发明内容
本发明的主要目的在于提供一种信息处理方法、装置、设备、存储介质及程序产品,旨在更加全面地实现在有效保护隐私前提下,高精度且计算开销较小的安全聚合。
为实现上述目的,本发明提供一种信息处理方法,所述方法应用于参与联邦学习的多个参与方中的协调方;所述方法包括:
通过量子网络,将制备的量子纠缠态中的量子比特分别发送给参与联邦学习的多个参与方中的各个数据提供方,以使各个所述数据提供方将各自的本地模型参数编码到所述量子纠缠态中的量子比特上,得到目标量子比特;
接收各个所述数据提供方发送的目标量子比特;
根据所述目标量子比特,确定全局模型的参数,所述全局模型的参数用于支持所述多个参与方进行联邦学习;
其中,所述量子纠缠态中的量子比特用于表示处于纠缠状态中的多个量子比特,所述多个量子比特的数目与所述目标量子比特的数目一致。
可选地,所述根据所述目标量子比特,确定参与联邦学习的全局模型的参数,包括:
根据所述目标量子比特,通过第一预设量子线路执行解码操作,得到各个所述数据提供方对应的参数之和,所述第一预设量子线路包括至少一种量子门;
将所述参数之和作为参与联邦学习的全局模型的参数。
可选地,所述根据所述目标量子比特,通过第一预设量子线路执行解码操作,得到各个所述数据提供方对应的参数之和,包括:
确定所述目标量子比特对应的量子纠缠态;
通过所述第一预设量子线路,对所述目标量子比特对应的量子纠缠态进行解码,得到各个所述数据提供方对应的参数之和。
可选地,各个所述数据提供方的各自的本地模型参数为映射到
区间上的实数;其中,N为数据提供方的数目;
所述通过所述第一预设量子线路,对所述目标量子比特对应的量子纠缠态进行解码,得到各个所述数据提供方对应的参数之和,包括:
通过所述第一预设量子线路,对所述目标量子比特对应的量子纠缠态进行解码,得到测量所述目标量子比特对应的量子纠缠态中第一个量子比特为0的实际概率;
根据所述实际概率以及预设概率关系,得到各个所述数据提供方对应的参数之和;
其中,所述预设概率关系为所述参数之和与第一个量子比特为0的概率之间的关系。
可选地,所述通过量子网络,将制备的量子纠缠态中的量子比特分别发送给参与联邦学习的多个参与方中的各个数据提供方,包括:
根据第二预设量子线路,确定量子纠缠态,所述第二预设量子线路包括多个量子比特和至少一种量子门;
通过量子网络,将所述量子纠缠态发送给参与联邦学习的多个参与方中的各个数据提供方;
其中,所述第一预设量子线路是由所述第二预设量子的反向线路以及测量门构成的。
本发明还提供一种信息处理方法,所述方法应用于参与联邦学习的多个参与方中的数据提供方;所述方法包括:
通过量子网络,接收参与联邦学习的多个参与方中的协调方发送的量子纠缠态;
将本地模型参数编码到所述量子纠缠态中的量子比特上,得到目标量子比特,所述目标量子比特为携带有所述本地模型参数的量子比特;
将所述目标量子比特发送至所述协调方,以使所述协调方根据所述目标量子比特,确定全局模型的参数,所述全局模型的参数用于支持所述多个参与方进行联邦学习;
其中,所述量子纠缠态中的量子比特用于表示处于纠缠状态中的多个量子比特,所述多个量子比特的数目与所述目标量子比特的数目一致。
可选地,所述将本地模型参数编码到所述量子纠缠态中的量子比特上,包括:
将所述本地模型参数映射到
区间上,得到目标参数,所述目标参数为实数;
将所述目标参数编码到所述量子纠缠态中的量子比特上。
本发明还提供一种信息处理装置,所述装置应用于参与联邦学习的多个参与方中的协调方,所述装置包括:
发送模块,用于通过量子网络,将制备的量子纠缠态中的量子比特分别发送给参与联邦学习的多个参与方中的各个数据提供方,以使各个所述数据提供方将各自的本地模型参数编码到所述量子纠缠态中的量子比特上,得到目标量子比特;
接收模块,用于接收各个所述数据提供方发送的目标量子比特;
处理模块,用于根据所述目标量子比特,确定全局模型的参数,所述全局模型的参数用于支持所述多个参与方进行联邦学习。
本发明还提供一种信息处理装置,所述装置应用于参与联邦学习的多个参与方中的数据提供方,所述装置包括:
