模型建模用户特质，并分成分的将模型参数发送至服务器；
步骤S33：服务器接收所有网络节点发送的模型参数后，分成分的进行加权或者聚合处理，获得全局用户模型，并分成分的将全局模型参数分发至各网络节点；
步骤S34、各网络节点结合全局用户模型的参数更新本地用户模型的参数，并以此实现各节点的量子保密通信服务画像。
在一种实施方式中，步骤S31中，对每个网络节点，定义一个多维数据三元组(u，v，g)，其中，u表示用户数据信息，v表示网络数据信息，g表示业务数据信息，结合标签体系中标签，建立起每个网络节点的多维数据三元组(u，v，g)与标签体系中标签的对应关。
在一种实施方式中，步骤S32包括：
a.各网络节点利用各自网络内的所有用户数据，进行独热编码，获得用户的嵌入表示Embu和业务的嵌入表示Embv；
b.使用一个用户模型建模用户特质，使用映射矩阵KMu、KMv处理用户的嵌入表示Embu、业务的嵌入表示Embv，以得到用户表征、业务表征；其中，映射矩阵KMu、KMv各自由一系列的向量构成，通过随机初始化得到，大小均为K*L，K是指用户数据中业务的属性数目，一个属性对应一个向量，L为自定义的纬度值；
c.将模型参数发送至服务器，其中映射矩阵KMu与KMv作为公开成分直接发送至服务器；所有用户及对应业务的嵌入表示均为私有成分，通过聚类操作后，产生的聚类中心作为一种被保护的私有成分发送至服务器。
在一种实施方式中，步骤S33包括：
a.服务器接收所有网络节点发送的模型参数，其中，服务器接收的模型参数包括公开成分与私有成分；
b.对服务器接收到的所有网络节点发送的模型参数，进行加权或者聚合处理，其中对于公开成分，服务器将所有网络节点中同一属性的向量进行加权聚合，最终得到全局用户模型的公开成分；对于私有成分，服务器通过聚类操作后，产生的聚类中心作为全局用户模型的私有成分；
c.获得全局用户模型后，将全局模型参数分发至各网络节点，其中服务器按照所有网络节点发送的映射矩阵的类型以及映射矩阵中向量对应的属性，进行向量的融合，并引用向量对应属性的迭代次数，以及各个客户端针对属性的本地验证准确性，获得全局用户模型，并将全局模型参数分发至各网络节点。
在一种实施方式中，全局用户模型的公开成分得到过程如下：
Figure BDA0003266896470000031
其中，|c|表示网络节点总数，i为网络节点索引；
Figure BDA0003266896470000032
表示网络节点i中针对属性k的向量，k＝1，...，k；
Figure BDA0003266896470000033
表示网络节点i中针对属性k的迭代次数，
Figure BDA0003266896470000034
表示网络节点i中针对属性k的本地验证准确性；p为阈值，当
Figure BDA0003266896470000035
低于p时，
Figure BDA0003266896470000036
否则，
Figure BDA0003266896470000037
然后根据所有网络节点发送的映射矩阵KMu与KMv，获得各个映射矩阵中各属性的全局向量，由全局向量组成的两个映射矩阵即为全局用户模型的公开成分。
在一种实施方式中，步骤S34中：
各网络节点结合全局用户模型的参数更新本地用户模型的参数过程如下：
网络节点i对于每一映射矩阵，都基于本地测试准确度
Figure BDA0003266896470000041
并结合映射矩阵中的向量
Figure BDA0003266896470000042
和对应的全局属性
Figure BDA0003266896470000043
来加权更新向量，公式为：
Figure BDA0003266896470000044
其中，
Figure BDA0003266896470000045
分别为更新前、后网络节点i中针对属性k的向量；
Figure BDA0003266896470000046
为网络节点针对属性k的本地验证准确性，
Figure BDA0003266896470000047
为来自服务器的针对属性k的全局向量；
基于上述方式对映射矩阵KMu、KMv的向量进行更新，获得更新后的映射矩阵KM′u、KM′v
基于全局用户模型的私有成分，网络节点i基于距离加权全局用户模型的私有成分和嵌入表示Embj，i，更新过程表示为：
Figure BDA0003266896470000048
Emb′j，i＝Embj，i*Acci+Embg*(1-Acci)
其中，N为全局用户模型的私有成分中聚类中心的数目，n与m均为聚类中心的索引，Acci是一个准确度向量，表示网络节点i中每个属性的本地测试精度；Embg是针对嵌入表示计算得到的加权全局成分；Embj，i、Emb′j，i分别为更前、后的本地嵌入表示；Embj，i为更新前的用户的嵌入表示Embu或者业务的嵌入表示Embv，Emb′j，i为更新后的用户的嵌入表示Embu或者业务的嵌入表示Embv。
在一种实施方式中，步骤S34中：
各网络节点利用更新后的本地用户模型的参数计算用户和业务特质的表征，
Figure BDA0003266896470000049
Figure BDA00032668964700000410
