CN113989036B - 一种不暴露入模变量的联邦学习预测方法及系统 - Google Patents
一种不暴露入模变量的联邦学习预测方法及系统 Download PDFInfo
- Publication number
- CN113989036B CN113989036B CN202111637376.XA CN202111637376A CN113989036B CN 113989036 B CN113989036 B CN 113989036B CN 202111637376 A CN202111637376 A CN 202111637376A CN 113989036 B CN113989036 B CN 113989036B
- Authority
- CN
- China
- Prior art keywords
- information
- user
- partner
- weighted sum
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Storage Device Security (AREA)
Abstract
本发明公开了一种不暴露入模变量的联邦学习预测方法,其中,所述方法包括:获得调用方数据信息;获得合作方数据信息,所述合作方数据信息包括所述调用方用户id信息、用户特征值、特征权重值,其中,所述调用方用户id信息包括所述待评价用户id信息;获得加密掩码信息,并将所述加密掩码信息、待评价用户id信息发送至合作方;获得合作方特征加权和,并将所述合作方特征加权和发送至调用方;获得加权和明文;根据所述加权和明文、调用方数据信息,获得用户打分,解决了现有技术中存在预测过程中会暴露入模变量的技术问题,达到了基于纵向逻辑回归方法,使用加密掩码在不暴露入模变量的前提下完成基于双方数据的预测打分的技术效果。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种不暴露入模变量的联邦学习预测方法及系统。
背景技术
金融风控领域中各种机器学习方法的运用离不开数据的支持,但数据持有者出于隐私保护的目的,往往不希望将过多的信息暴露,也就导致各机构数据无法合作,数据无法流通。若使用不经意传输技术保护入模变量,虽入模变量得以保护,但不经意传输技术方法复杂,效率低下,没有合理利用逻辑回归的特点。
但本申请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:
解决了现有技术中存在预测过程中会暴露入模变量的技术问题。
发明内容
本申请实施例通过提供了一种不暴露入模变量的联邦学习预测方法及系统,解决了现有技术中存在预测过程中会暴露入模变量的技术问题,达到了基于纵向逻辑回归方法,使用加密掩码在不暴露入模变量的前提下完成基于双方数据的预测打分的技术效果。
鉴于上述问题,本申请实施例提供了一种不暴露入模变量的联邦学习预测方法及系统。
第一方面,本申请实施例提供了一种不暴露入模变量的联邦学习预测方法,其中,所述方法包括:获得调用方数据信息,所述调用方数据信息包括待评价用户id信息;获得合作方数据信息,所述合作方数据信息包括所述调用方用户id信息、用户特征值、特征权重值,其中,所述调用方用户id信息包括所述待评价用户id信息;调用方根据所述用户特征值,生成掩码信息,并对所述掩码信息进行加密,获得加密掩码信息,并将所述加密掩码信息、待评价用户id信息发送至合作方;合作方根据所述加密掩码信息、所述待评价用户id信息、所述特征权重值,获得合作方特征加权和,并将所述合作方特征加权和发送至调用方;调用方对所述合作方特征加权和进行解密,获得加权和明文;根据所述加权和明文、调用方数据信息,获得用户打分。
另一方面,本申请实施例提供了一种不暴露入模变量的联邦学习预测系统,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调用方数据信息,所述调用方数据信息包括待评价用户id信息;第二获得单元:所述第二获得单元获得合作方数据信息,所述合作方数据信息包括所述调用方用户id信息、用户特征值、特征权重值,其中,所述调用方用户id信息包括所述待评价用户id信息;
第三获得单元:所述第三获得单元调用方根据所述用户特征值,生成掩码信息,并对所述掩码信息进行加密,获得加密掩码信息,并将所述加密掩码信息、待评价用户id信息发送至合作方;第四获得单元:所述第四获得单元合作方根据所述加密掩码信息、所述待评价用户id信息、所述特征权重值,获得合作方特征加权和,并将所述合作方特征加权和发送至调用方;第五获得单元:所述第五获得单元调用方对所述合作方特征加权和进行解密,获得加权和明文;第六获得单元:所述第六获得单元根据所述加权和明文、调用方数据信息,获得用户打分。
第三方面,本申请实施例提供了一种不暴露入模变量的联邦学习预测系统,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第一方面任一项所述方法的步骤。
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:
由于采用了获得调用方数据信息,所述调用方数据信息包括待评价用户id信息;获得合作方数据信息,所述合作方数据信息包括所述调用方用户id信息、用户特征值、特征权重值,其中,所述调用方用户id信息包括所述待评价用户id信息;调用方根据所述用户特征值,生成掩码信息,并对所述掩码信息进行加密,获得加密掩码信息,并将所述加密掩码信息、待评价用户id信息发送至合作方;合作方根据所述加密掩码信息、所述待评价用户id信息、所述特征权重值,获得合作方特征加权和,并将所述合作方特征加权和发送至调用方;调用方对所述合作方特征加权和进行解密,获得加权和明文;根据所述加权和明文、调用方数据信息,获得用户打分。解决了现有技术中存在预测过程中会暴露入模变量的技术问题,达到了基于纵向逻辑回归方法,使用加密掩码在不暴露入模变量的前提下完成基于双方数据的预测打分的技术效果。
