CN113901500A - 图拓扑嵌入方法、装置、系统、设备及介质 - Google Patents
图拓扑嵌入方法、装置、系统、设备及介质 Download PDFInfo
- Publication number
- CN113901500A CN113901500A CN202111216624.3A CN202111216624A CN113901500A CN 113901500 A CN113901500 A CN 113901500A CN 202111216624 A CN202111216624 A CN 202111216624A CN 113901500 A CN113901500 A CN 113901500A
- Authority
- CN
- China
- Prior art keywords
- party
- trusted
- data
- sample
- participant
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 6
- 238000002910 structure generation Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Storage Device Security (AREA)
Abstract
本发明涉及到图拓扑嵌入领域，具体为图拓扑嵌入、装置及系统。将同态加密应用于计算过程中在各个联邦学习参与方之间传递的中间结果，各个联邦学习的参与方仅掌握同态加密的公钥，无法对数据进行解密，而可以解密的受信任的第三方仅能获得最后的求和结果，无法获得联邦学习的参与方各自的结果，因此各个联邦学习的参与方的数据隐私既没有泄露给其他联邦学习的参与方也没有泄露给受信任的第三方，数据隐私得到有效保护。通过将联邦学习应用于图拓扑结构的构建，使得以往在隐私保护的要求下无法完成的图构建过程得以实现，拓展了各种图算法的应用场景。
Description
技术领域
本发明涉及到图拓扑嵌入领域，具体为基于同态加密的联邦样本的图拓扑嵌入、装置、系统、设备及介质。
背景技术
联邦机器学习(Federated machine learning/Federated Learning)，又名联邦学习，是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。能够使得各个机构的自有数据不出本地，而在联邦系统下通过加密机制下的参数交换方式，建立一个虚拟的共有模型，这个虚拟模型就好像大家把数据聚合在一起建立的最优模型一样。与此同时，随着非关系型数据库技术的发展，联邦学习下的图模型在数据建模领域的应用日益广泛。
在构建图拓扑结构模型时，决定不同节点之间是否连接的条件有多种形式。其中一种十分常见的形式是对于每对节点均计算连接概率而仅将概率高于特定阈值的节点对连接从而使稠密图稀疏化。这一方法被大量应用在实际生产生活中，在这些实际应用中数据往往蕴含着来自公民个体的隐私信息。来自不同数据源的联邦样本对信息需要被累加来获得准确的连接概率估计，这一累加过程中来自一个数据源的隐私数据会被泄露至其他的数据源。
现有技术中可以在不加密的情况下由受信任的第三方完成数据的连接概率估计，然后进行数据拓扑结构的建立，但是会将各个参与方的信息泄露给第三方，尽管第三方是受信任的但无法保证传输过程中被恶意截获，同时在进行数据的连接概率估计时，需要用到其他参与方的数据，及时对数据进行加密也都会在不同的参与方进行解密，因此也都存在隐私信息泄露的问题，严重制约了图算法的应用和推广。
发明内容
针对现有技术中存在的问题，本发明提供一种基于同态加密的联邦样本的图拓扑嵌入方法、装置、系统、设备及介质，设计合理，安全可靠，使得各个联邦学习的参与方的数据隐私既没有泄露给其他联邦学习的参与方也没有泄露给受信任的第三方，数据隐私得到有效保护。
本发明是通过以下技术方案来实现：
第一方面，本发明提供一种图拓扑嵌入方法，所述的方法由联邦学习系统中的受信任的第三方执行，所述联邦学习系统包括受信任的第三方和多个参与方；所述嵌入方法包括的如下步骤：
接收参与方的联邦样本的数据ID，形成共有数据样本ID，并将共有数据样本ID发送至各参与方；
生成同态加密的公私钥对，并将公私钥对中的公钥分发给参与方；
获取按照预设顺序的最后一个参与方的连接结果；所述连接结果由参与方基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行局部连接概率的同态加密后，按照预设的顺序依次同态相加得到；
使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方；以使得参与方在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入。
可选地，所述使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方之前，还包括：
将获取的局部连接阈值相加，得到约定阈值；
所述局部连接阈值由参与方根据局部连接概率的局部连接概率分布得到。
可选地，所述接收参与方的联邦样本的数据ID，形成共有数据样本ID，并将共有数据样本ID发送至各参与方，包括：
接收参与方的联邦样本的数据ID的哈希值；所述哈希值由参与方的联邦样本的数据ID按照设定的哈希方式进行脱敏处理得到；
通过纵向联邦学习处理所有数据ID的哈希值进行数据对齐，得到共有数据样本ID，并发送至各参与方。
第二方面，本发明提供一种图拓扑嵌入方法，所述的方法由联邦学习系统中的参与方执行的如下步骤，所述联邦学习系统包括受信任的第三方和多个参与方；其特征在于，所述嵌入方法包括：
将自身联邦样本的数据ID发送至受信任的第三方，获取由受信任的第三方发送的共有数据样本ID；
从受信任的第三方获取同态加密的公钥；
基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行同态加密后，按照预设的顺序依次同态相加得到连接结果发送至受信任的第三方；
在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入，所述拓扑结构由受信任的第三方使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成。
可选地，在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入之前，还包括，