接收模块,用于通过量子网络,接收参与联邦学习的多个参与方中的协调方发送的量子纠缠态;
第一处理模块,用于将本地模型参数编码到所述量子纠缠态中的量子比特上,得到目标量子比特,所述目标量子比特为携带有所述本地模型参数的量子比特;
第二处理模块,用于将所述目标量子比特发送至所述协调方,以使所述协调方根据所述目标量子比特,确定全局模型的参数,所述全局模型的参数用于支持所述多个参与方进行联邦学习;
其中,所述量子纠缠态中的量子比特用于表示处于纠缠状态中的多个量子比特,所述多个量子比特的数目与所述目标量子比特的数目一致。
本发明还提供一种信息处理设备,所述信息处理设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的信息处理程序,所述信息处理程序被所述处理器执行时实现如前述任一项所述的信息处理方法的步骤。
本发明还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信息处理程序,所述信息处理程序被处理器执行时实现如前述任一项所述的信息处理方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现前述任一项所述的方法。
本发明中,参与联邦学习的多个参与方中的协调方可以进行信息处理,通过量子网络,将制备的量子纠缠态中的量子比特分别发送给参与联邦学习的多个参与方中的各个数据提供方,使得各个所述数据提供方将各自的本地模型参数编码到所述量子纠缠态中的量子比特上,得到目标量子比特并将目标量子比特发送至协调方,该协调方基于接收到的目标量子比特来确定用于支持所述多个参与方进行联邦学习的全局模型。因此,通过利用量子计算机固有的物理性质,将数据保存在全部量子比特中,部分参与方无法通过合谋窃取其他参与方的隐私,计算开销小,并且使用量子纠缠态分发技术实现安全聚合,同时,不会额外对数据加上噪声,避免了因为额外噪声造成的精度损失的问题。所以,更加全面地实现在有效保护隐私前提下,高精度且计算开销较小的安全聚合。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明完整地传达给本领域的技术人员。
目前,实现对本地模型的安全聚合的常见方案有如下几种:私密共享、同态加密、差分隐私、多方量子加密加法;但是,以上的几种安全聚合方案存在计算量大、隐私泄露、人为的精度损失、无法有效实现多方实数加法等缺点。因此,现有技术中的安全聚合方案存在局限性,无法实现在有效保护隐私前提下,高精度且计算开销较小的安全聚合。
为了解决这一问题,本发明的技术构思是利用量子计算机固有的物理性质,将数据保存在全部量子比特中,部分参与方无法通过合谋窃取其他参与方的隐私,计算开销小,并且使用量子纠缠态分发技术实现安全聚合,同时,本发明不会额外对数据加上噪声,避免了因为额外噪声造成的精度损失的问题。因此,更加全面地实现在有效保护隐私前提下,高精度且计算开销较小的安全聚合。
下面结合附图,对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
需要说明的是,本申请中的“多个”用于表示两个或两个以上,具体数目在此不做具体地限定。示例性地,多个参与方可以为两个参与方或两个以上参与方,这里的多个参与方包括协调方和数据提供方,数据提供方可以为一个或一个以上。
下述针对实施例中出现的术语进行解释说明:
联邦学习:一种算法框架,由两个以上的参与方协作通过各自的训练数据集来训练机器学习模型,且训练过程中不泄露私有的数据。
经典计算机:基于晶体管的计算机。包括手机、电脑、超级计算机等,区别于量子计算机。
量子计算机:基于量子力学的计算机,底层原理和经典计算机不同,可以完成一些经典计算机无法完成的任务。
数据孤岛:高质量的数据通常分布在不同的独立个人/组织中,这些数据由于隐私保护原因无法汇聚的现象被称为数据孤岛。
参与方(下述实施例使用数据提供方):参与联邦学习的成员,每个参与方拥有各自私有的隐私数据。
协调方:协调进行模型安全聚合的第三方。
本地模型:由参与方使用私有数据训练的机器学习模型。