上述说明仅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不暴露入模变量的联邦学习预测方法的流程示意图;
图2为本申请实施例一种不暴露入模变量的联邦学习预测方法的获得联邦逻辑回归模型的流程示意图;
图3为本申请实施例一种不暴露入模变量的联邦学习预测方法的获得加密掩码信息的流程示意图;
图4为本申请实施例一种不暴露入模变量的联邦学习预测方法的获得合作方特征加权和的流程示意图;
图5为本申请实施例一种不暴露入模变量的联邦学习预测方法的获得用户打分的流程示意图;
图6为本申请实施例一种不暴露入模变量的联邦学习预测系统的结构示意图;
图7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,第四获得单元14,第五获得单元15,第六获得单元16,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了一种不暴露入模变量的联邦学习预测方法及系统,解决了现有技术中存在预测过程中会暴露入模变量的技术问题,达到了基于纵向逻辑回归方法,使用加密掩码在不暴露入模变量的前提下完成基于双方数据的预测打分的技术效果。
申请概述
金融风控领域离不开数据的支持,但信息暴露导致的风险难以估量,导致各机构数据无法合作,数据分析难以合理进行,数据无法流通使用。不经意传输技术因其技术方法复杂,效率低下未进行大量的推广使用。
现有技术中存在预测过程中会暴露入模变量的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种不暴露入模变量的联邦学习预测方法,其中,所述方法包括获得调用方数据信息,所述调用方数据信息包括待评价用户id信息;获得合作方数据信息,所述合作方数据信息包括所述调用方用户id信息、用户特征值、特征权重值,其中,所述调用方用户id信息包括所述待评价用户id信息;调用方根据所述用户特征值,生成掩码信息,并对所述掩码信息进行加密,获得加密掩码信息,并将所述加密掩码信息、待评价用户id信息发送至合作方;合作方根据所述加密掩码信息、所述待评价用户id信息、所述特征权重值,获得合作方特征加权和,并将所述合作方特征加权和发送至调用方;调用方对所述合作方特征加权和进行解密,获得加权和明文;根据所述加权和明文、调用方数据信息,获得用户打分。
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,本申请实施例提供了一种不暴露入模变量的联邦学习预测方法,其中,所述方法包括:
S100:获得调用方数据信息,所述调用方数据信息包括待评价用户id信息;
具体而言,调用方即发起打分,最终获得打分结果的一方,调用方准备需要打分的用户id即待评价用户id,所述调用方数据信息包括但不限于待评价用户id信息。
进一步具体说明,所述待评价用户id进行打分过程中,在打分模型涉及到自有特征,还需要准备所述待评价用户id对应的调用方特征值以及特征在模型中对应的权重。举例说明,一需要打分用户,所述打分模型为一信贷额度测评模型,所述打分用户需要准备证明收入与固定资产或其他相关信息进行评估,收入信息对应权重与固定资产对应权重不同,应进一步具体进行分析,为后续数据分析提供数据基础。
S200:获得合作方数据信息,所述合作方数据信息包括所述调用方用户id信息、用户特征值、特征权重值,其中,所述调用方用户id信息包括所述待评价用户id信息;
具体而言,合作方,即提供数据,配合打分,合作方即拥有大量数据可以协助调用方进行打分的数据拥有方,合作方拥有数据为合作方不公开的独有信息,不公开理由不做赘述,合作方准备用户id,用户id对应的合作方特征值以及特征在模型中对应的权重,即所述合作方数据信息包括所述调用方用户id信息、用户特征值、特征权重值,合作方的所述调用方用户id信息包括但不限于所述待评价用户id信息,即就是合作方准备的用户id需要覆盖绝大多数需要打分的调用方待评价用户id信息。
进一步具体说明,合作方在配合调用方进行打分过程,不单一为某一固定调用方进行配合打分服务,具体举例说明,一银行用户标签系统,所述系统为用户进行标注分类用户偿还情况的,标签系统有黑名单与白名单,黑名单用户即长时间逾期,屡次催款不还的用户,白名单为正常用户,在已有大量标签用户情况下,为未标记用户进行标记,合作方准备的用户id包含调用方待评价用户id信息的所有状态,结合例中所述合作方准备的用户id即已有标签用户,用户特征值为用户偿还能力相关特征如资产证明或其他相关证明,特征权重值为所述偿还能力对还款影响程度如固定资产权重大于收入状况权重,为后续数据分析提供数据基础。
S300:调用方根据所述用户特征值,生成掩码信息,并对所述掩码信息进行加密,获得加密掩码信息,并将所述加密掩码信息、待评价用户id信息发送至合作方;
具体而言,调用方为保护入模变量的数据的安全,在进行入模打分之前先进行加密操作,即调用方根据所述用户特征值,生成掩码信息,掩码运算为按位运算或逻辑运算,掩码信息可以屏蔽当前的输入位信息,对所述掩码信息进行加密,获得加密掩码信息,所述加密掩码信息保证调用方用户的入模信息的安全,在入模信息不暴露的情况完成打分操作,后将所述加密掩码信息、待评价用户id信息发送至合作方;