参与方根据局部连接概率，得到局部连接概率分布和对应的局部连接阈值，将局部连接阈值发送到受信任的第三方；以使得受信任的第三方将所有的局部连接阈值相加得到约定阈值。
可选地，所述将自身联邦样本的数据ID发送至受信任的第三方，获取由受信任的第三方发送的共有数据样本ID，包括：
将自身联邦样本的数据ID按照设定的哈希方式进行脱敏处理得到对应哈希值，并发送至受信任的第三方；
获取由受信任的第三方发送的共有数据样本ID，所述共有数据样本ID由受信任的第三方通过纵向联邦学习处理所有数据ID的哈希值进行数据对齐得到。
第三方面，本发明提供一种图拓扑嵌入方法，所述的方法由联邦学习系统执行，所述联邦学习系统包括受信任的第三方和多个参与方，其特征在于，所述嵌入方法包括：
参与方将自身联邦样本的数据ID发送至受信任的第三方；
受信任的第三方接收数据ID，形成共有数据样本ID，并将共有数据样本ID发送至各参与方，以及生成同态加密的公私钥对后，将公私钥对中的公钥分发给参与方；
参与方基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行同态加密后，按照预设的顺序依次同态相加得到连接结果发送至受信任的第三方；
受信任的第三方使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方；
参与方在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入。
可选地，所述参与方将自身联邦样本的数据ID发送至受信任的第三方；受信任的第三方接收数据ID，形成共有数据样本ID，并将共有数据样本ID发送至各参与方，包括：
参与方将自身联邦样本的数据ID按照设定的哈希方式进行脱敏处理得到对应哈希值，并发送至受信任的第三方；
受信任的第三方接收数据ID的哈希值，通过纵向联邦学习处理所有数据ID的哈希值进行数据对齐，得到共有数据样本ID，并将共有数据样本ID发送至各参与方。
可选地，所述按照预先确定的约定阈值生成拓扑结构之前，还包括，
参与方根据局部连接概率矩阵，得到局部连接概率分布和对应的局部连接阈值，将局部连接阈值发送到受信任的第三方，受信任的第三方将所有的局部连接阈值相加，得到约定阈值。
第四方面，本发明提供一种图拓扑嵌入装置，应用于联邦学习系统中的受信任的第三方，所述联邦学习系统包括受信任的第三方和多个参与方；所述图拓扑嵌入装置包括：
数据对齐模块，用于接收参与方的联邦样本的数据ID，形成共有数据样本ID，并将共有数据样本ID发送至各参与方；
密钥生成模块，用于生成同态加密的公私钥对，并将公私钥对中的公钥分发给参与方；
拓扑嵌入处理模块，用于获取按照预设顺序的最后一个参与方的连接结果；所述连接结果由参与方基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行局部连接概率的同态加密后，按照预设的顺序依次同态相加得到；
拓扑结构生成模块，用于使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方；以使得参与方在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入。
第五方面，本发明提供一种图拓扑嵌入装置，包括应用于联邦学习系统中的参与方，所述联邦学习系统包括受信任的第三方和多个参与方；所述图拓扑嵌入装置包括：
收发模块，用于将自身联邦样本的数据ID发送至受信任的第三方，获取由受信任的第三方发送的共有数据样本ID；
密钥接收模块，用于从受信任的第三方获取同态加密的公钥；
同态加密模块，用于基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行同态加密后，按照预设的顺序依次同态相加得到连接结果发送至受信任的第三方；
图算法运行模块，用于在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入，所述拓扑结构由受信任的第三方使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成。
第六方面，本发明提供一种图拓扑嵌入系统，包括受信任的第三方和多个参与方；
所述受信任的第三方，
用于接收数据ID，形成共有数据样本ID，并将共有数据样本ID发送至各参与方；
用于生成同态加密的公私钥对，并将公私钥对中的公钥分发给参与方，
用于使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方；
所述参与方，
用于将自身联邦样本的数据ID发送至受信任的第三方，
用于基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行同态加密后，按照预设的顺序依次同态相加得到连接结果发送至受信任的第三方，
用于在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入。
第七方面，本发明提供一种计算机设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如第一方面任一项所述的方法，或者实现第二方面中任一项所述的方法。
第八方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的方法，或者实现第二方面中任一项所述的方法。
与现有技术相比，本发明具有以下有益的技术效果：
本发明将同态加密应用于计算过程中在各个联邦学习参与方之间传递的中间结果，各个联邦学习的参与方仅掌握同态加密的公钥，无法对数据进行解密，而可以解密的受信任的第三方仅能获得最后的求和结果，无法获得联邦学习的参与方各自的结果，因此各个联邦学习的参与方的数据隐私既没有泄露给其他联邦学习的参与方也没有泄露给受信任的第三方，数据隐私得到有效保护。通过将联邦学习应用于图拓扑结构的构建，使得以往在隐私保护的要求下无法完成的图构建过程得以实现，拓展了各种图算法的应用场景。
附图说明
图1为本发明一实例中所述的图拓扑嵌入方法；
图2为本发明一实例中所述的图拓扑嵌入系统；
图3为本发明一实例中所述的图拓扑嵌入系统的执行逻辑图；
图4为本发明另一实例中所述的图拓扑嵌入方法；
图5为本发明另一实例中所述的图拓扑嵌入装置；
图6为本发明又一实例中所述的图拓扑嵌入方法；