其中，Embc是业务属性的嵌入表示；KMcu、KM′v各自对应为更新后的映射矩阵KMu、KMv，Embu、Embv自对应为更新后的嵌入表示Embu、Embv；
之后，利用用户和业务特质的表征Ru与Rv，实现各节点的量子保密通信服务画像，获得用户对业务的偏好信息，
Puv＝Ru-Rv。
其中，Puv代表用户对业务的偏好程度。
本发明方法基于联邦学习，通过动态、静态数据采集，得到各网络节点的多维数据，从运算层级角度构建三级标签体系，建立各网络节点的多维数据与标签体系中标签的对应关系，有效降低了构建服务画像过程中的成本；为多个网络节点提供具有层次化信息(公开信息与私有信息)的个性化用户模型，有利于提高服务画像的生成效率；而产生的用户模型能够充分利用隔离的不一致的私密数据，合理构建各节点的量子保密通信服务画像，可以提升服务画像的准确性；同时进行各网络节点的服务画像评价分析，则保证了服务画像的分析质量。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来说，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它的附图。
图1为本发明实施例提供的一种基于联邦学习的量子保密通信服务画像实现方法流程图。
图2为本发明实施例提供的量子保密通信服务画像实现流程图。
具体实施方式
为了使本领域技术领域人员更好地理解本申请中的技术方案，下面将结合实施例对本发明作进一步说明，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都应当属于本申请保护的范围。下面结合附图及实施例对本发明作进一步描述。
如图1所示，本发明实施例提供一种基于联邦学习的量子保密通信服务画像实现方法，其包括：数据采集，得到各网络节点的多维数据，数据采集包括静态数据采集和动态数据采集；根据采集到的网络节点的多维数据，构建标签体系；根据各网络节点的多维数据与标签体系中标签的对应关系，实现各节点的量子保密通信服务画像；各节点的服务画像评价分析。
步骤S1：数据采集，得到各网络节点的多维数据，数据采集包括静态数据采集和动态数据采集。
静态数据采集：对相关网络系统数据库中的用户静态数据进行采集，静态数据包含用户的基本信息，用户的基本信息包括：用户ID、用户行业、业务信息、设备信息等；动态数据采集：对相关系统数据库中的动态数据进行采集，动态数据包含用户业务使用信息，如密钥消耗量、密钥生成量和评价反馈。
步骤S2：根据采集到的网络节点的多维数据，构建标签体系。
构建标签体系，从运算层级角度可以将标签体系分为三层，包括事实标签、挖掘标签、预测标签三部分。
事实标签是通过对于原始数据库的数据进行统计分析而来的，比如用户的基本属性、行为频次等基于事实及简单行为统计的标签，都属于事实标签这类。
模型标签是以事实标签为基础，通过构建事实标签与业务问题之间的模型，进行模型(业务规则/算法模型)分析得到模型标签。比如，结合用户量子密钥使用量、用户节点数量等，进行用户密钥生成分发模型的识别，方便后续分场景运维处理。
预测标签则是在模型的基础上做预测，比如针对用户密钥生成分发模型的变化，预测用户密钥可使用时长。
根据采集到的网络节点的多维数据，采用机器学习算法对业务进行预测，建立各网络节点的多维数据与标签体系中标签的对应关系。
步骤S3：根据各网络节点的多维数据与标签体系中标签的对应关系，实现各节点的量子保密通信服务画像。
一种基于联邦学习的量子保密通信服务画像系统包括多个节点、服务器；其中，如图2所示，建立各网络节点的多维数据与标签体系中标签的对应关系；各网络节点利用各自网络内的多维数据，使用一个用户模型建模用户特质，并将模型参数发送至服务器；服务器接收所有网络节点发送的模型参数后，进行加权或者聚合处理，获得全局用户模型，并将全局模型参数分发至各网络节点；各网络节点结合全局用户模型的参数更新本地用户模型的参数，并以此实现各节点的量子保密通信服务画像。
(1)建立各网络节点的多维数据与标签体系中标签的对应关系。
对于一个网络节点，定义一个多维数据三元组(u，v，g)，其中，u表示用户数据信息，v表示网络数据信息，g表示业务数据信息，结合标签体系中标签的定义，建立起该网络节点的多维数据三元组(u，v，g)与标签体系中标签的对应关系，即将u用户数据信息标注为事实标签类型，将v网络数据信息标注为事实标签、挖掘标签、预测标签等标签类型，将g业务数据信息标注为事实标签、预测标签等标签类型，如g业务数据信息中，量子密钥已消耗量应标注成事实标签，量子密钥可用存量应标注成预测标签。
(2)各网络节点利用各自网络内的所有用户数据，使用一个用户模型建模用户特质，并将模型参数发送至服务器。
首先，针对各网络节点利用各自网络内的所有用户数据，首先进行独热编码，获得用户的嵌入表示Embu和业务的嵌入表示Embv。
然后，使用一个用户模型建模用户特质。使用映射矩阵KMu、KMv处理用户的嵌入表示Embu、业务的嵌入表示Embv，以得到用户表征、业务表征；其中，映射矩阵KMu、KMv各自由一系列的向量构成，通过随机初始化得到，大小均为K*L，K是指用户数据中业务的属性数目，一个属性对应一个向量，L为自定义的纬度值。
最后，将模型参数发送至服务器。其中，映射矩阵KMu与KMv作为公开成分直接发送至服务器；所有用户及对应业务的嵌入表示均为私有成分，通过聚类操作后，产生的聚类中心作为一种被保护的私有成分发送至服务器。