进一步具体说明,对所述掩码信息进行加密,获得加密掩码信息,过程进行展开说明即调用方需要根据需要获取的合作方特征生成类似(0,0,1,1...)的掩码,掩码长度与合作方特征个数相同,若合作方特征需要入模,掩码相应位置为1,若不需要入模,掩码相应位置为0。paillier加密方法是一种同态加密,满足加法同态性质和数乘同态性质,一个加密函数如果只满足加法同态,就只能进行加减法运算;如果只满足乘法同态,就只能进行乘除法运算。随后使用paillier加密方法,生成公钥私钥,使用公钥对掩码进行加密即可获得加密掩码信息,对调用方数据进行加密保护数据同时,举例进一步解释存在客群相近的公司A与公司B,公司A需要对新进用户进行打分,但同时不希望公司B获知自身采用的入模变量,即公司A为调用方,公司B为合作方,公司A将根据公司B的全部特征以及自身需要的特征去生成掩码,随后通过paillier加密方法进行加密,由于paillier加密方法中有混淆项,相同的明文加密后也能够得到不同的密文,因此公司B无法通过密文去判断掩码中0,1的分布。使用掩码避免了码间串扰对运算带来的干扰,保证了数据的安全性与可靠性。
S400:合作方根据所述加密掩码信息、所述待评价用户id信息、所述特征权重值,获得合作方特征加权和,并将所述合作方特征加权和发送至调用方;
具体而言,合作方根据所述加密掩码信息、所述待评价用户id信息、所述特征权重值,输入模型中进行运算,输出得合作方特征加权和,将所述合作方特征加权和发送至调用方。
进一步具体说明,调用方将加密后的掩码与需要打分的用户id发送给合作方,合作方根据待评价用户id在合作方数据中求交集,随后将交集内样本对应的合作方特征值与合作方特征在模型中对应的权重相乘,再与加密后的掩码按位相乘,合作方特征需要入模,掩码相应位置为1;不需要入模,掩码相应位置为0,保证了特征值、对应特征及对应权重之间的对应关系,随后将各个特征运算所得结果相加,所得即加密后的加权和,将加权和返回给调用方,举例进一步解释,上述例中所述的两公司,公司B根据技术方案所述方法求加权和,其中利用了paillier加密的加法同态性质和数乘同态性质,在密文掩码的基础上做运算,最后也能够得到正确结果的密文,即加密的加权和。同时,由于传递的仅仅是加权和,公司A无法获取任何公司B的数据。由于数值和掩码0相乘等价于没有参与计算,所以公司A也成功获取了想要入模的变量的加权和,由此可以保证调用方数据保护的同时需要入模的变量参与计算。
S500:调用方对所述合作方特征加权和进行解密,获得加权和明文;
S600:根据所述加权和明文、调用方数据信息,获得用户打分。
具体而言,调用方将合作方的加权和通过私钥解密,得到合作方加权和的明文。再计算合作方所述待评价用户id的特征值加权和,随后相加,通过sigmoid函数映射到0-1区间,即得到最终打分,打分即预测违约风险。
进一步具体说明,上述例中所述的两公司,公司A对公司B传递的加密加权和进行解密,再结合公司A数据,即可完成基于逻辑回归模型的打分,完成了不暴露入模变量的前提下选取了合作方需要入模的变量参与计算,能够通过双方特征数据,有效地判断客户违约风险。
进一步的,如图2所示,所述获得调用方数据信息之前,步骤S100包括:
S110:获得调用方训练数据;
S120:获得合作方训练数据;
S130:基于所述调用方训练数据、所述合作方训练数据完成纵向联邦回归模型的训练,获得联邦逻辑回归模型。
具体而言,纵向联邦回归模型可以实现多用户在不暴露己方数据的前提下,共享数据和特征,训练出精度更高的模型,是一种简单的有监督机器学习算法,对输入x,逻辑回归模型可以给出y<0或y>0的概率,进而推断出样本为正样本还是负样本。逻辑回归引入sigmoid函数来推断样本为正样本的概率,输入样本x为正样本的概率可以表示为:P(y|x)=g(y),其中g()为sigmoid函数,当g(y)>0.5时,表示P(y=1|x)>0.5,将其判为正样本,对应y>0;反之,当g(y)<0.5时,表示P(y=1|x)<0.5,将其判为负样本,对应y<0,所述函数只做对应形式表达,不做具体数值分析,具体依照实例进行进一步细化运算。将所述调用方训练数据、所述合作方训练数据输入纵向联邦回归模型进行训练,可以在不暴露所述调用方训练数据、所述合作方训练数据的同时优化纵向联邦回归模型,优化后模型即为联邦逻辑回归模型。
进一步的,如图3所示,所述根据所述用户特征值,生成掩码信息,并对所述掩码信息进行加密,获得加密掩码信息,步骤S300包括:
S310:根据所述用户特征值,获得合作方特征数量;
S320:根据所述用户特征值,获得调用特征信息;
S330:根据所述合作方特征数量、所述调用特征信息,获得掩码生成要求,所述掩码生成要求的掩码长度与所述合作方特征数量相同;
S340:基于所述掩码生成要求对所述用户特征值生成所述掩码信息;
S350:获得预设加密方法;
S360:根据所述预设加密方法,获得公钥;
S370:利用所述公钥对所述掩码信息进行加密,获得加密掩码信息。
具体而言,根据所述用户特征值可以获得合作方特征数量与调用特征信息,掩码运算为按位运算或逻辑运算,即掩码生成要求的掩码长度与所述合作方特征数量相同,掩码信息可以屏蔽当前的输入位信息,所述掩码生成要求对所述用户特征值生成所述掩码信息,预设加密方法为paillier加密方法,生成公钥私钥,公钥用于加密,私钥用于解密,使用所述公钥对所述掩码信息进行加密,获得加密掩码信息。
进一步具体说明,paillier加密方法加密过程中生成公钥私钥,公钥用于数据加密,私钥用于数据解密,私钥密钥唯一对应,即一组加密数据对应唯一公钥与私钥,只有在公钥与私钥对应情况下才可以对数据进行解密,保证数据的可靠性,调用方事先生成掩码并加密,在不暴露入模变量的前提选取合作方的需要入模变量参与运算,进一步解决了数据由于传送而导致的数据安全隐患问题,保障了数据传输的稳定性与可靠性。
进一步的,如图4所示,所述根据所述加密掩码信息、所述待评价用户id信息、所述特征权重值,获得合作方特征加权和,步骤S400包括:
S410:根据所述待评价用户id信息,获得交集数据;
S420:根据所述交集数据,获得用户合作方特征值;
S430:根据所述用户合作方特征值,获得所述特征权重值,所述特征权重值为所述用户合作方特征值在所述联邦逻辑回归模型中的权重值;
S440:根据所述特征权重值、所述用户合作方特征值,获得用户特征加权和;
S450:根据所述用户特征加权和、所述加密掩码信息,获得所述合作方特征加权和。
具体而言,根据所述待评价用户id信息在合作方中进行检索,获得交集数据,所谓交集数据即为所述待评价用户id信息与合作方信息存在相似的部分,即所述交集数据为合作方信息中与所述待评价用户id信息存在相似的部分信息,所述用户合作方特征值,获得所述特征权重值,所述特征权重值为所述用户合作方特征值在所述联邦逻辑回归模型中的权重值,合作方进行数据处理过程使用所述联邦逻辑回归模型,保障合作方模型进一步完善同时,不会对合作方信息产生泄露风险,将所述特征权重值、所述用户合作方特征值输入所述联邦逻辑回归模型,获得用户特征加权和,根据所述用户特征加权和、所述加密掩码信息,获得所述合作方特征加权和,所述合作方特征加权和即为合作方处理结果。
进一步具体说明,合作方根据所述待评价用户id信息在合作方数据中求交集,随后将交集内样本对应的合作方特征值与合作方特征在模型中对应的权重相乘,再与加密后的掩码相乘,随后将各个特征运算所得结果相加,所得即加密后的加权和,合作方利用逻辑回归模型性质,仅传递加权和给调用方,保障合作方模型进一步完善同时,不会对合作方信息产生泄露风险。
进一步的,所述对所述合作方特征加权和进行解密,获得加权和明文,步骤S500包括:
S510:根据所述预设加密方法,获得私钥;
S520:根据所述私钥对所述合作方特征加权和进行解密,获得所述加权和明文。
具体而言,所述预设加密方法为paillier加密方法,具体进行解释说明,paillier加密方法分为三步,秘钥生成、加密与解密,秘钥生成过程为随机选择两个大质数p和q满足gcd(pq,(p-1)(q-1))=1,g为选择随机整数,使得满足n整除g的阶,这个属性是保证两个质数长度相等,计算n=pq和λ=lcm(p-1,q-1),公钥为(n,g)私钥为λ,所述函数只做对应形式表达,不做具体数值分析,具体依照实例进行进一步细化运算。公钥用于加密,私钥用于解密,明文对应加密后的密文,即密文解密后可称之为明文,所述加权和明文用于进一步分析调用方待评价用户id信息。
进一步的,所述根据所述加权和明文、调用方数据信息,获得用户打分,步骤S600包括:
S610:根据所述加权和明文、所述调用方数据信息,获得用户特征加权和;
S620:获得预设映射函数;
S630:基于所述预设映射函数对所述用户特征加权和进行映射,获得所述用户打分。
具体而言,所述加权和明文、所述调用方数据信息与所述用户特征加权和存在一一对应关系,再计算调用方的特征值加权和,随后相加,通过预设映射函数即sigmoid函数映射到0-1区间,即得到最终预测打分,打分即预测违约风险,即获得所述待评价用户id的信誉状况。
进一步具体说明,sigmoid函数来推断样本为正样本的概率,输入所述用户特征加权和x为正的概率可以表示为:P(y|x)=g(y),其中g()为sigmoid函数,sigmoid函数映射到0-1区间,以g(y)=0.5为界,当g(y)>0.5时,将其判为正,对应y>0,即所述待评价用户id的信誉状况良好;反之,当g(y)<0.5时,将其判为负,对应y<0,即所述待评价用户id的信誉状况恶劣,所述函数只做对应形式表达,不做具体数值分析,具体依照实例进行进一步细化运算。
进一步的,所述调用方数据信息,步骤S610还包括:
S611:调用方特征值、调用方特征权重。
具体而言,所述调用方数据信息包括但不限于调用方特征值、调用方特征权重,对于部分特殊状况用户应特殊分析,如所述评价用户id一公司性质客户,分析数据应进一步细化分析,具体涉及公司规模、公司营收状况、公司负债信息等其他相关信息,不能简单将所述调用方数据信息规划为调用方特征值、调用方特征权重应结合实例进一步具体分析。
进一步的,如图5所示,当所述调用方数据信息包括所述调用方特征值、调用方特征权重时,所述根据所述加权和明文、调用方数据信息,获得用户打分,步骤S611还包括:
S612:根据所述调用方特征值、所述调用方特征权重,获得调用方加权和;
S613:根据所述调用方加权和、所述加权和明文,获得综合特征加权和;
S614:基于所述预设映射函数对所述综合特征加权和进行映射,获得所述用户打分。
具体而言,所述调用方特征值与所述调用方特征权重之间存在一一对应关系,调用方加权和与两者存在之积存在函数关系,具体不做赘述,根据所述调用方加权和、所述加权和明文,获得综合特征加权和,所述综合特征加权和通过预设映射函数即sigmoid函数映射到0-1区间,即得到最终预测打分,打分即预测违约风险,即获得所述待评价用户id的信誉状况。
进一步具体说明,所述调用方加权和、所述加权和明文存在一一对应,所述调用方加权和、所述加权和明文与所述综合特征加权和存在函数关系,具体函数关系根据所述调用方加权和、所述加权和明文与所述综合特征加权之间的参数关系进行进一步细化,此处不做赘述,预设映射函数对所述综合特征加权和进行映射,映射通过sigmoid函数映射到0-1区间,即得到最终打分,分数代表所述待评价用户id的信誉状况。
综上所述,本申请实施例所提供的一种不暴露入模变量的联邦学习预测方法及系统具有如下技术效果:
1.由于采用了获得调用方数据信息,所述调用方数据信息包括待评价用户id信息;获得合作方数据信息,所述合作方数据信息包括所述调用方用户id信息、用户特征值、特征权重值,其中,所述调用方用户id信息包括所述待评价用户id信息;调用方根据所述用户特征值,生成掩码信息,并对所述掩码信息进行加密,获得加密掩码信息,并将所述加密掩码信息、待评价用户id信息发送至合作方;合作方根据所述加密掩码信息、所述待评价用户id信息、所述特征权重值,获得合作方特征加权和,并将所述合作方特征加权和发送至调用方;调用方对所述合作方特征加权和进行解密,获得加权和明文;根据所述加权和明文、调用方数据信息,获得用户打分的技术方案,本申请实施例通过提供了一种基于生产设备的CIP清洗方法及系统,解决了现有技术中存在预测过程中会暴露入模变量的技术问题,达到了基于纵向逻辑回归方法,使用加密掩码在不暴露入模变量的前提下完成基于双方数据的预测打分的技术效果。
2.由于采用了根据所述用户特征值,获得合作方特征数量;根据所述用户特征值,获得调用特征信息;根据所述合作方特征数量、所述调用特征信息,获得掩码生成要求,所述掩码生成要求的掩码长度与所述合作方特征数量相同;基于所述掩码生成要求对所述用户特征值生成所述掩码信息;获得预设加密方法;根据所述预设加密方法,获得公钥;利用所述公钥对所述掩码信息进行加密,获得加密掩码信息。调用方事先生成掩码并加密,在不暴露入模变量的前提选取合作方的需要入模变量参与运算,进一步解决了数据由于传送而导致的数据安全隐患问题,保障了数据传输的稳定性与可靠性。
3.由于采用了根据所述待评价用户id信息,获得交集数据;根据所述交集数据,获得用户合作方特征值;根据所述用户合作方特征值,获得所述特征权重值,所述特征权重值为所述用户合作方特征值在所述联邦逻辑回归模型中的权重值;根据所述特征权重值、所述用户合作方特征值,获得用户特征加权和;根据所述用户特征加权和、所述加密掩码信息,获得所述合作方特征加权和。合作方利用逻辑回归模型性质,仅传递加权和给调用方,保障合作方模型进一步完善同时,不会对合作方信息产生泄露风险。
实施例二
基于与前述实施例中一种不暴露入模变量的联邦学习预测方法相同的发明构思,如图6所示,本申请实施例提供了一种不暴露入模变量的联邦学习预测系统,其中,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得调用方数据信息,所述调用方数据信息包括待评价用户id信息;
第二获得单元12,所述第二获得单元12用于获得合作方数据信息,所述合作方数据信息包括所述调用方用户id信息、用户特征值、特征权重值,其中,所述调用方用户id信息包括所述待评价用户id信息;
第三获得单元13,所述第三获得单元13用于调用方根据所述用户特征值,生成掩码信息,并对所述掩码信息进行加密,获得加密掩码信息,并将所述加密掩码信息、待评价用户id信息发送至合作方;
第四获得单元14,所述第四获得单元14用于合作方根据所述加密掩码信息、所述待评价用户id信息、所述特征权重值,获得合作方特征加权和,并将所述合作方特征加权和发送至调用方;
第五获得单元15,所述第五获得单元15用于调用方对所述合作方特征加权和进行解密,获得加权和明文;
第六获得单元16,所述第六获得单元16用于根据所述加权和明文、调用方数据信息,获得用户打分。
进一步的,所述系统包括:
第七获得单元,所述第七获得单元用于获得调用方训练数据;
第八获得单元,所述第八获得单元用于获得合作方训练数据;
第九获得单元,所述第九获得单元用于基于所述调用方训练数据、所述合作方训练数据完成纵向联邦回归模型的训练,获得联邦逻辑回归模型。
进一步的,所述系统包括:
第十获得单元,所述第十获得单元用于根据所述用户特征值,获得合作方特征数量;
第十一获得单元,所述第十一获得单元用于根据所述用户特征值,获得调用特征信息;
第十二获得单元,所述第十二获得单元用于根据所述合作方特征数量、所述调用特征信息,获得掩码生成要求,所述掩码生成要求的掩码长度与所述合作方特征数量相同;
第一生成单元,所述第一生成单元用于基于所述掩码生成要求对所述用户特征值生成所述掩码信息;
第十三获得单元,所述第十三获得单元用于获得预设加密方法;
第十四获得单元,所述第十四获得单元用于根据所述预设加密方法,获得公钥;
第十五获得单元,所述第十五获得单元用于利用所述公钥对所述掩码信息进行加密,获得加密掩码信息。
进一步的,所述系统包括:
第十六获得单元,所述第十六获得单元用于根据所述待评价用户id信息,获得交集数据;
第十七获得单元,所述第十七获得单元用于根据所述交集数据,获得用户合作方特征值;
第十八获得单元,所述第十八获得单元用于根据所述用户合作方特征值,获得所述特征权重值,所述特征权重值为所述用户合作方特征值在所述联邦逻辑回归模型中的权重值;
第十九获得单元,所述第十九获得单元用于根据所述特征权重值、所述用户合作方特征值,获得用户特征加权和;
第二十获得单元,所述第二十获得单元用于根据所述用户特征加权和、所述加密掩码信息,获得所述合作方特征加权和。
进一步的,所述系统包括:
第二十一获得单元,所述第二十一获得单元用于根据所述预设加密方法,获得私钥;
第二十二获得单元,所述第二十二获得单元用于根据所述私钥对所述合作方特征加权和进行解密,获得所述加权和明文。
进一步的,所述系统包括:
第二十三获得单元,所述第二十三获得单元用于根据所述加权和明文、所述调用方数据信息,获得用户特征加权和;
第二十四获得单元,所述第二十四获得单元用于获得预设映射函数;
第二十五获得单元,所述第二十五获得单元用于基于所述预设映射函数对所述用户特征加权和进行映射,获得所述用户打分。
进一步的,所述系统包括:
第一调用单元,所述第一调用单元用于调用方特征值、调用方特征权重。
进一步的,所述系统包括:
第二十六获得单元,所述第二十六获得单元用于根据所述调用方特征值、所述调用方特征权重,获得调用方加权和;
第二十七获得单元,所述第二十七获得单元用于根据所述调用方加权和、所述加权和明文,获得综合特征加权和;