图7为本发明又一实例中所述的图拓扑嵌入装置。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明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、元件、数据结构等等。也可以在分布式计算环境中实践本发明，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。
在本发明中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。
最后，还需要说明的是，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”，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。
本发明提出了一种基于同态加密的联邦样本拓扑嵌入方法，通过将各个参与方的局部连接概率信息进行同态加密，在受信任的第三方对各个参与方的数据连接概率信息进行整合，仅返回最终图拓扑嵌入结果给各个参与方，在不泄露数据隐私的前提下实现了样本的图拓扑嵌入。
本公开实例提供一种图拓扑嵌入方法，所述的方法由联邦学习系统执行，所述联邦学习系统包括受信任的第三方和多个参与方，如图1所示，所述嵌入方法包括：
S11参与方将自身联邦样本的数据ID发送至受信任的第三方，受信任的第三方得到共有数据样本ID，并发送至各参与方；
其中，联邦学习是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。本发明中参与方的联邦样本中数据对象的数据ID重叠较多，例如，同一地区的银行和保险的共同的客户数据，而数据特征重叠较少的情况，能够通过纵向联邦学习；也就是数据矩阵或者表格的按列(纵向)划分，不同列的数据有相同的样本ID，即训练样本是对齐的，实现数据对齐，从而联合多个参与者的共有的数据样本ID的不同特征进行纵向联邦学习，避免了可能存在的数据样本不重合问题；共有的数据样本ID可以是隐私的身份证号和姓名，以及非隐私的微信号等，通过数据对齐是后续步骤操作的数据要求，要求各个参与方都有相应ID的数据。
对于上述的联邦样本的数据ID处理，出于对隐私信息的保密，可以将自身联邦样本的数据ID按照设定的哈希方式进行脱敏处理得到对应哈希值，并发送至受信任的第三方；由受信任的第三方通过纵向联邦学习处理所有数据ID的哈希值进行数据对齐，确认各个联邦学习参与方共有数据样本ID，并发送返回至各参与方。通过对哈希值的操作代理对数据的读取，实现隐私数据的保护。
例如，参与方ABC具有ID如下的数据：
A：1，2，4；
B：1，2，3，4，5；
C：1，2，4，5；
哈希后得到hash(i)发送至受信任的第三方，受信任的第三方找到ABC三方都有的ID，返回hash(1),hash(2),hash(4)至各个参与方，从而确定节点1，2，4为共有的数据样本ID，做为后续操作的基础。
S12受信任的第三方生成同态加密的公私钥对，并将公钥分发给参与方；
同态加密是指这样一种加密函数，对明文进行环上的加法和乘法运算再加密，与加密后对密文进行相应的运算，结果是等价的。本发明中对于需要使用图拓扑结构应用图算法的联邦学习参与方而言，节点间连接概率本身并不参与后续图算法中的计算，仅仅是用于构建图拓扑结构。而在构建这一图拓扑结构时，对于涉及数据隐私的节点连接概率所做的计算满足加法同态条件，因此可以基于同态加密技术在数据隐私得到保护的前提下实现图拓扑结构的构建过程。解决了各个参与方只掌握数据的部分信息如何获得全局的图拓扑模型的问题。
S13参与方基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行同态加密后，按照预设的顺序依次同态相加得到连接结果发送至受信任的第三方；
其中，参与方基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，得到局部连接概率矩阵；参与方分别将对应的局部连接概率矩阵通过公钥进行同态加密得到局部拓展嵌入，按照预设的顺序，第一参与方将其局部拓展嵌入将发送至下一参与方，中间参与方将自身局部拓展嵌入与收到的上一参与方的局部拓展嵌入同态相加，最后一个参与方将最后相加得到的连接结果发送至受信任的第三方；
具体的，通过该步骤实现拓扑嵌入，联邦学习的各个参与方按顺序基于自身数据计算每对节点之间的局部节点连接概率，得到矩阵D，矩阵中的第i行第j列为节点i,j之间的连接概率。将矩阵D经分发的公钥进行同态加密后发送至下一个参与方。由于同态加密的性质，数据可以在密态下相加，因此一个参与方在收到上一个参与方的局部拓扑嵌入后可以直接将自身局部拓扑嵌入与之相加，最后一个参与方将累加后得到的连接结果发送至受信任的第三方。
根据共有数据ID进行连接计算时，例如各个参与方对齐后的数据x1,x2,x3,x4的ID分别为1,2,3,4，则分别计算上三角矩阵，
0,p12,p13,p14
0,0,p23,p24
0,0,0,p34
0,0,0,0
其中，pij是i到j的连接概率，这一矩阵即为局部拓扑嵌入，计算pij＝f(xi,xj)的函数f可以为各种形式，简单的距离如欧式距离f(xi,xj)＝||xi-xj||，余弦距离f(xi,xj)＝||xi*xj||/||xi||*||xj||，复杂的距离可以通过例如孪生神经网络的监督学习得到。
S14受信任的第三方使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方；
其中，私钥为与同态加密公钥成对的同态加密的私钥；各个联邦学习的参与方需要对于最终样本嵌入结果的生成约定好阈值条件，受信任的第三方在得到嵌入结果后将节点对连接概率高于约定阈值的节点对相连，而低于阈值的节点对断开；而预先确定的约定阈值获取如下，
参与方根据局部连接概率矩阵，得到局部连接概率分布和对应的局部连接阈值，将局部连接阈值发送到受信任的第三方，受信任的第三方将所有的局部连接阈值相加，得到约定阈值。
例如，各个参与方根据本地连接概率分布给出一个阈值，比如有ABC三方参与联邦，A计算所有连接概率后得到分布范围为0～0.3，给出阈值0.1，B计算所有连接概率后得到分布范围为0～0.6，给出阈值0.4，C计算所有连接概率后得到分布范围为0.5～0.7，给出阈值0.6，三方将自己给出的阈值汇总至第三方，第三方得到阈值0.1+0.4+0.6＝1.1。