(3)服务器接收所有网络节点发送的模型参数后，进行加权或者聚合处理，获得全局用户模型，并将全局模型参数分发至各网络节点。
首先，服务器接收所有网络节点发送的模型参数，其中，服务器接收的模型参数包括公开成分与私有成分。
然后，对服务器接收到的所有网络节点发送的模型参数进行加权或者聚合处理。其中，对于公开成分，服务器将所有网络节点中同一属性的向量进行加权聚合，最终得到全局用户模型的公开成分；对于私有成分，服务器通过聚类操作后，产生的聚类中心作为全局用户模型的私有成分。全局用户模型的公开成分得到过程如下：
Figure BDA0003266896470000071
其中，|c|表示网络节点总数，i为网络节点索引；
Figure BDA0003266896470000072
表示网络节点i中针对属性k的向量，k＝1，...，k；
Figure BDA0003266896470000073
表示网络节点i中针对属性k的迭代次数，
Figure BDA0003266896470000074
表示网络节点i中针对属性k的本地验证准确性；p为阈值，当
Figure BDA0003266896470000075
低于p时，
Figure BDA0003266896470000081
否则，
Figure BDA0003266896470000082
然后根据所有网络节点发送的映射矩阵KMu与KMv，获得各个映射矩阵中各属性的全局向量，由全局向量组成的两个映射矩阵即为全局用户模型的公开成分。
最后，获得全局用户模型后，并将全局模型参数分发至各网络节点。服务器按照所有网络节点发送的映射矩阵的类型以及映射矩阵中向量对应的属性，进行向量的融合，并引用向量对应属性的迭代次数，以及各个客户端针对属性的本地验证准确性，获得全局用户模型，并将全局模型参数分发至各网络节点。
(4)各网络节点结合全局用户模型的参数更新本地用户模型的参数，并以此实现各节点的量子保密通信服务画像。
各网络节点结合全局用户模型的参数更新本地用户模型的参数过程如下：
网络节点i对于每一映射矩阵，都基于本地测试准确度
Figure BDA0003266896470000083
并结合映射矩阵中的向量
Figure BDA0003266896470000084
和对应的全局属性
Figure BDA0003266896470000085
来加权更新向量，公式为：
Figure BDA0003266896470000086
其中，
Figure BDA0003266896470000087
分别为更新前、后网络节点i中针对属性k的向量；
Figure BDA0003266896470000088
为网络节点针对属性k的本地验证准确性，
Figure BDA0003266896470000089
为来自服务器的针对属性k的全局向量；
基于上述方式对映射矩阵KMu、KMv的向量进行更新，获得更新后的映射矩阵KM′u、KM′v
基于全局用户模型的私有成分，网络节点i基于距离加权全局用户模型的私有成分和嵌入表示Embj，i，更新过程表示为：
Figure BDA00032668964700000810
Emb′j，i＝Embj，i*Acci+Embg*(1-Acci)
其中，N为全局用户模型的私有成分中聚类中心的数目，n与m均为聚类中心的索引，Acci是一个准确度向量，表示网络节点i中每个属性的本地测试精度；Embg是针对嵌入表示计算得到的加权全局成分；Embj，i、Emb′j，i分别为更前、后的本地嵌入表示；Embj，i为更新前的用户的嵌入表示Embu或者业务的嵌入表示Embv，Emb′j，i为更新后的用户的嵌入表示Embu或者业务的嵌入表示Embv。
各网络节点利用更新后的本地用户模型的参数计算用户和业务特质的表征
Figure BDA0003266896470000091
Figure BDA0003266896470000092
其中，Embc是业务属性的嵌入表示；KM′u、KM′v各自对应为更新后的映射矩阵KMu、KMv，Embu、Embv自对应为更新后的嵌入表示Embu、Embv；
之后，利用用户和业务特质的表征Ru与Rv，实现各节点的量子保密通信服务画像，获得用户对业务的偏好信息：
Puv＝Ru-Rv
其中，Puv代表用户对业务的偏好程度。
步骤S4：各网络节点的服务画像评价分析。
根据采集到的评价反馈信息对服务画像直接进行更新，具体更新规则：当难度反馈为困难时，降低难度需求等级，难度反馈为容易时，提高度需求等级；当专业匹配反馈为偏离时，更改专业需求属性；当范围反馈为小时，增大范围需求等级，范围反馈为大时，降低范围需求等级；最终用户的反馈会不断趋向于合适，而服务画像也会随之趋向于稳定。
采集评价反馈信息，根据得到用户的偏好信息，为用户进行个性化推荐，实现千人千面的运营。
本领域的技术人员容易理解的是，在不冲突的前提下，上述各有利方式可以自由地组合、叠加。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (9)

1.一种基于联邦学习的量子保密通信服务画像实现方法，其特征在于，所述实现方法包括：