第二十八获得单元,所述第二十八获得单元用于基于所述预设映射函数对所述综合特征加权和进行映射,获得所述用户打分。
示例性电子设备
下面参考图7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不暴露入模变量的联邦学习预测方法相同的发明构思,本申请实施例还提供了一种不暴露入模变量的联邦学习预测系统,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(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)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7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(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),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(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdiscread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、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不暴露入模变量的联邦学习预测方法。
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。
本申请实施例提供了一种不暴露入模变量的联邦学习预测方法,其中,所述方法包括:获得调用方数据信息,所述调用方数据信息包括待评价用户id信息;获得合作方数据信息,所述合作方数据信息包括所述调用方用户id信息、用户特征值、特征权重值,其中,所述调用方用户id信息包括所述待评价用户id信息;调用方根据所述用户特征值,生成掩码信息,并对所述掩码信息进行加密,获得加密掩码信息,并将所述加密掩码信息、待评价用户id信息发送至合作方;合作方根据所述加密掩码信息、所述待评价用户id信息、所述特征权重值,获得合作方特征加权和,并将所述合作方特征加权和发送至调用方;调用方对所述合作方特征加权和进行解密,获得加权和明文;根据所述加权和明文、调用方数据信息,获得用户打分。
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(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)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,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))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 (9)
1.一种不暴露入模变量的联邦学习预测方法,其特征在于,所述方法包括:
获得调用方数据信息,所述调用方数据信息包括待评价用户id信息;
获得合作方数据信息,所述合作方数据信息包括所述调用方用户id信息、用户特征值、特征权重值,其中,所述调用方用户id信息包括所述待评价用户id信息;
调用方根据所述用户特征值,生成掩码信息,并对所述掩码信息进行加密,获得加密掩码信息,并将所述加密掩码信息、待评价用户id信息发送至合作方;
合作方根据所述加密掩码信息、所述待评价用户id信息、所述特征权重值,获得合作方特征加权和,并将所述合作方特征加权和发送至调用方;
调用方对所述合作方特征加权和进行解密,获得加权和明文;
根据所述加权和明文、调用方数据信息,获得用户打分;
其中,所述根据所述加权和明文、调用方数据信息,获得用户打分,包括:
根据所述加权和明文、所述调用方数据信息,获得用户特征加权和;
获得预设映射函数;
基于所述预设映射函数对所述用户特征加权和进行映射,获得所述用户打分。
2.如权利要求1所述的方法,其特征在于,所述获得调用方数据信息之前,包括:
获得调用方训练数据;
获得合作方训练数据;
基于所述调用方训练数据、所述合作方训练数据完成纵向联邦回归模型的训练,获得联邦逻辑回归模型。
3.如权利要求1所述的方法,其特征在于,所述根据所述用户特征值,生成掩码信息,并对所述掩码信息进行加密,获得加密掩码信息,包括:
根据所述用户特征值,获得合作方特征数量;
根据所述用户特征值,获得调用特征信息;
根据所述合作方特征数量、所述调用特征信息,获得掩码生成要求,所述掩码生成要求的掩码长度与所述合作方特征数量相同;
基于所述掩码生成要求对所述用户特征值生成所述掩码信息;
获得预设加密方法;
根据所述预设加密方法,获得公钥;
利用所述公钥对所述掩码信息进行加密,获得加密掩码信息。
4.如权利要求2所述的方法,其特征在于,所述根据所述加密掩码信息、所述待评价用户id信息、所述特征权重值,获得合作方特征加权和,包括:
根据所述待评价用户id信息,获得交集数据,其中,所述交集数据为通过所述待评价用户id信息在合作方数据中进行求交集处理确定的数据;
根据所述交集数据,获得用户合作方特征值;
根据所述用户合作方特征值,获得所述特征权重值,所述特征权重值为所述用户合作方特征值在所述联邦逻辑回归模型中的权重值;
根据所述特征权重值、所述用户合作方特征值,获得用户特征加权和;
根据所述用户特征加权和、所述加密掩码信息,获得所述合作方特征加权和。
5.如权利要求3所述的方法,其特征在于,所述对所述合作方特征加权和进行解密,获得加权和明文,包括:
根据所述预设加密方法,获得私钥;