全局模型:由各个参与方本地训练得到的本地模型通过安全聚合产生的新的模型。
量子纠缠态:量子力学理论框架下,几个粒子的某些性质由于彼此之间的相互作用而无法被单独描述,这种状态叫做量子纠缠态。
量子纠缠态分发:将处于纠缠态的粒子们分发到目标地点,且在此过程中保持彼此间的纠缠状态。
量子比特(qubit):类似于经典计算机的比特(bit),是量子计算机的基本单元,量子比特之间可以通过特定的操作形成纠缠态。每次对量子比特进行观测时,会随机测得0或1,测得0和1的概率由量子比特之前被经过的操作决定。
量子门:对量子比特进行操作的电路的统称。
量子线路:由量子比特和量子门组成的线路,用于实现指定的功能。
图1为本发明实施例提供的一种应用场景示意图。如图1所示,将参与联邦学习的协调方作为信息处理的参与方。示例性地,在训练全局模型的过程中,每一数据提供方拥有的数据都不会离开其拥有者,本地模型相关的信息以加密形式在各方直接传输和交换,在保证任何一个数据提供方都不能推测出其他数据提供方的原始数据的前提下,协调方负责对各个数据提供方的本地模型进行安全聚合。
具体地,协调方制备量子纠缠态,然后通过量子网络将制备好的量子纠缠态分发给各个数据提供方,在联邦学习的每轮训练中,每个数据提供方将各自的本地模型参数(θ1、θ2、θ3……θN,θN代表N号数据提供方上传的参数)编码到收到的处于纠缠状态的量子比特上,然后每个数据提供方将各自带有本地模型参数的量子比特发送回协调方,此时,量子纠缠态发生变化,协调方全部接收完所有带有本地模型参数的量子比特后,对形成的新的量子纠缠态进行解码,确定第一个量子比特测得0的比例(即实际概率)。
已知测得0的概率为:
其中,θ
N表示第N个数据提供方上传的参数,θ
1+θ
2+…+θ
N表示参数之和。将实际概率代入到:
中,计算出数据提供方上传的参数之和。协调方根据参数之和确定全局模型参数并将全局模型参数下发给各个数据提供方,直到模型中所有参数更新完毕。
通过本发明实施例给出的信息处理方法,可以通过利用量子计算机固有的物理性质,将数据保存在全部量子比特中,部分参与方无法通过合谋窃取其他参与方的隐私,计算开销小,并且使用量子纠缠态分发技术实现安全聚合,同时,不会额外对数据加上噪声,避免了因为额外噪声造成的精度损失的问题。因此,更加全面地实现在有效保护隐私前提下,高精度且计算开销较小的安全聚合。
图2为本发明实施例提供的一种信息处理方法的流程示意图。所述方法应用于参与联邦学习的多个参与方中的协调方,如图2所示,本实施例中的方法可以包括:
S201、通过量子网络,将制备的量子纠缠态中的量子比特分别发送给参与联邦学习的多个参与方中的各个数据提供方,以使各个所述数据提供方将各自的本地模型参数编码到所述量子纠缠态中的量子比特上,得到目标量子比特。
其中,量子网络是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。当某个装置处理和计算的是量子信息,运行的是量子算法时,它就是量子网络;将一个粒子的量子信息发向远处的另一个纠缠粒子,该粒子在接收到这些信息后,会成为原粒子的复制品。一个粒子可以传递有限的信息,而亿万个粒子联手,就形成量子网络。量子力学理论框架下,几个粒子的某些性质由于彼此之间的相互作用而无法被单独描述,这种状态叫做量子纠缠态。
具体地,协调方可以使用量子网络,将制备好的量子纠缠态分发给各个数据提供方(即将纠缠的量子比特分别发送给每个数据提供方),各个数据提供方将各自的本地模型参数编码到处于纠缠态中的量子比特上,得到目标量子比特(即携带有本地模型参数的量子比特)。其中,量子纠缠态分发技术是将处于纠缠态的粒子们分发到目标地点,且在此过程中保持彼此间的纠缠状态。
S202、接收各个所述数据提供方发送的目标量子比特。
在联邦学习的每轮训练中,每个数据提供方将各自的本地模型参数编码到收到的处于纠缠状态的量子比特上,然后每个数据提供方将各自带有本地模型参数的量子比特发送回协调方,协调方接收各个数据提供方发送的带有本地模型参数的量子比特即目标量子比特。
S203、根据所述目标量子比特,确定全局模型的参数,所述全局模型的参数用于支持所述多个参与方进行联邦学习。
