CN115618375A - 一种业务执行方法、装置、存储介质及电子设备 - Google Patents
一种业务执行方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115618375A CN115618375A CN202211105450.8A CN202211105450A CN115618375A CN 115618375 A CN115618375 A CN 115618375A CN 202211105450 A CN202211105450 A CN 202211105450A CN 115618375 A CN115618375 A CN 115618375A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- service
- ciphertext
- business
- 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
Links
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
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Bioethics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种业务执行方法、装置、存储介质及电子设备,本说明书实施例中用户设备部署有业务模型中的第一模型,服务器部署有业务模型中的第二模型。用户设备通过第一模型对获取到的业务数据进行特征提取,得到特征数据,并对特征数据进行同态加密,得到密文,并将密文发送给服务器,服务器将接收到的密文输入第二模型中对密文进行处理,得到处理结果,并根据处理结果执行业务。在此过程中,业务数据并未直接发送给服务器,而是将业务数据的密文发送给服务器,从而可以避免业务数据泄露,以解决业务执行的安全问题。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种业务执行方法、装置、存储介质及电子设备。
背景技术
目前,随着科技的发展,云服务广泛应用于各行各业。云服务可以对外提供各业务,比如:图像识别、隐私数据保护等业务。
现有技术中用户将需要处理的业务数据发送到云端,云端再对接收到业务数据进行处理,得到处理结果,并根据处理结果执行业务。
然而,现有技术中在执行业务的过程中,可能存在业务执行的安全问题。
发明内容
本说明书实施例提供一种业务执行方法、装置、存储介质及电子设备,以部分解决上述现有技术存在的问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种业务执行方法,所述方法应用于用户设备,所述用户设备部署有预先训练的第一模型,所述方法包括:
获取业务数据;
将所述业务数据输入所述第一模型,以通过所述第一模型对所述业务数据进行特征提取,得到所述业务数据对应的特征数据;
对所述业务数据对应的特征数据进行同态加密,得到所述业务数据对应的密文;
将所述密文发送给服务器,以使所述服务器接收所述用户设备发送的密文,将所述密文输入到部署在所述服务器上的预先训练的第二模型中,以通过所述第二模型对所述密文进行处理,得到所述业务数据对应的处理结果,并根据所述处理结果执行业务。
可选地,所述第一模型包括:神经网络模型,所述第二模型包括:回归模型。
本说明书提供的一种业务执行方法,所述方法应用于服务器,所述服务器部署有预先训练的第二模型,所述方法包括:
接收用户设备发送的密文,其中,所述密文是对所述用户设备获取到的业务数据对应的特征数据进行同态加密后得到的,所述业务数据对应的特征数据是所述用户设备将所述业务数据输入部署于所述用户设备的预先训练的第一模型,以通过所述第一模型对所述业务数据进行特征提取后得到的;
将所述密文输入所述第二模型中,以通过所述第二模型对所述密文进行处理,得到所述业务数据对应的处理结果,并根据所述处理结果执行业务。
可选地,所述方法还包括:
获取业务模型以及对所述业务模型进行训练的训练数据,所述业务模型包含有与所述第一模型相同网络结构的第一网络层以及与所述第二模型相同网络结构的第二网络层;
将所述训练数据输入待训练的业务模型中,以通过所述第一网络层对所述训练数据进行特征提取,得到所述训练数据对应的特征数据;
将所述业务数据对应的特征数据进行同态加密,得到所述训练数据对应的密文;
将所述训练数据对应的密文输入所述第二网络层中,以通过所述第二网络层对所述训练数据对应的密文进行处理,得到所述训练数据对应的处理结果;
以所述训练数据对应的处理结果与真实处理结果之间的差异最小化为训练目标,对所述业务模型进行训练。
可选地,所述方法还包括:
在训练完所述业务模型后,对训练后的业务模型进行拆分,得到训练后的第一网络层以及训练后的第二网络层;
根据所述训练后的第一网络层,在所述用户设备上部署第一模型;根据所述训练后的第二网络层,在所述服务器上部署所述第二模型。