根据所述私钥对所述合作方特征加权和进行解密,获得所述加权和明文。
6.如权利要求1所述的方法,其特征在于,所述调用方数据信息还包括:调用方特征值、调用方特征权重。
7.如权利要求6所述的方法,其特征在于,当所述调用方数据信息包括所述调用方特征值、调用方特征权重时,所述根据所述加权和明文、调用方数据信息,获得用户打分,包括:
根据所述调用方特征值、所述调用方特征权重,获得调用方加权和;
根据所述调用方加权和、所述加权和明文,获得综合特征加权和;
基于所述预设映射函数对所述综合特征加权和进行映射,获得所述用户打分。
8.一种不暴露入模变量的联邦学习预测系统,其特征在于,所述系统包括:
第一获得单元:所述第一获得单元用于获得调用方数据信息,所述调用方数据信息包括待评价用户id信息;
第二获得单元:所述第二获得单元获得合作方数据信息,所述合作方数据信息包括所述调用方用户id信息、用户特征值、特征权重值,其中,所述调用方用户id信息包括所述待评价用户id信息;
第三获得单元:所述第三获得单元调用方根据所述用户特征值,生成掩码信息,并对所述掩码信息进行加密,获得加密掩码信息,并将所述加密掩码信息、待评价用户id信息发送至合作方;
第四获得单元:所述第四获得单元合作方根据所述加密掩码信息、所述待评价用户id信息、所述特征权重值,获得合作方特征加权和,并将所述合作方特征加权和发送至调用方;
第五获得单元:所述第五获得单元调用方对所述合作方特征加权和进行解密,获得加权和明文;
第六获得单元:所述第六获得单元根据所述加权和明文、调用方数据信息,获得用户打分;
其中,所述第六获得单元包括:
第二十三获得单元:所述第二十三获得单元用于根据所述加权和明文、所述调用方数据信息,获得用户特征加权和;
第二十四获得单元:所述第二十四获得单元用于获得预设映射函数;
第二十五获得单元:所述第二十五获得单元用于基于所述预设映射函数对所述用户特征加权和进行映射,获得所述用户打分。
9.一种不暴露入模变量的联邦学习预测的装置,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,其特征在于,所述处理器执行所述程序时实现权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111637376.XA CN113989036B (zh) | 2021-12-30 | 2021-12-30 | 一种不暴露入模变量的联邦学习预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111637376.XA CN113989036B (zh) | 2021-12-30 | 2021-12-30 | 一种不暴露入模变量的联邦学习预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113989036A CN113989036A (zh) | 2022-01-28 |
CN113989036B true CN113989036B (zh) | 2022-03-18 |
Family
ID=79734925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111637376.XA Active CN113989036B (zh) | 2021-12-30 | 2021-12-30 | 一种不暴露入模变量的联邦学习预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989036B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114362948B (zh) * | 2022-03-17 | 2022-07-12 | 蓝象智联(杭州)科技有限公司 | 一种联邦衍生特征逻辑回归建模方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686700A (zh) * | 2020-12-30 | 2021-04-20 | 深圳前海微众银行股份有限公司 | 基于人工智能的产品属性决策方法、装置、电子设备 |
CN112906912A (zh) * | 2021-04-01 | 2021-06-04 | 深圳市洞见智慧科技有限公司 | 纵向联邦学习中无可信第三方的回归模型训练方法及系统 |
CN113420886A (zh) * | 2021-06-21 | 2021-09-21 | 平安科技(深圳)有限公司 | 纵向联邦学习模型的训练方法、装置、设备及存储介质 |
CN113779608A (zh) * | 2021-09-17 | 2021-12-10 | 神谱科技(上海)有限公司 | 多方纵向联邦学习LightGBM训练中基于WOE掩码的数据保护方法 |
-
2021
- 2021-12-30 CN CN202111637376.XA patent/CN113989036B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686700A (zh) * | 2020-12-30 | 2021-04-20 | 深圳前海微众银行股份有限公司 | 基于人工智能的产品属性决策方法、装置、电子设备 |
CN112906912A (zh) * | 2021-04-01 | 2021-06-04 | 深圳市洞见智慧科技有限公司 | 纵向联邦学习中无可信第三方的回归模型训练方法及系统 |
CN113420886A (zh) * | 2021-06-21 | 2021-09-21 | 平安科技(深圳)有限公司 | 纵向联邦学习模型的训练方法、装置、设备及存储介质 |