步骤S1：数据采集，得到各网络节点的多维数据，数据采集包括静态数据采集和动态数据采集；
步骤S2：根据采集到的网络节点的多维数据，构建标签体系；
步骤S3：根据各网络节点的多维数据与标签体系中标签的对应关系，实现各节点的量子保密通信服务画像。
2.根据权利要求1所述的实现方法，其特征在于，所述实现方法还包括：
步骤S4：各网络节点的服务画像评价分析。
3.根据权利要求1所述的实现方法，其特征在于，步骤S3包括：
步骤S31：建立各网络节点的多维数据与标签体系中标签的对应关系；
步骤S32：各网络节点利用各自网络内的所有用户数据，使用一个用户模型建模用户特质，并分成分的将模型参数发送至服务器；
步骤S33：服务器接收所有网络节点发送的模型参数后，分成分的进行加权或者聚合处理，获得全局用户模型，并分成分的将全局模型参数分发至各网络节点；
步骤S34、各网络节点结合全局用户模型的参数更新本地用户模型的参数，并以此实现各节点的量子保密通信服务画像。
4.根据权利要求3所述的实现方法，其特征在于，步骤S31中，对每个网络节点，定义一个多维数据三元组(u，v，g)，其中，u表示用户数据信息，v表示网络数据信息，g表示业务数据信息，结合标签体系中标签，建立起每个网络节点的多维数据三元组(u，v，g)与标签体系中标签的对应关。
5.根据权利要求3所述的实现方法，其特征在于，步骤S32包括：
a.各网络节点利用各自网络内的所有用户数据，进行独热编码，获得用户的嵌入表示Embu和业务的嵌入表示Embv；
b.使用一个用户模型建模用户特质，使用映射矩阵KMu、KMv处理用户的嵌入表示Embu、业务的嵌入表示Embv，以得到用户表征、业务表征；其中，映射矩阵KMu、KMv各自由一系列的向量构成，通过随机初始化得到，大小均为K*L，K是指用户数据中业务的属性数目，一个属性对应一个向量，L为自定义的纬度值；
c.将模型参数发送至服务器，其中映射矩阵KMu与KMv作为公开成分直接发送至服务器；所有用户及对应业务的嵌入表示均为私有成分，通过聚类操作后，产生的聚类中心作为一种被保护的私有成分发送至服务器。
6.根据权利要求5所述的实现方法，其特征在于，步骤S33包括：
a.服务器接收所有网络节点发送的模型参数，其中，服务器接收的模型参数包括公开成分与私有成分；
b.对服务器接收到的所有网络节点发送的模型参数，进行加权或者聚合处理，其中对于公开成分，服务器将所有网络节点中同一属性的向量进行加权聚合，最终得到全局用户模型的公开成分；对于私有成分，服务器通过聚类操作后，产生的聚类中心作为全局用户模型的私有成分；
c.获得全局用户模型后，将全局模型参数分发至各网络节点，其中服务器按照所有网络节点发送的映射矩阵的类型以及映射矩阵中向量对应的属性，进行向量的融合，并引用向量对应属性的迭代次数，以及各个客户端针对属性的本地验证准确性，获得全局用户模型，并将全局模型参数分发至各网络节点。
7.根据权利要求6所述的实现方法，其特征在于，全局用户模型的公开成分得到过程如下：
Figure FDA0003266896460000021
其中，|c|表示网络节点总数，i为网络节点索引；
Figure FDA0003266896460000022
表示网络节点i中针对属性k的向量，k＝1，...，k；
Figure FDA0003266896460000023
表示网络节点i中针对属性k的迭代次数，
Figure FDA0003266896460000024
表示网络节点i中针对属性k的本地验证准确性；p为阈值，当
Figure FDA0003266896460000025
低于p时，
Figure FDA0003266896460000026
否则，
Figure FDA0003266896460000027
然后根据所有网络节点发送的映射矩阵KMu与KMv，获得各个映射矩阵中各属性的全局向量，由全局向量组成的两个映射矩阵即为全局用户模型的公开成分。
8.根据权利要求3所述的实现方法，其特征在于，步骤S34中：
各网络节点结合全局用户模型的参数更新本地用户模型的参数过程如下：
网络节点i对于每一映射矩阵，都基于本地测试准确度
Figure FDA0003266896460000031
并结合映射矩阵中的向量
Figure FDA0003266896460000032
和对应的全局属性
Figure FDA0003266896460000033
来加权更新向量，公式为：
Figure FDA0003266896460000034
其中，
Figure FDA0003266896460000035
分别为更新前、后网络节点i中针对属性k的向量；
Figure FDA0003266896460000036
为网络节点针对属性k的本地验证准确性，
Figure FDA0003266896460000037
为来自服务器的针对属性k的全局向量；
基于上述方式对映射矩阵KMu、KMv的向量进行更新，获得更新后的映射矩阵KM′u、KM′v
基于全局用户模型的私有成分，网络节点i基于距离加权全局用户模型的私有成分和嵌入表示Embj，i，更新过程表示为：
Figure FDA0003266896460000038
Emb′j，i＝Embj，i*Acci+Embg*(1-Acci)