本说明书提供的一种业务执行装置,包括:
获取模块,用于获取业务数据;
特征提取模块,用于将所述业务数据输入第一模型,以通过所述第一模型对所述业务数据进行特征提取,得到所述业务数据对应的特征数据;
加密模块,用于对所述业务数据对应的特征数据进行同态加密,得到所述业务数据对应的密文;
业务执行模块,用于将所述密文发送给服务器,以使所述服务器接收用户设备发送的密文,将所述密文输入到部署在所述服务器上的预先训练的第二模型中,以通过所述第二模型对所述密文进行处理,得到所述业务数据对应的处理结果,并根据所述处理结果执行业务。
本说明书提供的一种业务执行装置,包括:
接收模块,用于接收用户设备发送的密文,其中,所述密文是对所述用户设备获取到的业务数据对应的特征数据进行同态加密后得到的,所述业务数据对应的特征数据是所述用户设备将所述业务数据输入部署于所述用户设备的预先训练的第一模型,以通过所述第一模型对所述业务数据进行特征提取后得到的;
业务执行模块,用于将所述密文输入第二模型中,以通过所述第二模型对所述密文进行处理,得到所述业务数据对应的处理结果,并根据所述处理结果执行业务。
可选地,所述装置还包括:训练模块;
所述训练模块,用于获取业务模型以及对所述业务模型进行训练的训练数据,所述业务模型包含有与所述第一模型相同网络结构的第一网络层以及与所述第二模型相同网络结构的第二网络层;将所述训练数据输入待训练的业务模型中,以通过所述第一网络层对所述训练数据进行特征提取,得到所述训练数据对应的特征数据;将所述业务数据对应的特征数据进行同态加密,得到所述训练数据对应的密文;将所述训练数据对应的密文输入所述第二网络层中,以通过所述第二网络层对所述训练数据对应的密文进行处理,得到所述训练数据对应的处理结果;以所述训练数据对应的处理结果与真实处理结果之间的差异最小化为训练目标,对所述业务模型进行训练。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的业务执行方法。
本说明书提供的一种电子设备,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,所述处理器执行所述程序时实现上述的业务执行方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例中用户设备部署有业务模型中的第一模型,服务器部署有业务模型中的第二模型。用户设备通过第一模型对获取到的业务数据进行特征提取,得到特征数据,并对特征数据进行同态加密,得到密文,并将密文发送给服务器,服务器将接收到的密文输入第二模型中对密文进行处理,得到处理结果,并根据处理结果执行业务。在此过程中,业务数据并未直接发送给服务器,而是将业务数据的密文发送给服务器,从而可以避免业务数据泄露,以解决业务执行的安全问题。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的部署业务模型的示意图;
图2为本说明书实施例提供的一种业务执行方法示意图;
图3为本说明书实施例提供的另一种业务执行方法示意图;
图4为本说明书实施例提供的一种业务执行装置结构示意图;
图5为本说明书实施例提供的另一种业务执行装置结构示意图;
图6为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
在本说明书实施例中,本说明书实施例提供一种业务模型,该业务模型是由第一网络层和第二网络层构成的。第一网络层用于提取业务数据的特征,第二网络层用于对业务数据提取出的特征进行处理。
其中,第一网络层可以包括:神经网络层,比如:卷积神经网络层。其中,卷积神经网络模型可以包括:VGG16、VGG19等。第二网络层可以是由同态加密算法构成的回归网络层,其中,同态加密可以包括:加法同态加密和乘法同态加密。
本说明书中,由于同态加密的特性是:对同一数据的密文进行特定运算的计算结果与同一数据的明文进行特定运算的计算结果相同。也就是,在对业务数据的特征进行同态加密后,第二网络层可以对加密后的特征进行处理,使得对加密后的特征进行处理后得到的处理结果与对未加密的特征进行处理后得到的处理结果一致。
另外,该业务模型可以根据实际的业务需求,确定该业务模型的功能。比如:针对图像识别业务,该业务模型可以用于识别或检测图像,输入该业务模型的业务数据可以是图像。针对自然语言处理业务,该业务模型可以用于处理自然语言,输入该业务模型的业务数据可以是文本。
在使用业务模型之前,可以先对业务模型进行训练。
具体的,服务器可以先获取待训练的业务模型和对业务模型进行训练的训练数据。其中,训练数据可以指开源的数据,比如:图像、文字、音频等任意一种类型的数据。然后,将训练数据输入待训练的业务模型中的第一网络层,以通过第一网络层对训练数据进行特征提取,得到训练数据对应的特征数据。其中,特征数据可以指特征向量。之后,将业务数据对应的特征数据进行同态加密,得到训练数据对应的密文,并将训练数据对应的密文输入第二网络层中,以通过第二网络层对训练数据对应的密文进行处理,输出训练数据对应的处理结果。最后,以训练数据对应的处理结果与训练数据对应的真实处理结果之间的差异最小化为训练目标,对业务模型进行训练。
在对业务模型训练之后,还可以获取评估数据,将评估数据输入业务模型中,对训练后的业务模型进行评估。若评估出训练后的业务模型数据处理的准确率小于预设阈值,则继续对业务模型进行训练。
在对业务模型进行训练的过程中,由于提取特征的第一网络层是传统的神经网络,导致本说明书的业务模型的训练效率比较高。
在对业务模型训练完成之后,为了防止用户的业务数据泄露,可以将特征提取的第一网络层部署在用户端,将对数据处理的第二网络层部署在服务器端。这样,用户可以在本地将业务数据进行特征提取,并将提取出的特征进行同态加密,然后,将同态加密后的特征发送给云端的云服务器。
具体的,可以将训练完成的业务模型进行拆分,得到训练后的第一网络层和训练后的第二网络层。然后,根据训练后的第一网络层,在用户设备上部署第一模型。其中,训练后的第一网络层与第一模型的网络结构相同且网络参数相同。同时,根据训练后的第二网络层,在服务器上部署第二模型。其中,训练后的第二网络层与第二模型的网络结构相同且网络参数相同。
另外,用户设备可以指用户侧的设备,比如:手机、笔记本电脑等,服务器可以包括:云服务器等。
基于上述说明,本说明书实施例提供部署业务模型的示意图,如图1所示。
在图1中,用户设备上的第一模型对输入的业务数据进行特征提取,得到特征数据。然后,用户设备对特征数据进行同态加密,得到密文,并将密文发送给服务器。服务器将接收到的密文输入第二模型中输出处理结果。
在用户设备上部署第一模型,在服务器上部署第二模型之后,接下来,分别基于用户端和服务器端,对业务的执行进行说明。
针对用户设备:
本说明书实施例中提供一种业务执行方法的示意图,如图2所示。这种业务执行方法应用于用户设备,该业务执行方法可以包括:
S200:获取业务数据。
S202:将所述业务数据输入所述第一模型,以通过所述第一模型对所述业务数据进行特征提取,得到所述业务数据对应的特征数据。
S204:对所述业务数据对应的特征数据进行同态加密,得到所述业务数据对应的密文。
S206:将所述密文发送给服务器,以使所述服务器接收所述用户设备发送的密文,将所述密文输入到部署在所述服务器上的预先训练的第二模型中,以通过所述第二模型对所述密文进行处理,得到所述业务数据对应的处理结果,并根据所述处理结果执行业务。
在本说明书实施例中,用户设备部署有第一模型,服务器部署有第二模型。其中,第一模型可以是神经网络模型,第二模型可以是基于同态加密构建的回归模型。
用户设备可以获取执行业务的业务数据,比如:图像、文字等。其中,图像可以包括:人脸图像、健康码、身份证图像、病例等隐私图像。然后,将获取到的业务数据输入第一模型中,以通过第一模型对业务数据进行特征提取,得到业务数据对应的特征数据。其中,特征数据可以指特征向量。为了防止业务数据被泄露,对业务数据对应的特征数据进行同态加密,得到业务数据对应的密文。最后,将业务数据对应的密文发送给服务器。
服务器接收用户设备发送的密文,然后,将业务数据对应的密文输入第二模型中,以通过第二模型对业务数据对应的密文进行处理,得到业务数据对应的处理结果。最后,可以直接根据业务数据对应的处理结果执行业务,无需对处理结果进行解密。
其中,第二模型对业务数据对应的密文进行处理的方法可以包括:加法同态加密和乘法同态加密。
以识别图像的业务为例,业务数据是指隐私图像。用户设备将获取到的隐私图像输入第一模型中,以通过第一模型对隐私图像进行特征提取,得到隐私图像对应的特征数据。然后,对隐私图像对应的特征数据进行同态加密,得到隐私图像对应的密文。最后,将隐私图像对应的密文发送给服务器。服务器接收用户设备发送的密文,然后,将隐私图像对应的密文输入第二模型中,以通过第二模型根据隐私图像对应的密文,对隐私图像进行识别,得到隐私图像对应的识别结果。然后,根据隐私图像对应的识别结果执行业务。
基于上述第一模型和第二模型执行业务的过程,本说明书实施例中提供另一种业务执行方法的示意图,如图3所示。这种业务执行方法应用于服务器,业务执行方法可以包括:
S300:接收用户设备发送的密文,其中,所述密文是对所述用户设备获取到的业务数据对应的特征数据进行同态加密后得到的,所述业务数据对应的特征数据是所述用户设备将所述业务数据输入所述业务模型中的第一模型,以通过所述第一模型对所述业务数据进行特征提取后得到的。
S302:将所述密文输入所述第二模型中,以通过所述第二模型对所述密文进行处理,得到所述业务数据对应的处理结果,并根据所述处理结果执行业务。
在本说明实施例中,用户设备可以获取执行业务的业务数据,然后,将业务数据输入第一模型,以通过第一模型对业务数据进行特征提取,得到业务数据对应的特征数据。对业务数据对应的特征数据进行同态加密,得到业务数据对应的密文。之后,将业务数据对应的密文发送给部署有第二模型的服务器。
服务器接收用户设备发送的密文,将业务数据对应的密文输入第二模型中,以通过第二模型对业务数据对应的密文进行处理,得到业务数据对应的处理结果。最后,可以直接根据业务数据对应的处理结果执行业务。
另外,服务器对业务模型进行训练。
具体的,获取业务模型以及对业务模型进行训练的训练数据,业务模型包含有与第一模型相同网络结构的第一网络层以及与第二模型相同网络结构的第二网络层。然后,将训练数据输入待训练的业务模型中,以通过第一网络层对训练数据进行特征提取,得到训练数据对应的特征数据。将业务数据对应的特征数据进行同态加密,得到训练数据对应的密文。将训练数据对应的密文输入第二网络层中,以通过第二网络层对所述训练数据对应的密文进行处理,得到训练数据对应的处理结果。最后,以训练数据对应的处理结果与真实处理结果之间的差异最小化为训练目标,对业务模型进行训练。
通过上述图2、3所示的方法可见,本说明书中用户设备部署有业务模型中的第一模型,服务器部署有业务模型中的第二模型。用户设备通过第一模型对获取到的业务数据进行特征提取,得到特征数据,并对特征数据进行同态加密,得到密文,并将密文发送给服务器,服务器将接收到的密文输入第二模型中对密文进行处理,得到处理结果,并根据处理结果执行业务。在此过程中,业务数据并未直接发送给服务器,而是将业务数据的密文发送给服务器,从而可以避免业务数据泄露,以解决业务执行的安全问题。另外,业务模型是由神经网络模型和通过同态加密构建的回归模型构成。神经网络模型部署在用户端,回归模型部署在云端。在对业务数据进行特征提取时采用传统的神经网络,可以快速准确地提取出业务数据的特征,从而提高业务模型处理业务数据的效率和准确率。
以上为本说明书实施例提供的业务执行方法,基于同样的思路,本说明书还提供了相应的装置、存储介质和电子设备。
图4为本说明书实施例提供的一种业务执行装置的结构示意图,所述装置包括:
获取模块401,用于获取业务数据;
特征提取模块402,用于将所述业务数据输入所述第一模型,以通过所述第一模型对所述业务数据进行特征提取,得到所述业务数据对应的特征数据;
加密模块403,用于对所述业务数据对应的特征数据进行同态加密,得到所述业务数据对应的密文;
业务执行模块404,用于将所述密文发送给服务器,以使所述服务器接收所述用户设备发送的密文,将所述密文输入到部署在所述服务器上的预先训练的第二模型中,以通过所述第二模型对所述密文进行处理,得到所述业务数据对应的处理结果,并根据所述处理结果执行业务。
可选地,所述第一模型包括:神经网络模型,所述第二模型包括:回归模型。
图5为本说明书实施例提供的另一种业务执行装置的结构示意图,所述装置包括:
接收模块501,用于接收用户设备发送的密文,其中,所述密文是对所述用户设备获取到的业务数据对应的特征数据进行同态加密后得到的,所述业务数据对应的特征数据是所述用户设备将所述业务数据输入部署于所述用户设备的预先训练的第一模型,以通过所述第一模型对所述业务数据进行特征提取后得到的;
业务执行模块502,用于将所述密文输入所述第二模型中,以通过所述第二模型对所述密文进行处理,得到所述业务数据对应的处理结果,并根据所述处理结果执行业务。
可选地,所述装置还包括:训练模块503、部署模块504;
训练模块503,用于获取业务模型以及对所述业务模型进行训练的训练数据,所述业务模型包含有与所述第一模型相同网络结构的第一网络层以及与所述第二模型相同网络结构的第二网络层;将所述训练数据输入待训练的业务模型中,以通过所述第一网络层对所述训练数据进行特征提取,得到所述训练数据对应的特征数据;将所述业务数据对应的特征数据进行同态加密,得到所述训练数据对应的密文;将所述训练数据对应的密文输入所述第二网络层中,以通过所述第二网络层对所述训练数据对应的密文进行处理,得到所述训练数据对应的处理结果;以所述训练数据对应的处理结果与真实处理结果之间的差异最小化为训练目标,对所述业务模型进行训练。
部署模块504,用于在训练完所述业务模型后,对训练后的业务模型进行拆分,得到训练后的第一网络层以及训练后的第二网络层;根据所述训练后的第一网络层,在所述用户设备上部署第一模型;根据所述训练后的第二网络层,在所述服务器上部署所述第二模型。
本说明书还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可用于执行上述图2、3提供的业务执行方法。
基于图2、3所示的业务执行方法,本说明书实施例还提供了图6所示的无人设备的结构示意图。如图6,在硬件层面,该无人设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图2、3所示的业务执行方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书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,本说明书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。
本说明书是参照根据本说明书实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书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,本说明书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。
本说明书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、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种业务执行方法,所述方法应用于用户设备,所述用户设备部署有预先训练的第一模型,所述方法包括:
获取业务数据;
将所述业务数据输入所述第一模型,以通过所述第一模型对所述业务数据进行特征提取,得到所述业务数据对应的特征数据;
对所述业务数据对应的特征数据进行同态加密,得到所述业务数据对应的密文;
将所述密文发送给服务器,以使所述服务器接收所述用户设备发送的密文,将所述密文输入到部署在所述服务器上的预先训练的第二模型中,以通过所述第二模型对所述密文进行处理,得到所述业务数据对应的处理结果,并根据所述处理结果执行业务。
2.如权利要求1所述的方法,所述第一模型包括:神经网络模型,所述第二模型包括:回归模型。
3.一种业务执行方法,所述方法应用于服务器,所述服务器部署有预先训练的第二模型,所述方法包括:
接收用户设备发送的密文,其中,所述密文是对所述用户设备获取到的业务数据对应的特征数据进行同态加密后得到的,所述业务数据对应的特征数据是所述用户设备将所述业务数据输入部署于所述用户设备的预先训练的第一模型,以通过所述第一模型对所述业务数据进行特征提取后得到的;
将所述密文输入所述第二模型中,以通过所述第二模型对所述密文进行处理,得到所述业务数据对应的处理结果,并根据所述处理结果执行业务。
4.如权利要求3所述的方法,所述方法还包括:
获取业务模型以及对所述业务模型进行训练的训练数据,所述业务模型包含有与所述第一模型相同网络结构的第一网络层以及与所述第二模型相同网络结构的第二网络层;
将所述训练数据输入待训练的业务模型中,以通过所述第一网络层对所述训练数据进行特征提取,得到所述训练数据对应的特征数据;
将所述业务数据对应的特征数据进行同态加密,得到所述训练数据对应的密文;
将所述训练数据对应的密文输入所述第二网络层中,以通过所述第二网络层对所述训练数据对应的密文进行处理,得到所述训练数据对应的处理结果;
以所述训练数据对应的处理结果与真实处理结果之间的差异最小化为训练目标,对所述业务模型进行训练。
5.如权利要求4所述的方法,所述方法还包括:
在训练完所述业务模型后,对训练后的业务模型进行拆分,得到训练后的第一网络层以及训练后的第二网络层;
根据所述训练后的第一网络层,在所述用户设备上部署第一模型;根据所述训练后的第二网络层,在所述服务器上部署所述第二模型。
6.一种业务执行装置,包括:
获取模块,用于获取业务数据;
特征提取模块,用于将所述业务数据输入第一模型,以通过所述第一模型对所述业务数据进行特征提取,得到所述业务数据对应的特征数据;
加密模块,用于对所述业务数据对应的特征数据进行同态加密,得到所述业务数据对应的密文;
业务执行模块,用于将所述密文发送给服务器,以使所述服务器接收用户设备发送的密文,将所述密文输入到部署在所述服务器上的预先训练的第二模型中,以通过所述第二模型对所述密文进行处理,得到所述业务数据对应的处理结果,并根据所述处理结果执行业务。
7.一种业务执行装置,包括:
接收模块,用于接收用户设备发送的密文,其中,所述密文是对所述用户设备获取到的业务数据对应的特征数据进行同态加密后得到的,所述业务数据对应的特征数据是所述用户设备将所述业务数据输入部署于所述用户设备的预先训练的第一模型,以通过所述第一模型对所述业务数据进行特征提取后得到的;
业务执行模块,用于将所述密文输入第二模型中,以通过所述第二模型对所述密文进行处理,得到所述业务数据对应的处理结果,并根据所述处理结果执行业务。
8.如权利要求7所述的装置,所述装置还包括:训练模块;
所述训练模块,用于获取业务模型以及对所述业务模型进行训练的训练数据,所述业务模型包含有与所述第一模型相同网络结构的第一网络层以及与所述第二模型相同网络结构的第二网络层;将所述训练数据输入待训练的业务模型中,以通过所述第一网络层对所述训练数据进行特征提取,得到所述训练数据对应的特征数据;将所述业务数据对应的特征数据进行同态加密,得到所述训练数据对应的密文;将所述训练数据对应的密文输入所述第二网络层中,以通过所述第二网络层对所述训练数据对应的密文进行处理,得到所述训练数据对应的处理结果;以所述训练数据对应的处理结果与真实处理结果之间的差异最小化为训练目标,对所述业务模型进行训练。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-5任一项所述的方法。
10.一种电子设备,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,所述处理器执行所述程序时实现上述权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211105450.8A CN115618375A (zh) | 2022-09-09 | 2022-09-09 | 一种业务执行方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211105450.8A CN115618375A (zh) | 2022-09-09 | 2022-09-09 | 一种业务执行方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115618375A true CN115618375A (zh) | 2023-01-17 |
Family
ID=84858747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211105450.8A Pending CN115618375A (zh) | 2022-09-09 | 2022-09-09 | 一种业务执行方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618375A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828171A (zh) * | 2023-02-13 | 2023-03-21 | 支付宝(杭州)信息技术有限公司 | 一种端云协同执行业务的方法、装置、介质及设备 |
-
2022
- 2022-09-09 CN CN202211105450.8A patent/CN115618375A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828171A (zh) * | 2023-02-13 | 2023-03-21 | 支付宝(杭州)信息技术有限公司 | 一种端云协同执行业务的方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110457912B (zh) | 数据处理方法、装置和电子设备 | |
CN111401272B (zh) | 一种人脸特征提取方法、装置及设备 | |
CN111401273B (zh) | 一种用于隐私保护的用户特征提取系统及设备 | |
CN112200796B (zh) | 一种基于隐私保护的图像处理方法、装置及设备 | |
CN109214193B (zh) | 数据加密、机器学习模型训练方法、装置以及电子设备 | |
CN115359219A (zh) | 虚拟世界的虚拟形象处理方法及装置 | |
CN116011587A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN115618375A (zh) | 一种业务执行方法、装置、存储介质及电子设备 | |
CN112101954A (zh) | 基于隐私数据、基于设备信息的跨境业务处理方法和装置 | |
CN114817984A (zh) | 数据处理方法、装置、系统及设备 | |
CN112837202B (zh) | 基于隐私保护的水印图像的生成、攻击溯源方法及装置 | |
CN113221717A (zh) | 一种基于隐私保护的模型构建方法、装置及设备 | |
CN116629381A (zh) | 一种联邦迁移学习方法、装置、存储介质及电子设备 | |
CN112819156A (zh) | 一种数据处理方法、装置及设备 | |
CN109560927B (zh) | 一种设备指纹实现方法及装置 | |
CN114638998A (zh) | 模型更新方法、装置、系统及设备 | |
CN115600090A (zh) | 一种模型的所有权验证方法、装置、存储介质及电子设备 | |
CN113343295B (zh) | 基于隐私保护的图像处理方法、装置、设备和存储介质 | |
CN113452503B (zh) | 一种基于区块链的私钥找回方法、设备及介质 | |
CN115358777A (zh) | 虚拟世界的广告投放处理方法及装置 | |
CN111324778B (zh) | 数据、业务处理方法、装置及电子设备 | |
CN111652074B (zh) | 一种人脸识别方法、装置、设备及介质 | |
CN113849837A (zh) | 一种安全模型的训练方法、装置、设备以及数据处理方法 | |
CN113946260A (zh) | 数据处理方法、装置及设备 | |
WO2024139312A1 (zh) | 一种模型训练方法、装置、存储介质及电子设备 |
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 |