具体的，从参与方基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率举例如下。
例如，各个参与方根据本地连接概率分布给出一个阈值，比如有ABC三方参与联邦，节点1，2，4为共有的数据样本ID，其中，
A计算所有连接概率(上三角矩阵，对角线左下方都是0无需计算)，
0,0.1,0,
0,0,0.3
0,0,0
得到分布范围为0～0.3，给出阈值0.1，
B计算所有连接概率，
0,0,0.6
0,0,0.2
0,0,0
得到分布范围为0～0.6，给出阈值0.4，
C计算所有连接概率，
0,0.5,0.6
0,0,0.7
0,0,0
得到分布范围为0.5～0.7，给出阈值0.6；
ABC三个参与方将自己给出的阈值汇总至受信任的第三方，受信任的第三方得到阈值0.1+0.4+0.6＝1.1。
上述过程为了直观的展示连接概率和概率分布，省略了同态加密的操作，实际的操作是将上述的局部拓扑嵌入分别通过公钥进行同态加密后，按照预设的顺序依次同态相加得到连接结果发送至受信任的第三方，经过私钥解密后，受信任的第三方根据各个参与方的计算结果，最终汇总的整体连接概率为，
0,0.6,1.2
0,0,1.2,
0,0,0
根据约定阈值1.1，生成拓扑结构，将小于阈值1.1的断开，大于阈值1.1的连接，注意矩阵三行三列对应的分别是hash(1),hash(2),hash(4)，所以最终得到的拓扑结构中，节点1和节点4连接，节点2和节点4连接，节点1和节点2不连接；对于出现的等于阈值的情况，也进行连接处理。
S15参与方在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入。
其中，所述图算法提供了一种最有效的分析连接数据的方法，它们描述了如何处理图以发现一些定性或者定量的结论。图算法基于图论，利用节点之间的关系来推断复杂系统的结构和变化。我们可以使用这些算法来发现隐藏的信息，验证业务假设，并对行为进行预测。能够运行的图算法例如，路径搜索(Pathfinding and Search)、中心性计算(Centrality Computation)和社群发现(Community Detection)、PageRank算法、TrustRank算法、ItemRank算法和TextRank算法等。
本发明将同态加密用于数据的图拓扑嵌入这一过程，也就是数据的图拓扑模型的构建，在参与方分别进行公钥加密，实现了参与方之间的联邦样本的数据隔离，受信任地方在提供公共信息，例如共有数据ID和公钥外，只在最后获得累加的连接结果，进行解密得到图拓扑结构，从而在整个嵌入过程中实现了中间结果与受信任第三方的隔离，实现了联邦样本之间，以及与受信任第三方之间的隐私保护。
对应上述的图拓扑嵌入方法，本发明还提供一种图拓扑嵌入系统，实则为一种特殊的联邦学习系统，如图2所示，其包括受信任的第三方201和多个参与方202；具体的，
所述受信任的第三方201，
用于获取共有数据样本ID，并发送至各参与方，
用于生成同态加密的公私钥对，并将公钥分发给参与方，
用于使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方；
所述参与方202，
用于将自身联邦样本的数据ID发送至受信任的第三方，
用于基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行同态加密后，按照预设的顺序依次同态相加得到连接结果发送至受信任的第三方，
用于在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入。
在该所述的系统中，还需要受信任的第三方201和多个参与方202之间进行阈值的约定，整体上需要实现如下的流程，如图3所示。
数据对齐301：对于可能存在的数据样本不重合问题，各个联邦学习的参与方首先将本方数据ID按照规定的哈希方式进行脱敏处理后发送至受信任的第三方，由第三方确认各个联邦学习参与方共有的数据样本ID，返回给各个参与方。
阈值约定302：各个联邦学习的参与方需要对于最终样本嵌入结果的生成约定好阈值条件，受信任的第三方在得到嵌入结果后将节点对连接概率高于约定阈值的节点对相连，而低于阈值的节点对断开。
拓扑嵌入303：受信任的第三方首先生成同态加密的公私钥对，并为各个联邦学习的参与方分发同态加密的公钥。联邦学习的各个参与方按顺序基于自身数据计算每对节点之间的局部节点连接概率，得到矩阵D，矩阵中的第i行第j列为节点i,j之间的连接概率。将矩阵D经分发的公钥进行同态加密后发送至下一个参与方。由于同态加密的性质，数据可以在密态下相加，因此一个参与方在收到上一个参与方的局部拓扑嵌入后可以之间将自身局部拓扑嵌入与之相加。最后一个参与方将结果发送至受信任的第三方，由受信任的第三方使用私钥解密，并按照预先约定的阈值进行拓扑结构的生成。
图算法运行304：受信任的第三方将生成的拓扑嵌入结果返回至各个联邦学习的参与方，各个参与方在图拓扑结构上运行相应的图算法，完成各自的图拓扑嵌入，例如PageRank算法。
本发明还提供一种图拓扑嵌入方法，仅由联邦学习系统中的受信任的第三方执行；所述联邦学习系统包括受信任的第三方和多个参与方；通过本发明所限定的数据传输和处理方式，主要用于进行共有数据样本ID和公私钥对的生成分发，对最后同态加密累加结果的解密，以及拓扑结构的生成和发送；与现有技术中不同的在于，本发明中给出得方法，中间加密过程和中间结构不与受信任的第三方进行交互对接，只上传最终结果进行解密，参与方之间没有私钥无法进行解密，同时基于同态加密能够保证最终结果和阈值的匹配性，实现对拓扑结构的建立。具体的如图4所示，包括，
S41获取参与方的联邦样本的数据ID，得到共有数据样本ID，并发送至各参与方；
其中，获取参与方的联邦样本的数据ID的哈希值；所述哈希值由参与方的联邦样本的数据ID按照设定的哈希方式进行脱敏处理得到；
通过纵向联邦学习处理所有数据ID的哈希值进行数据对齐，得到共有数据样本ID，并发送至各参与方。
例如，收到参与方ABC哈希后的ID如下的数据：
A：hash(1),hash(2),hash(4)；
B：hash(1),hash(2),hash(3),hash(4),hash(5)；
C：hash(1),hash(2),hash(4),hash(5)；
哈希后得到hash(i)发送至受信任的第三方，受信任的第三方找到ABC三方都有的ID，返回hash(1),hash(2),hash(4)至各个参与方，从而确定节点1，2，4为共有的数据样本ID，做为后续操作的基础，在整个过程中联邦样本值保存在本地，传递的只是哈希值，实现了隐私数据的保密。
S42生成同态加密的公私钥对，并将公钥分发给参与方；
S43获取按照预设顺序的最后一个参与方的连接结果；所述连接结果由参与方基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行局部连接概率的同态加密后，按照预设的顺序依次同态相加得到；
S44使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方；以使得参与方在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入。
例如，A计算所有连接概率，
0,A12,A14,
0,0,A24
0,0,0
给出了参与方A中节点1、2、4的局部连接概率；
B计算所有连接概率，
0,B12,B14,
0,0,B24
0,0,0
给出了参与方B中节点1、2、4的局部连接概率；
C计算所有连接概率，
0,C12,C14,
0,0,C24
0,0,0
给出了参与方C中节点1、2、4的局部连接概率；
受信任第三方获取的最终累加后的连接结果为
0,A12+B12+C12,A14+B14+C14,
0,0,A24+B24+C24
0,0,0
利用私钥对上述连接结果进行解密，通过阈值进行连接关系的判断。
其中，还包括得到约定阈值的步骤，其将获取的局部连接阈值相加，得到约定阈值；所述局部连接阈值由参与方根据局部连接概率的局部连接概率分布得到。
对应的，本发明还提供一种图拓扑嵌入装置，应用于联邦学习系统中的受信任的第三方，如图5所示，所述的装置包括，
数据对齐模块501，用于获取参与方的联邦样本的数据ID，得到共有数据样本ID，并发送至各参与方；
密钥生成模块502，用于生成同态加密的公私钥对，并将公钥分发给参与方；
拓扑嵌入处理模块503，用于获取按照预设顺序的最后一个参与方的连接结果；所述连接结果由参与方基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行局部连接概率的同态加密后，按照预设的顺序依次同态相加得到；
拓扑结构生成模块504，用于使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方；以使得参与方在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入。
本发明还提供一种图拓扑嵌入方法，仅由联邦学习系统中的参与方执行；所述联邦学习系统包括受信任的第三方和多个参与方；通过本发明所限定的关系和数据传递要求，主要用于分别对自身数据进行同态加密，保证自己数据安全的同时，对上一级和/或下一级参与者的加密数据进行传递，最后利用收到的拓扑结构进行图算法的运行。由于相互之间只存在过程加密的传递，保证了数据的隐私性，以及与第三方之间只有公共信息或者公共信息的哈希值传递，及时数据被截获也无法得到联邦样本本身，实现了整个流程的数据保密。具体的如图6所示，包括，
S61将自身联邦样本的数据ID发送至受信任的第三方，获取由受信任的第三方发送的共有数据样本ID；
其中，将自身联邦样本的数据ID按照设定的哈希方式进行脱敏处理得到对应哈希值，并发送至受信任的第三方；
获取由受信任的第三方发送的共有数据样本ID，所述共有数据样本ID由受信任的第三方通过纵向联邦学习处理所有数据ID的哈希值进行数据对齐得到。
S62从受信任的第三方获取同态加密的公钥；
S63基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行同态加密后，按照预设的顺序依次同态相加得到连接结果发送至受信任的第三方；
例如，A计算所有连接概率，
0,A12,A14,
0,0,A24
0,0,0
给出了参与方A中节点1、2、4的局部连接概率；
B计算所有连接概率，
0,B12,B14,
0,0,B24
0,0,0
给出了参与方B中节点1、2、4的局部连接概率；B接收到A传递的连接概率进行累加后，如下，并将其传递给C；
0,A12+B12,A14+B14,
0,0,A24+B24
0,0,0
C计算所有连接概率，
0,C12,C14,
0,0,C24
0,0,0
给出了参与方C中节点1、2、4的局部连接概率；在B传递的基础上进行累加后，得到的最终累加后的连接结果为
0,A12+B12+C12,A14+B14+C14,
0,0,A24+B24+C24
0,0,0
将其发送给受信任第三方进行解密；整个过程A和B的结果都不会发送给受信任的第三方，受信任的第三方得的也不是A、B和C任意一个的结果，因此保证了三者的隐私信息，实现了中间过程的保密；并且第一参与方之后的所有参与方都不直接得到上一级的加密数据，而是累加后的加密数据，进一步的提高了保密性。
S64在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入，所述拓扑结构由受信任的第三方使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成。
其中，参与方根据局部连接概率，得到局部连接概率分布和对应的局部连接阈值，将局部连接阈值发送到受信任的第三方；以使得受信任的第三方将所有的局部连接阈值相加得到约定阈值。
对应的，本发明还提供一种图拓扑嵌入装置，应用于联邦学习系统中的参与方，如图7所示，所述的装置包括，
收发模块701，用于将自身联邦样本的数据ID发送至受信任的第三方，获取由受信任的第三方发送的共有数据样本ID；
密钥接收模块702，用于从受信任的第三方获取同态加密的公钥；
同态加密模块703，用于基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行同态加密后，按照预设的顺序依次同态相加得到连接结果发送至受信任的第三方；
图算法运行模块704，用于在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入，所述拓扑结构由受信任的第三方使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成。
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。
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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (14)
1.图拓扑嵌入方法，所述的方法由联邦学习系统中的受信任的第三方执行，所述联邦学习系统包括受信任的第三方和多个参与方；其特征在于，所述嵌入方法包括的如下步骤：
接收参与方的联邦样本的数据ID，形成共有数据样本ID，并将共有数据样本ID发送至各参与方；
生成同态加密的公私钥对，并将公私钥对中的公钥分发给参与方；
获取按照预设顺序的最后一个参与方的连接结果；所述连接结果由参与方基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行局部连接概率的同态加密后，按照预设的顺序依次同态相加得到；
使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方，以使得参与方在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入。
2.根据权利要求1所述的图拓扑嵌入方法，其特征在于，所述使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方之前，还包括：
将获取的局部连接阈值相加，得到约定阈值；
所述局部连接阈值由参与方根据局部连接概率的局部连接概率分布得到。
3.根据权利要求1所述的图拓扑嵌入方法，其特征在于，所述接收参与方的联邦样本的数据ID，形成共有数据样本ID，并将共有数据样本ID发送至各参与方，包括：
接收参与方的联邦样本的数据ID的哈希值；所述哈希值由参与方的联邦样本的数据ID按照设定的哈希方式进行脱敏处理得到；
通过纵向联邦学习处理所有数据ID的哈希值进行数据对齐，得到共有数据样本ID，并发送至各参与方。
4.图拓扑嵌入方法，所述的方法由联邦学习系统中的参与方执行的如下步骤，所述联邦学习系统包括受信任的第三方和多个参与方；其特征在于，所述嵌入方法包括：
将自身联邦样本的数据ID发送至受信任的第三方，获取由受信任的第三方发送的共有数据样本ID；
从受信任的第三方获取同态加密的公钥；
基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行同态加密后，按照预设的顺序依次同态相加得到连接结果发送至受信任的第三方；
在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入，所述拓扑结构由受信任的第三方使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成。
5.根据权利要求4所述的图拓扑嵌入方法，其特征在于，在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入之前，还包括，
参与方根据局部连接概率，得到局部连接概率分布和对应的局部连接阈值，将局部连接阈值发送到受信任的第三方；以使得受信任的第三方将所有的局部连接阈值相加得到约定阈值。
6.根据权利要求4所述的图拓扑嵌入方法，其特征在于，所述将自身联邦样本的数据ID发送至受信任的第三方，获取由受信任的第三方发送的共有数据样本ID，包括：
将自身联邦样本的数据ID按照设定的哈希方式进行脱敏处理得到对应哈希值，并发送至受信任的第三方；
获取由受信任的第三方发送的共有数据样本ID，所述共有数据样本ID由受信任的第三方通过纵向联邦学习处理所有数据ID的哈希值进行数据对齐得到。
7.图拓扑嵌入方法，所述的方法由联邦学习系统执行，所述联邦学习系统包括受信任的第三方和多个参与方，其特征在于，所述嵌入方法包括：
参与方将自身联邦样本的数据ID发送至受信任的第三方；
受信任的第三方接收数据ID，形成共有数据样本ID，并将共有数据样本ID发送至各参与方，以及生成同态加密的公私钥对后，将公私钥对中的公钥分发给参与方；
参与方基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行同态加密后，按照预设的顺序依次同态相加得到连接结果发送至受信任的第三方；
受信任的第三方使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方；
参与方在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入。
8.根据权利要求7所述的图拓扑嵌入方法，其特征在于，所述参与方将自身联邦样本的数据ID发送至受信任的第三方；受信任的第三方接收数据ID，形成共有数据样本ID，并将共有数据样本ID发送至各参与方，包括：
参与方将自身联邦样本的数据ID按照设定的哈希方式进行脱敏处理得到对应哈希值，并发送至受信任的第三方；
受信任的第三方接收数据ID的哈希值，通过纵向联邦学习处理所有数据ID的哈希值进行数据对齐，得到共有数据样本ID，并将共有数据样本ID发送至各参与方。
9.根据权利要求7所述的图拓扑嵌入方法，其特征在于，所述按照预先确定的约定阈值生成拓扑结构之前，还包括，
参与方根据局部连接概率矩阵，得到局部连接概率分布和对应的局部连接阈值，将局部连接阈值发送到受信任的第三方，受信任的第三方将所有的局部连接阈值相加，得到约定阈值。
10.图拓扑嵌入装置，应用于联邦学习系统中的受信任的第三方，所述联邦学习系统包括受信任的第三方和多个参与方；其特征在于，所述图拓扑嵌入装置包括：
数据对齐模块，用于接收参与方的联邦样本的数据ID，形成共有数据样本ID，并将共有数据样本ID发送至各参与方；
密钥生成模块，用于生成同态加密的公私钥对，并将公私钥对中的公钥分发给参与方；
拓扑嵌入处理模块，用于获取按照预设顺序的最后一个参与方的连接结果；所述连接结果由参与方基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行局部连接概率的同态加密后，按照预设的顺序依次同态相加得到；
拓扑结构生成模块，用于使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方；以使得参与方在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入。
11.图拓扑嵌入装置，包括应用于联邦学习系统中的参与方，所述联邦学习系统包括受信任的第三方和多个参与方；其特征在于，所述图拓扑嵌入装置包括：
收发模块，用于将自身联邦样本的数据ID发送至受信任的第三方，获取由受信任的第三方发送的共有数据样本ID；
密钥接收模块，用于从受信任的第三方获取同态加密的公钥；
同态加密模块，用于基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行同态加密后，按照预设的顺序依次同态相加得到连接结果发送至受信任的第三方；
图算法运行模块，用于在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入，所述拓扑结构由受信任的第三方使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成。
12.图拓扑嵌入系统，其特征在于，包括受信任的第三方和多个参与方；
所述受信任的第三方，
用于接收数据ID，形成共有数据样本ID，并将共有数据样本ID发送至各参与方；
用于生成同态加密的公私钥对，并将公私钥对中的公钥分发给参与方，
用于使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方；
所述参与方，
用于将自身联邦样本的数据ID发送至受信任的第三方，
用于基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行同态加密后，按照预设的顺序依次同态相加得到连接结果发送至受信任的第三方，
用于在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入。
13.一种计算机设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至3中任一项所述的方法，或者实现权利要求4至6中任一项所述的方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的方法，或者实现权利要求4至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111216624.3A CN113901500B (zh) | 2021-10-19 | 2021-10-19 | 图拓扑嵌入方法、装置、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111216624.3A CN113901500B (zh) | 2021-10-19 | 2021-10-19 | 图拓扑嵌入方法、装置、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113901500A true CN113901500A (zh) | 2022-01-07 |
| CN113901500B CN113901500B (zh) | 2024-06-07 |
Family
ID=79193082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111216624.3A Active CN113901500B (zh) | 2021-10-19 | 2021-10-19 | 图拓扑嵌入方法、装置、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113901500B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662143A (zh) * | 2022-02-28 | 2022-06-24 | 北京交通大学 | 一种基于图嵌入的敏感链接隐私保护方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180316722A1 (en) * | 2017-04-28 | 2018-11-01 | Facebook, Inc. | Systems and methods for identifying illegitimate activities based on graph-based distance metrics |
| CN112241537A (zh) * | 2020-09-23 | 2021-01-19 | 易联众信息技术股份有限公司 | 纵向联邦学习建模方法、系统、介质及设备 |
| CN112348856A (zh) * | 2019-08-09 | 2021-02-09 | 盐城吉大智能终端产业研究院有限公司 | 基于网络系统拓扑结构的多摄像头协同分析方法及系统 |
| CN112583575A (zh) * | 2020-12-04 | 2021-03-30 | 华侨大学 | 一种车联网中基于同态加密的联邦学习隐私保护方法 |
| CN113239384A (zh) * | 2021-06-01 | 2021-08-10 | 平安科技（深圳）有限公司 | 一种联邦降采样方法、系统、设备及存储介质 |
-
2021
- 2021-10-19 CN CN202111216624.3A patent/CN113901500B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180316722A1 (en) * | 2017-04-28 | 2018-11-01 | Facebook, Inc. | Systems and methods for identifying illegitimate activities based on graph-based distance metrics |
| CN112348856A (zh) * | 2019-08-09 | 2021-02-09 | 盐城吉大智能终端产业研究院有限公司 | 基于网络系统拓扑结构的多摄像头协同分析方法及系统 |
| CN112241537A (zh) * | 2020-09-23 | 2021-01-19 | 易联众信息技术股份有限公司 | 纵向联邦学习建模方法、系统、介质及设备 |
| CN112583575A (zh) * | 2020-12-04 | 2021-03-30 | 华侨大学 | 一种车联网中基于同态加密的联邦学习隐私保护方法 |