其中,所述量子纠缠态中的量子比特用于表示处于纠缠状态中的多个量子比特,所述多个量子比特的数目与所述目标量子比特的数目一致。
由于目标量子比特是携带有本地模型参数的量子比特,因此,量子纠缠态中的量子比特的数目与目标量子比特的数目一致。具体地,协调方对携带有本地模型参数的量子比特进行解码,可以直接得到数据提供方上传的参数之和。
通过量子网络,将制备的量子纠缠态中的量子比特分别发送给参与联邦学习的多个参与方中的各个数据提供方,使得各个所述数据提供方将各自的本地模型参数编码到所述量子纠缠态中的量子比特上,得到目标量子比特并将目标量子比特发送至协调方,该协调方基于接收到的目标量子比特来确定用于支持所述多个参与方进行联邦学习的全局模型。因此,通过利用量子计算机固有的物理性质,将数据保存在全部量子比特中,部分参与方无法通过合谋窃取其他参与方的隐私,计算开销小,并且使用量子纠缠态分发技术实现安全聚合,同时,本发明不会额外对数据加上噪声,避免了因为额外噪声造成的精度损失的问题。所以,更加全面地实现在有效保护隐私前提下,高精度且计算开销较小的安全聚合。
可选地,通过量子网络,将制备的量子纠缠态中的量子比特分别发送给参与联邦学习的多个参与方中的各个数据提供方可以通过以下步骤实现:
步骤a1、根据第二预设量子线路,确定量子纠缠态;其中,所述第二预设量子线路包括多个量子比特和至少一种量子门。
步骤a2、通过量子网络,将所述量子纠缠态发送给参与联邦学习的多个参与方中的各个数据提供方。
其中,第一预设量子线路是由第二预设量子的反向线路以及测量门构成的。这里的量子线路是由量子比特和量子门组成的线路,用于实现指定的功能。量子门是对量子比特进行操作的电路的统称。
示例性的,如图3所示的一种量子线路示意图(图3表示为第二预设量子线路),图3中的|0>代表一个处在初始态的量子比特,图3中还包括阿达马门(Hadamard Gate)10和受控非门CNOT(Control-NOT gate)20两种量子门,他们整体被称为一个量子线路。图3中每个|0>对应一个横线,代表一个量子比特。其中,阿达马门是只对一个量子比特进行操作的门;在量子计算中,该逻辑门可以实现对|0〉或者|1〉进行操作,然后成为叠加态。该阿达马门在图3中是对|0〉进行操作,变成|0〉和|1〉的叠加态。受控非门CNOT(Control-NOT gate),定义受控非门即操作两个量子比特,第二个量子比特只有在第一个量子比特为|1〉的时候进行NOT操作,否则就保持不变。其中,受控非门CNOT中的黑点代表控制比特,有交叉的圆圈代表被控制比特。参见图4所示的另一种量子线路的示意图(图4表示第一预设量子线路),图4所示的量子线路是由图3所示的量子的反向线路以及测量门30构成的。通过该测量门可以得到第一个量子比特测得0的比例。
具体地,以图3所示的量子线路制备量子纠缠态(以数据提供方的数目为3为例),表示为
量子纠缠态的矩阵中元素的个数为2
n,n表示量子线路或量子纠缠态中量子比特的数目。其中,以三个量子比特为000为例,量子比特为0经过图3中的阿达马门后变成0和1的叠加态(因此,第一个量子比特为0的概率为0.5)。示例性的,假如为0时且作为控制比特,其对应的被控制比特不做任何操作即为0,假如为1时且作为控制比特,其对应的被控制比特取反操作即为1,因此,经过图3所示的量子线路后由000变为000或111,即由初始状态的000变为了000和111的叠加态。其中,图4所示的量子线路中量子门对量子的操作是图3所示的量子线路中量子门对量子的操作的反过程,在此不再赘述。
可选地,如图5所示的一种量子线路示意图(图5表示为另一种第二预设量子线路)和如图6所示的一种量子线路示意图(图6表示为另一种第一预设量子线路)。其中,图5为图3所示的量子线路的替代方案,图6为图4所示的量子线路的替代方案,其图5和图6实施过程的原理与图3和图4实施过程的原理类似,在此不再赘述。
可选地,数据提供方上传模型参数的过程为:在联邦学习的每轮训练中,每个数据提供方按约定的顺序或者不按照顺序将本地模型的参数(θ
1、θ
2、θ
3……θ
N,θ
N代表N号数据提供方上传的参数)编码到收到的处于纠缠状态的量子比特上(参数均预先被线性映射到
区间,N为数据提供方的数目,示例性的,以3个数据提供方为例,N=3),如图7所示的参数编码到量子比特上的示意图(以3个数据提供方为例,图7表示将参数编码到量子比特后的量子比特,即目标量子比特40)。
可选地,根据所述目标量子比特,确定参与联邦学习的全局模型的参数,可以通过以下步骤实现:
步骤b1、根据所述目标量子比特,通过第一预设量子线路执行解码操作,得到各个所述数据提供方对应的参数之和,所述第一预设量子线路包括至少一种量子门。
步骤b2、将所述参数之和作为参与联邦学习的全局模型的参数。
其中,目标量子比特上携带有各个数据提供方将参数编码进去的量子比特,基于第一预设量子线路和第二预设量子线路的关系,依据第一预设量子线路对目标量子比特解码并得到测量结果,这里的解码过程可以理解为测量第一个量子比特为0的概率。
可选地,根据所述目标量子比特,通过第一预设量子线路执行解码操作,得到各个所述数据提供方对应的参数之和,可以通过以下步骤实现:
步骤c1、确定所述目标量子比特对应的量子纠缠态。
步骤c2、通过所述第一预设量子线路,对所述目标量子比特对应的量子纠缠态进行解码,得到各个所述数据提供方对应的参数之和。
其中,各个所述数据提供方的各自的本地模型参数为映射到
区间上的实数。
基于以图4所示的量子线路为第一预设量子线路为例,各个数据提供方将携带有本地模型参数信息的量子比特发送回协调方,以数据提供方的数目N=3为例,此时的纠缠量子态即目标量子比特对应的量子纠缠态可表示为:
协调方使用图4的量子线路解码并测量结果。其中,θ
1+θ
2+θ
3表示3个数据提供方的参数之和。并且使用含参数量子门实现实数加法计算,解决了相对多方量子加密加法无法有效实现实数加法的问题。
可选地,通过所述第一预设量子线路,对所述目标量子比特对应的量子纠缠态进行解码,得到各个所述数据提供方对应的参数之和,可以通过以下步骤实现:
步骤d1、通过所述第一预设量子线路,对所述目标量子比特对应的量子纠缠态进行解码,得到测量所述目标量子比特对应的量子纠缠态中第一个量子比特为0的实际概率。
步骤d2、根据所述实际概率以及预设概率关系,得到各个所述数据提供方对应的参数之和。
其中,所述预设概率关系为所述参数之和与第一个量子比特为0的概率之间的关系。
具体地,已知测得0的概率为:
即预设概率关系;当N=3时,则
协调方利用第一预设量子线路,对所述目标量子比特对应的量子纠缠态进行解码,得到测量所述目标量子比特对应的量子纠缠态中第一个量子比特为0的实际概率,这里的实际概率为重复以上编码、解码过程得到的。
将实际概率代入到P(0)中即将实际概率乘以2,再减去1,然后取反三角函数中的反余弦值即arccos,即可得到θ1+θ2+…+θN即参数之和。
整个实现过程为:
第一步:制备量子纠缠态:协调方使用图3(或图5)所示的量子电路制备纠缠量子态;
第二步:分发量子纠缠态:协调方使用量子网络将纠缠的量子比特分别发送给每个参与方(这里的参与方是指数据提供方);
第三步:参与方上传模型参数信息:在联邦学习的每轮训练中,每个参与方按约定的顺序将本地模型的参数编码到收到的量子比特上编码到收到的处于纠缠状态的量子比特上(参数均预先被线性映射到
区间,N为数据提供方的数目,示例性的,以3个数据提供方为例,N=3),如图7所示;参与方将带有本地模型参数信息的量子比特发送回协调方,确定此时的量子纠缠态;
该步骤使用了含参数的量子门对量子比特进行操作,因此可以计算实数的加法。并且,不会对数据加上额外噪声,避免了因为额外噪声造成精度损失,进而保证了精度。
其中,制备纠缠态、上传信息、解码信息的量子线路较为简单,避免额外大量计算开销,因此,能够实现计算开销较小的安全聚合。
第四步:协调方使用图4(或图6)的量子线路解码并测量结果,已知测得0的概率为
其中,每个参与方的加密信息被编码到量子纠缠态中,只有收集到全部的量子比特才可以解码出所有上传的参数之和,在物理层面上保护了参与方的隐私。
第五步:重复1-4步,得到第一个量子比特测得0的比例,并代入到
计算出参与方上传的参数之和;
第六步:重复1-5步,直到模型中所有参数更新完毕。
示例性的,以数据提供方为某一地区的不同银行为例,数据提供方分别为银行A、银行B以及银行C,协调方为第三方;银行A、银行B以及银行C各自拥有用户数据,为了保护用户隐私的前提下,为用户提供更优地服务,银行A、银行B以及银行C通过协调方进行联邦学习,各个银行都有各自本地模型参数,用来预测用户在未来一段时间内需要的资金资源,用以提前为用户准备出预备金,进而提高用户体验。为了优化本地模型,使得预测更加精准,同时保证计算量小、精度高以及保护隐私等,首先协调方先制备量子纠缠态,并将量子纠缠态分发给各个银行,各个银行通过用户数据训练本地模型,将训练后的本地模型参数编码到接收到的量子比特上,然后将携带有本地模型参数的量子比特返回至第三方,第三方对其解析,得到参数之和,再将参数之和通过加密方式发给各个银行端的本地模型,循环上述过程,直至所有模型更新完毕。
因此,本发明使用新的技术路线,利用量子器件实现安全聚合,相对用经典计算机实现的同态加密、秘密共享、差分隐私更优。具体地,使用量子门操作量子比特进行数据加密上传解决减少计算量开销,不需要制备公钥私钥,减少计算量,解决了同态加密计算量开销大的问题;不改变原始隐私数据,避免精度损失,相对于差分隐私方案会将数据加上额外的噪声,噪声可能会造成模型的精度损失,解决了差分隐私存在精度损失的问题;使用含参数量子门实现实数加法计算,解决了相对多方量子加密加法无法有效实现实数加法的问题。本发明基于量子计算机的物理性质,将数据保存在全部量子比特中,部分参与方无法通过合作窃取其他参与方的隐私,解决了秘密共享隐私泄露的问题。
图8为本发明另一实施例提供的一种信息处理方法的流程示意图。所述方法应用于参与联邦学习的多个参与方中的数据提供方。如图8所示,所述信息处理方法可以包括:
S801、通过量子网络,接收参与联邦学习的多个参与方中的协调方发送的量子纠缠态;
S802、将本地模型参数编码到所述量子纠缠态中的量子比特上,得到目标量子比特,所述目标量子比特为携带有所述本地模型参数的量子比特;
S803、将所述目标量子比特发送至所述协调方,以使所述协调方根据所述目标量子比特,确定全局模型的参数,所述全局模型的参数用于支持所述多个参与方进行联邦学习;
其中,所述量子纠缠态中的量子比特用于表示处于纠缠状态中的多个量子比特,所述多个量子比特的数目与所述目标量子比特的数目一致。
具体地,协调方制备的量子纠缠态并分发给各个数据提供方(即将纠缠的量子比特分别发送给每个数据提供方),各个数据提供方通过量子网络,接收协调方发送的量子纠缠态,并将各自的本地模型参数编码到处于纠缠态中的量子比特上,得到目标量子比特(即携带有本地模型参数的量子比特)。
可选地,将本地模型参数编码到所述量子纠缠态中的量子比特上,可以通过以下步骤实现:
步骤e1、将所述本地模型参数映射到
区间上,得到目标参数,所述目标参数为实数;
步骤e2、将所述目标参数编码到所述量子纠缠态中的量子比特上。
具体地,数据提供方将本地模型参数编码到所述量子纠缠态中的量子比特上,并发送至协调方,其中,数据提供方上传模型参数的过程可以参见以协调方为执行主体做信息处理时阐述的实施例,在此不再赘述。
通过本发明实施例给出的信息处理方法,可以通过利用量子计算机固有的物理性质,将数据保存在全部量子比特中,部分参与方无法通过合谋窃取其他参与方的隐私,计算开销小,并且使用量子纠缠态分发技术实现安全聚合,同时,不会额外对数据加上噪声,避免了因为额外噪声造成的精度损失的问题。因此,更加全面地实现在有效保护隐私前提下,高精度且计算开销较小的安全聚合。
图9为本发明实施例提供的一种信息处理装置的结构示意图。所述装置应用于参与联邦学习的多个参与方中的协调方。
如图9所示,所述信息处理装置可以包括:
发送模块901,用于通过量子网络,将制备的量子纠缠态中的量子比特分别发送给参与联邦学习的多个参与方中的各个数据提供方,以使各个所述数据提供方将各自的本地模型参数编码到所述量子纠缠态中的量子比特上,得到目标量子比特;
接收模块902,用于接收各个所述数据提供方发送的目标量子比特;
处理模块903,用于根据所述目标量子比特,确定全局模型的参数,所述全局模型的参数用于支持所述多个参与方进行联邦学习。
可选地,所述处理模块903,包括第一处理单元以及第二处理单元;所述第一处理单元,用于根据所述目标量子比特,通过第一预设量子线路执行解码操作,得到各个所述数据提供方对应的参数之和,所述第一预设量子线路包括至少一种量子门;第二处理单元,用于将所述参数之和作为参与联邦学习的全局模型的参数。
可选地,所述第一处理单元,包括第一处理子单元、第二处理子单元;第一处理子单元,用于确定所述目标量子比特对应的量子纠缠态;第二处理子单元,用于通过所述第一预设量子线路,对所述目标量子比特对应的量子纠缠态进行解码,得到各个所述数据提供方对应的参数之和。
可选地,各个所述数据提供方的各自的本地模型参数为映射到
区间上的实数;其中,N为数据提供方的数目;第一处理子单元,具体用于:
通过所述第一预设量子线路,对所述目标量子比特对应的量子纠缠态进行解码,得到测量所述目标量子比特对应的量子纠缠态中第一个量子比特为0的实际概率;
根据所述实际概率以及预设概率关系,得到各个所述数据提供方对应的参数之和;
其中,所述预设概率关系为所述参数之和与第一个量子比特为0的概率之间的关系。
可选地,发送模块,具体用于:
根据第二预设量子线路,确定量子纠缠态,所述第二预设量子线路包括多个量子比特和至少一种量子门;
通过量子网络,将所述量子纠缠态发送给参与联邦学习的多个参与方中的各个数据提供方;
其中,所述第一预设量子线路是由所述第二预设量子的反向线路以及测量门构成的。
前述任一实施例提供的信息处理装置,用于执行前述以协调方作为信息处理的参与方阐述的任一方法实施例的技术方案,其实现原理和技术效果类似,在此不再赘述。
图10为本发明另一实施例提供的一种信息处理装置的结构示意图。所述装置应用于参与联邦学习的多个参与方中的数据提供方。
如图10所示,所述信息处理装置可以包括:
接收模块1001,用于通过量子网络,接收参与联邦学习的多个参与方中的协调方发送的量子纠缠态;
第一处理模块1002,用于将本地模型参数编码到所述量子纠缠态中的量子比特上,得到目标量子比特,所述目标量子比特为携带有所述本地模型参数的量子比特;
第二处理模块1003,用于将所述目标量子比特发送至所述协调方,以使所述协调方根据所述目标量子比特,确定全局模型的参数,所述全局模型的参数用于支持所述多个参与方进行联邦学习;
其中,所述量子纠缠态中的量子比特用于表示处于纠缠状态中的多个量子比特,所述多个量子比特的数目与所述目标量子比特的数目一致。
可选地,第二处理模块1003,具体用于:
将所述本地模型参数映射到
区间上,得到目标参数,所述目标参数为实数;
将所述目标参数编码到所述量子纠缠态中的量子比特上。
前述任一实施例提供的信息处理装置,用于执行前述以数据提供方作为信息处理的参与方阐述的任一方法实施例的技术方案,其实现原理和技术效果类似,在此不再赘述。
图11为本发明实施例提供的一种信息处理设备的结构示意图。如图11所示,所述设备可以包括:存储器1101、处理器1102及存储在所述存储器1101上并可在所述处理器1102上运行的信息处理程序,所述信息处理程序被所述处理器1102执行时实现如前述任一实施例所述的信息处理方法的步骤。
可选地,存储器1101既可以是独立的,也可以跟处理器1102集成在一起。
本实施例提供的设备的实现原理和技术效果可以参见前述各实施例,此处不再赘述。
本发明实施例还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信息处理程序,所述信息处理程序被处理器执行时实现如前述任一实施例所述的信息处理方法的步骤。
本发明实施例还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现前述任一实施例所述的方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本发明各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。