其中，N为全局用户模型的私有成分中聚类中心的数目，n与m均为聚类中心的索引，Acci是一个准确度向量，表示网络节点i中每个属性的本地测试精度；Embg是针对嵌入表示计算得到的加权全局成分；Embj，i、Emb′j，i分别为更前、后的本地嵌入表示；Embj，i为更新前的用户的嵌入表示Embu或者业务的嵌入表示Embv，Emb′j，i为更新后的用户的嵌入表示Embu或者业务的嵌入表示Embv。
9.根据权利要求3所述的实现方法，其特征在于，步骤S34中：
各网络节点利用更新后的本地用户模型的参数计算用户和业务特质的表征，
Figure FDA0003266896460000039
Figure FDA00032668964600000310
其中，Embc是业务属性的嵌入表示；KM′u、KM′v各自对应为更新后的映射矩阵KMu、KMv，Embu、Embv自对应为更新后的嵌入表示Embu、Embv；
之后，利用用户和业务特质的表征Ru与Rv，实现各节点的量子保密通信服务画像，获得用户对业务的偏好信息，
Puv＝Ru-Rv。
CN202111089530.4A 2021-09-16 2021-09-16 基于联邦学习的量子保密通信服务画像实现方法 Pending CN113872756A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111089530.4A CN113872756A (zh) 2021-09-16 2021-09-16 基于联邦学习的量子保密通信服务画像实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111089530.4A CN113872756A (zh) 2021-09-16 2021-09-16 基于联邦学习的量子保密通信服务画像实现方法

Publications (1)

Publication Number Publication Date
CN113872756A true CN113872756A (zh) 2021-12-31

Family

ID=78996335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111089530.4A Pending CN113872756A (zh) 2021-09-16 2021-09-16 基于联邦学习的量子保密通信服务画像实现方法

Country Status (1)

Country Link
CN (1) CN113872756A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114357526A (zh) * 2022-03-15 2022-04-15 中电云数智科技有限公司 抵御推断攻击的医疗诊断模型差分隐私联合训练方法
CN114900325A (zh) * 2022-03-25 2022-08-12 杭州博盾习言科技有限公司 基于联邦学习的隐私集合求交方法、系统、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200394471A1 (en) * 2019-06-12 2020-12-17 International Business Machines Corporation Efficient database maching learning verification
CN112416986A (zh) * 2020-11-23 2021-02-26 中国科学技术大学 基于分层个性化联邦学习的用户画像实现方法及系统
US20210097430A1 (en) * 2019-09-30 2021-04-01 International Business Machines Corporation Data protection distributed learning
CN112837087A (zh) * 2020-12-16 2021-05-25 北京交通大学 一种面向咨询服务系统的用户画像构建方法
CN113033828A (zh) * 2021-04-29 2021-06-25 江苏超流信息技术有限公司 模型训练方法、使用方法、系统、可信节点及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200394471A1 (en) * 2019-06-12 2020-12-17 International Business Machines Corporation Efficient database maching learning verification
US20210097430A1 (en) * 2019-09-30 2021-04-01 International Business Machines Corporation Data protection distributed learning
CN112416986A (zh) * 2020-11-23 2021-02-26 中国科学技术大学 基于分层个性化联邦学习的用户画像实现方法及系统
CN112837087A (zh) * 2020-12-16 2021-05-25 北京交通大学 一种面向咨询服务系统的用户画像构建方法
CN113033828A (zh) * 2021-04-29 2021-06-25 江苏超流信息技术有限公司 模型训练方法、使用方法、系统、可信节点及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
腊阳山丘: "《互联网消费金融业务架构、运营和数字化转型》", 31 January 2021, 机械工业出版社, pages: 55 - 62 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114357526A (zh) * 2022-03-15 2022-04-15 中电云数智科技有限公司 抵御推断攻击的医疗诊断模型差分隐私联合训练方法
CN114900325A (zh) * 2022-03-25 2022-08-12 杭州博盾习言科技有限公司 基于联邦学习的隐私集合求交方法、系统、设备及介质
CN114900325B (zh) * 2022-03-25 2024-03-26 杭州博盾习言科技有限公司 基于联邦学习的隐私集合求交方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN111598186B (zh) 基于纵向联邦学习的决策模型训练方法、预测方法及装置
Cheng et al. Secureboost: A lossless federated learning framework
CN112329073B (zh) 分布式数据处理方法、装置、计算机设备及存储介质
CN112733967B (zh) 联邦学习的模型训练方法、装置、设备及存储介质
CN111368319B (zh) 一种联邦学习环境下基于区块链的数据安全访问方法
Qi et al. Model aggregation techniques in federated learning: A comprehensive survey
CN110233730B (zh) 一种基于k均值聚类的隐私信息保护方法
Chen et al. An approach of flow compensation incentive based on Q-learning strategy for IoT user privacy protection
CN113872756A (zh) 基于联邦学习的量子保密通信服务画像实现方法
CN112101403B (zh) 基于联邦少样本网络模型的分类方法、系统及电子设备
CN113505882B (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
CN113609523B (zh) 一种基于区块链和差异隐私的车联网隐私数据保护方法
CN103618729A (zh) 一种应用于云存储的多机构层次化属性基加密方法
CN116529730A (zh) 使用安全多方计算的隐私保护机器学习
CN111753006A (zh) 一种基于联邦学习的预测系统及方法
Lu et al. Top-k sparsification with secure aggregation for privacy-preserving federated learning
Zhou et al. Securing federated learning enabled NWDAF architecture with partial homomorphic encryption
Xiong et al. A lightweight privacy protection scheme based on user preference in mobile crowdsensing
CN115335825A (zh) 用于内容分发和分析的隐私保护机器学习
Guo et al. B 2 sfl: A bi-level blockchained architecture for secure federated learning-based traffic prediction
Lu et al. Privacy-preserving decentralized federated learning over time-varying communication graph
Sun et al. Fed-DFE: A Decentralized Function Encryption-Based Privacy-Preserving Scheme for Federated Learning.
Kaleli et al. SOM-based recommendations with privacy on multi-party vertically distributed data
CN112085051B (zh) 基于加权投票的图像分类方法、系统及电子设备
CN111277406B (zh) 一种基于区块链的安全两方向量优势比较方法

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