| CN113239384A (zh) * | 2021-06-01 | 2021-08-10 | 平安科技（深圳）有限公司 | 一种联邦降采样方法、系统、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| XIANG NI 等，: "A Vertical Federated Learning Framework for Graph Convolutional Network", ARXIV:2106.11593V1, 22 June 2021 (2021-06-22), pages 1 - 6 * |
| 夏家骏 等，: "基于秘密共享与同态加密的纵向联邦学习方案研究", 信息通信技术与政策, no. 6, 30 June 2021 (2021-06-30), pages 19 - 26 * |
| 张志扬 等，: "基于深度学习的信息级联预测方法综述", 计算机科学, no. 7, 7 July 2020 (2020-07-07), pages 141 - 153 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662143A (zh) * | 2022-02-28 | 2022-06-24 | 北京交通大学 | 一种基于图嵌入的敏感链接隐私保护方法 |
| CN114662143B (zh) * | 2022-02-28 | 2024-05-03 | 北京交通大学 | 一种基于图嵌入的敏感链接隐私保护方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113901500B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Machine learning based privacy-preserving fair data trading in big data market | |
| Bonawitz et al. | Practical secure aggregation for privacy-preserving machine learning | |
| CN110138802B (zh) | 用户特征信息获取方法、装置，区块链节点、网络，及存储介质 | |
| Huang et al. | Achieving accountable and efficient data sharing in industrial internet of things | |
| Bay et al. | Practical multi-party private set intersection protocols | |
| Ma et al. | Privacy-preserving Byzantine-robust federated learning | |
| CN110400162B (zh) | 一种数据处理方法、装置、服务器及系统 | |
| CN111008256A (zh) | 一种基于安全多方计算的空间数据分布模式分析方法 | |
| CN113179158B (zh) | 一种控制带宽的多方联合数据处理方法及装置 | |
| Chen et al. | ARMOR: A secure combinatorial auction for heterogeneous spectrum | |
| Niu et al. | Privacy‐preserving statistical computing protocols for private set intersection | |
| CN107196918A (zh) | 一种匹配数据的方法和装置 | |
| Yang et al. | Efficient and anonymous multi‐message and multi‐receiver electronic health records sharing scheme without secure channel based on blockchain | |
| CN113901500B (zh) | 图拓扑嵌入方法、装置、系统、设备及介质 | |
| Fang et al. | Encrypted scalar product protocol for outsourced data mining | |
| Cui et al. | Towards Multi-User, Secure, and Verifiable $ k $ NN Query in Cloud Database | |
| Di Crescenzo et al. | Efficient and private three-party publish/subscribe | |
| Yang et al. | A lightweight delegated private set intersection cardinality protocol | |
| CN116506227B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN115549998B (zh) | 一种基于区块链和多密钥同态加密的数据协同方法 | |
| Ma et al. | Oblivious transfer with timed-release receiver’s privacy | |
| Li et al. | Efficient and traceable data sharing for the Internet of Things in smart cities | |
| Li et al. | Completely anonymous certificateless multi-receiver signcryption scheme with sender traceability | |
| Sutradhar et al. | An efficient simulation of quantum secret sharing | |
| Wu et al. | Trusted fog computing for privacy smart contract blockchain |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40063317 Country of ref document: HK |
|
| GR01 | Patent grant |