CN113779608A (zh) * | 2021-09-17 | 2021-12-10 | 神谱科技(上海)有限公司 | 多方纵向联邦学习LightGBM训练中基于WOE掩码的数据保护方法 |
Non-Patent Citations (4)
Title |
---|
D2D-Assisted Federated Learning in Mobile Edge Computing Networks;Xueqing Zhang,etal;《2021 IEEE Wireless Communications and Networking Conference》;20210505;1-7 * |
不同场景的联邦学习安全与隐私保护研究综述;孙爽 等;《计算机应用研究》;20211205;第38卷(第12期);3527-3534 * |
基于秘密共享与同态加密的纵向联邦学习方案研究;夏家骏 等;《信息通信技术与政策》;20210615;第47卷(第6期);19-26 * |
联邦学习算法综述;王健宗 等;《大数据》;20200822;第6卷(第6期);64-82 * |
Also Published As
Publication number | Publication date |
---|---|
CN113989036A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109981641B (zh) | 一种基于区块链技术的安全发布订阅系统及发布订阅方法 | |
EP3745335A1 (en) | Zero-knowledge multi-account-book exchange transfer method and apparatus based on blockchain, and storage medium | |
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 | |
CN107222302B (zh) | 用部分同态加密方案构建的空间众包任务分配系统及方法 | |
CN112465627B (zh) | 基于区块链和机器学习的金融借贷审核方法及系统 | |
JP2016512611A (ja) | プライバシー保護リッジ回帰 | |
US20220374544A1 (en) | Secure aggregation of information using federated learning | |
CN113537633A (zh) | 基于纵向联邦学习的预测方法、装置、设备、介质和系统 | |
CN113989036B (zh) | 一种不暴露入模变量的联邦学习预测方法及系统 | |
CN111027981A (zh) | 多方联合训练针对IoT机具的风险评估模型的方法及装置 | |
CN111914279A (zh) | 一种高效准确的隐私求交系统、方法及装置 | |
Karati et al. | Reliable data sharing by certificateless encryption supporting keyword search against vulnerable KGC in industrial internet of things | |
CN110874481B (zh) | 一种基于gbdt模型的预测方法和装置 | |
CN116167868A (zh) | 基于隐私计算的风险识别方法、装置、设备以及存储介质 | |
CN111932249A (zh) | 一种基于区块链的数据交易生态系统 | |
CN113434906B (zh) | 数据查询方法、装置、计算机设备及存储介质 | |
CN111259440A (zh) | 一种针对云外包数据的隐私保护决策树分类方法 | |
CN116432040B (zh) | 基于联邦学习的模型训练方法、装置、介质以及电子设备 | |
CN115599959A (zh) | 数据共享方法、装置、设备及存储介质 | |
CN112532627B (zh) | 冷启动推荐方法、装置、计算机设备及存储介质 | |
CN113254989B (zh) | 目标数据的融合方法、装置和服务器 | |
CN113055178B (zh) | 区块链系统及数值信息传输方法、系统、装置、介质 | |
CN114298321A (zh) | 联合建模方法、装置、电子设备及存储介质 | |
TWI701931B (zh) | 具分級機制的數位簽章方法及適用該方法的硬體錢包裝置 | |
CN117978362B (zh) | 数据加密方法、系统、计算机设备及存储介质 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100000 floors 1-3, block a, global creative Plaza, No. 10, Furong street, Chaoyang District, Beijing Patentee after: Bairong Zhixin (Beijing) Technology Co.,Ltd. Address before: 100000 floors 1-3, block a, global creative Plaza, No. 10, Furong street, Chaoyang District, Beijing Patentee before: Bairong Zhixin (Beijing) credit investigation Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |