CN115828171B - 一种端云协同执行业务的方法、装置、介质及设备 - Google Patents

Abstract

本说明书公开了一种端云协同执行业务的方法、装置、介质及设备，响应于用户操作，确定业务请求，并根据业务请求获取用户数据，确定用户数据中的敏感数据以及非敏感数据。对敏感数据进行特征提取，确定第一特征，将非敏感数据发送到服务器，使服务器对非敏感数据进行特征提取，确定第二特征，接收服务器返回的第二特征。将第一特征与第二特征输入输出层，确定输出结果。对输出结果进行加噪，确定业务请求的加噪输出结果，并将加噪输出结果发送给服务器，使服务器根据加噪输出结果执行业务。使得即使攻击者获取到业务模型以及输出结果，也不能反推出各输出结果对应的用户数据，实现了对用户隐私数据的保护。

Description

一种端云协同执行业务的方法、装置、介质及设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种端云协同执行业务的方法、装置、介质及设备。

背景技术

随着科技的发展，隐私数据日益受到大众的重视，各地区出台相关法律以对用户的隐私数据进行保护，各行业也有相关规定以对用户的隐私数据进行保护。

目前，随着机器学习的发展，通过模型执行业务已经逐渐成为常态。例如，服务提供方将用户数据输入模型，根据模型输出结果执行业务。或者，将业务数据输入模型，进行风险控制等等。但是，由于通常模型需要输入的是用户执行业务时的业务数据，因此使用模型执行业务时涉及到用户隐私数据安全的问题。如何在给用户提供高质量服务的同时做到对用户隐私数据的保护是难点问题。

基于此，本申请说明书提供了一种端云协同执行业务的方法。

发明内容

本说明书提供一种端云协同执行业务的方法及装置、存储介质及设备，以至少部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种端云协同执行业务的方法，所述方法应用于终端，所述终端中部署有业务模型的第一特征提取层以及输出层，服务器中部署有所述业务模型的第二特征提取层，所述方法包括：

响应于用户操作，确定业务请求；

根据所述业务请求，获取用户数据，并确定所述用户数据中的敏感数据以及非敏感数据；

将所述敏感数据输入所述第一特征提取层，确定所述敏感数据的特征，作为第一特征，以及将所述非敏感数据发送至所述服务器，使所述服务器根据所述第二特征提取层，确定所述非敏感数据的特征，作为第二特征；

接收所述服务器返回的所述第二特征；

将所述第一特征与所述第二特征作为输入，输入所述输出层，确定输出结果；

对所述输出结果添加噪声，确定所述业务请求的加噪输出结果，并将所述加噪输出结果发送至所述服务器，使所述服务器根据所述加噪输出结果执行业务。

本说明书提供了一种端云协同执行业务的装置，包括：

请求确定模块，用于响应于用户操作，确定业务请求；

数据获取模块，用于根据所述业务请求，获取用户数据，并确定所述用户数据中的敏感数据以及非敏感数据；

特征提取模块，用于将所述敏感数据输入所述第一特征提取层，确定所述敏感数据的特征，作为第一特征；以及将所述非敏感数据发送至所述服务器，使所述服务器根据所述第二特征提取层，确定所述非敏感数据的特征，作为第二特征；

特征接收模块，用于接收所述服务器返回的所述第二特征；

结果输出模块，用于将所述第一特征与所述第二特征作为输入，输入所述输出层，确定输出结果；

结果加噪模块，用于对所述输出结果添加噪声，确定所述业务请求的加噪输出结果，并将所述加噪输出结果发送至所述服务器，使所述服务器根据所述加噪输出结果执行业务。

本说明书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实现上述端云协同执行业务的方法。

本说明书提供了一种电子设备，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端云协同执行业务的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的端云协同执行业务的方法中，首先，终端可响应于用户的操作，确定业务请求，并根据业务请求，获取用户数据，进而确定用户数据中的敏感数据以及非敏感数据。其次，对敏感数据进行特征提取，确定第一特征，以及将非敏感数据发送到服务器，使服务器对非敏感数据进行特征提取，确定第二特征，并接收服务器返回的第二特征。然后，将第一特征与第二特征作为输入，输入输出层，确定输出结果。最后，对输出结果添加噪声，确定业务请求的加噪输出结果，并将加噪输出结果发送给服务器，使服务器根据加噪输出结果执行业务。

从上述方法中可以看出，通过对用户数据进行特征拆分，使得敏感数据留在终端中，非敏感数据上传至服务器，并且，在终端中对敏感数据进行特征提取，在服务器中对非敏感数据进行特征提取，在兼顾终端中的业务模型(端模型)的实时性和服务器中的业务模型(云模型)的泛化性的同时保护了用户隐私数据。并且，通过对模型输出结果进行加噪，即使攻击者获取到业务模型以及推理结果，也不能反推出各推理结果对应的用户数据，更大力度地实现了对用户隐私数据的保护。

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为本说明书中一种端云协同执行业务的方法的流程示意图；

图2为本说明书提供的端云协同执行业务的模型结构示意图；

图3为本说明书提供的端云协同执行业务的模型结构示意图；

图4为本说明书提供的基于差分隐私的端云协同执行业务的模型结构示意图；

图5为本说明书提供的一种端云协同执行业务的装置示意图；

图6为本说明书提供的对应于图1的电子设备示意图。

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申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，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，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本说明书提供的一种端云协同执行业务的方法的流程示意图，所述方法应用于终端，所述终端中部署有业务模型的第一特征提取层以及输出层，服务器中部署有所述业务模型的第二特征提取层，具体可包括以下步骤：

S100：响应于用户操作，确定业务请求。

S102：根据所述业务请求，获取用户数据，并确定所述用户数据中的敏感数据以及非敏感数据。

目前，端模型与云模型协同执行业务的方式极为广泛，但是，将用户数据输入端、云模型得到输出结果，以根据输出结果执行业务的过程中，涉及到大量的用户隐私数据。因此在使用模型执行业务时必然要考虑用户隐私数据安全的问题。基于此，在本说明书一个或多个实施例提供的端云协同执行业务的方法中，可以实现对用户隐私数据的保护。

具体的，首先，终端可响应于用户操作，确定业务请求，并根据业务请求，获取用户数据。其中，该业务请求为该终端根据用户操作确定的。例如，当用户执行搜索业务时，用户可输入搜索关键词，并点击用户图形界面中的搜索按键，则该终端可响应于用户点击该搜索案件，确定搜索业务请求。并根据预设的业务逻辑，获取终端中存储的该用户的用户数据以及该搜索关键词，以便后续步骤执行该搜索业务。在本说明书一个或多个实施例中，该终端可响应于该业务请求，确定执行该业务请求对应的业务需要获取的数据，即，本说明书中所述的用户数据。该用户数据是指在该终端中存储的与发起业务请求的用户相关的数据，可包含用户的敏感数据以及非敏感数据。

然后，由于本说明书提供的是端云协同执行业务的方法，利用终端和服务器共同执行业务，以保护用户的敏感数据不出终端对应的“域”，同时利用服务器更强的算力，提高业务执行的效率。因此，该终端还可确定用户数据中的敏感数据以及非敏感数据。以便后续步骤对敏感数据和非敏感数据执行不同的操作。

此外，终端可以根据预先设置的方法确定用户数据中敏感数据以及非敏感数据。具体的，相关技术人员可按照不同的业务类型，预先设置不同的敏感数据确定方法至业务模型中，进而可使部署在终端中的业务模型对用户数据中的敏感数据进行判定。敏感数据的确定方法可以结合不同的业务类型，对用户数据进行评估与定级以确定敏感数据，也可以设置敏感字段以确定敏感数据等等，具体方法本说明书不做限制，目前有很多关于敏感数据确定的技术以及准则，本说明书不再赘述。

S104：将所述敏感数据输入所述第一特征提取层，确定所述敏感数据的特征，作为第一特征；以及，将所述非敏感数据发送至所述服务器，使所述服务器根据所述第二特征提取层，确定所述非敏感数据的特征，作为第二特征。

S106：接收所述服务器返回的所述第二特征。

在本说明书一个或多个实施例中，通过步骤S100与S102确定用户数据中的敏感数据以及非敏感数据后，还可对敏感数据以及非敏感数据进行特征提取，以通过后续步骤将敏感数据以及非敏感数据对应的特征输入到输出层。

由于部署在终端的业务模型实时性比较强，因此对于用户数据中的敏感数据可以使用终端中的业务模型进行提取，既保证了敏感数据不出“域”，又使用了端模型实时性强的特点。同样的，部署在服务器中的业务模型的泛化性比较强，对非敏感数据进行特征提取可以使用服务器中的业务模型，以兼顾服务器中的业务模型的泛化性。

具体的，终端可通过部署在其中的业务模型的第一特征提取层，对敏感数据进行特征提取，得到第一特征。并且终端可将非敏感数据发送至服务器，使部署在服务器中的业务模型的第二特征提取层对非敏感数据进行特征提取，得到第二特征。然后，终端接收服务器返回的第二特征。

通过在终端中对敏感数据进行特征提取，在服务器中对非敏感数据进行特征提取，使得敏感数据特征保留在本地，对用户的隐私数据进行了保护。

S108：将所述第一特征与所述第二特征作为输入，输入所述输出层，确定输出结果。

在本说明书的一个或多个实施例中，终端通过上述步骤S100~S106确定出敏感数据的特征以及非敏感数据的特征，即第一特征与第二特征。可将第一特征与第二特征作为输入，输入到输出层，并确定输出结果。

具体的，终端接收到服务器发送的非敏感数据的第二特征后，在终端内，可将保留在终端内的敏感数据的第一特征与接收到的非敏感数据的第二特征输入到终端内的输出层，并得到输出层的输出结果。假设业务模型为信息推荐模型时，其模型结构如图2所示，在图2中，业务模型被部署在终端和服务器中，当X用户在使用该业务产品输入搜索Y信息时，在终端中的业务模型可对X用户的用户数据中的敏感数据进行特征提取，得到第一特征，对于X用户输入的搜索Y的信息以及相关的信息等等，作为非敏感数据发送给服务器，使得服务器中的第一特征提取层可对X用户的非敏感数据进行特征提取，得到第二特征，并返回给终端。然后在终端中，将第一特征与第二特征输入到部署至终端的输出层，得到输出结果后发送给服务器，使得服务器根据输出结果执行业务，即展示X用户搜索的Y信息相关的内容。

进一步的，在本说明书的一个或多个实施例中，终端内的输出层至少包括融合子网、分类子网以及激活子网。在将第一特征与第二特征输入输出层，确定输出结果时，首先，可将第一特征与第二特征输入融合子网，确定第一特征与第二特征的融合特征。然后，将融合特征输入分类子网，确定预设的各业务分类分别对应的第一概率。最后，再将各业务分类对应的第一概率输入激活子网，确定各业务分类对应的第二概率，作为输出结果。

具体的，由于敏感数据的特征，即第一特征是通过部署在终端的业务模型提取的，非敏感数据的特征，即第二特征是通过服务器中的业务模型进行提取的，而第一特征与第二特征的总和才是用户数据通过该业务模型提取到的特征。因此，在终端上，在通过输出层获取用户数据的输出结果时，需要通过输出层中的融合子网，将第一特征与第二特征进行融合得到融合特征。进而，可将融合特征输入到输出层的分类子网中，该分类子网所输出的结果是对应于业务模型的各业务分类的概率，即第一概率。但是，该分类子网输出的结果对应各业务分类的概率在此处并不是归一化的，不利于后续步骤中对分类子网输出的结果对应各业务分类的概率使用差分隐私算法。因此，在本说明书的一个或多个实施例中，输出层可包括激活子网，该激活子网可对分类子网输出的各业务分类的第一概率进行归一化。其中，在该激活子网中，激活函数可使用softmax函数，也可以使用sigmod函数等，所使用的激活函数本说明书不做限制，具体使用什么激活函数结合具体情况而定。

上述模型结构如图3所示，在图3中可见，虚线框起来的部分是整个业务模型的结构，业务模型被部署在终端和服务器，在终端中，用户数据中的敏感数据经由第一特征提取层进行特征提取，用户数据中的非敏感数据被终端发送至服务器，并经由服务器中的第二特征提取层进行特征提取，然后服务器返回第二特征至终端中，与终端中的第一特征一起被输入至输出层。在图3中可见，输出层包含三个子网，对业务模型输出的各业务分类对应对的概率进行不同处理，得到最终的业务模型各业务分类对应的概率。例如，当业务模型为判断一个用户是否是作弊者时，当A用户使用该业务的产品时，在A用户终端中，该产品的业务模型可获取A用户的用户数据，并将A用户的用户数据中的敏感数据保留在A用户终端中，并进行特征提取，并且A用户终端可将A用户的用户数据中的非敏感数据发送至服务器，使部署在服务器中的该产品的业务模型提取非敏感数据的特征，A用户终端接收服务器发送的A用户的用户数据中的非敏感数据的特征。然后在A用户终端中，将敏感数据的特征和非敏感数据的特征输入融合子网，得到融合特征，将融合特征输出分类子网，得到“是”作弊者与“否”作弊者的两个业务分类对应的概率。再将“是”作弊者与“否”作弊者的两个业务分类对应的概率输入激活子网，通过激活函数sigmod得到归一化的“是”作弊者与“否”作弊者的两个业务分类对应的概率。

其中，针对业务模型的输出结果，一般是将各业务分类对应的概率最大的业务分类输出，但是也可以是各业务分类及其对应的概率。沿用上例，该业务模型判断A用户“是”作弊者的概率为0.8，“否”作弊者的概率为0.2，因此该业务模型输出的结果可以为“是”，即A用户“是”作弊者，终端将结果发送至服务器，使服务器根据该结果执行相关业务。该业务模型的输出也可以是“是 0.8”与“否 0.2”，即输出的是各业务分类及其对应的概率，然后终端将“是 0.8”、“否 0.2”发送至服务器，使服务器根据该结果执行相关业务。

S110：对所述输出结果添加噪声，确定所述业务请求的加噪输出结果，并将所述加噪输出结果发送至所述服务器，使所述服务器根据所述加噪输出结果执行业务。

在本说明书的一个或多个实施例中，终端通过上述步骤S100~S108确定出敏感数据的特征以及非敏感数据的特征，即第一特征与第二特征，并将第一特征与第二特征融合得到输出结果之后，终端还可对输出结果添加噪声，确定业务请求的加噪输出结果，并将加噪输出结果发送给服务器，使服务器根据加噪输出结果执行业务。

由于当攻击者获得业务模型及业务模型对应的输出结果时，可以通过反推模型参数并结合模型的输出结果实现对输入模型的用户数据的获取。因此，在本申请说明书的一个或多个实施例中，终端可对输出结果添加噪声，以实现对用户数据实现更深层次的保护，即便攻击者获取了模型并得到了模型的输出结果，也不能得到用户数据。

其中，本说明书提供的实施例中，加噪方式可有很多种。比如相关技术人员可以预设比例，使得终端中的模型输出结果时，可以按照所述比例随机的对输出结果进行加噪。也可以预设函数，使得终端中的模型的输出结果输入预设函数，按照预设函数的输出结果进行最终结果输出，等等。具体采用何种加噪方式，本说明书不做限制，可根据需要设置。

在本说明书一个或多个实施例中，该终端可以采用差分隐私算法对步骤S108确定的输出结果添加噪声。

具体的，终端得到各业务分类对应的第二概率后，针对每个业务分类对应的第二概率，可采用预设的差分隐私算法，确定该第二概率的加噪输出概率，然后根据确定出的各业务分类的加噪输出概率，确定最终分类结果，作为加噪输出结果。

此外，在本说明书的一个或多个实施例中，使用指数机制的差分隐私算法时，可根据预设的隐私预算，确定超参数，针对每个业务分类对应的第二概率，将该第二概率作为效用函数的函数输出结果。然后根据确定出的各函数输出结果，确定相差最大的两个函数输出结果的差值，作为隐私敏感度。再针对每个业务分类对应的第二概率，根据超参数、隐私敏感度以及效用函数的函数输出结果，确定该业务分类对应的第二概率的加噪输出概率。

其中，使用指数机制的差分隐私算法确定该业务分类对应的第二概率的加噪输出概率时，使用公式。上述公式中的e为自然常数，ε为超参数，Δu为所述隐私敏感度，由于各业务分类对应的第二概率是经过归一化的，因此，各业务分类对应的第二概率最大值为1，最小值为0，隐私敏感度是相差最大的两个函数输出结果的差值，即各业务分类对应的第二概率的最大差值，因此，隐私敏感度即Δu的值为1。u(x，r)为该业务分类对应的第二概率的函数输出结果，P为该业务分类对应的第二概率的加噪输出概率。

如图4所示，展示的是基于差分隐私的端云协同执行业务的模型结构示意图。在图4中可见，业务模型部署在终端和服务器，在终端中，用户数据中的敏感数据经由第一特征提取层进行特征提取，用户数据中的非敏感数据被终端发送至服务器，并经由服务器中的第二特征提取层进行特征提取，然后服务器返回第二特征至终端中，与终端中的第一特征一起被输入至输出层。输出层包含三个子网，对业务模型输出的各业务分类对应对的概率进行不同处理。然后，经由输出层输出的各业务分类对应的概率经由差分隐私算法进行处理，并根据差分隐私算法处理后的各业务分类对应的概率，得到加噪输出结果，进而可使服务器根据加噪输出结果执行业务。

继续沿用上例，假设通过输出层输出的、已经归一化的A用户“是”作弊者的概率为0.8，“否”作弊者的概率为0.2，业务模型输出的结果为“是”，即A用户是作弊者。但是，经过对业务模型的各业务分类对应的概率进行加噪，假设使用指数机制的差分隐私算法，那么业务模型输出“是”的概率为，输出“否”的概率为。假设ε为0.5，那么“是”对应的概率约为1.221，“否”的概率约为1.051。因此，在“是”与“否”两个业务分类中，输出“是”的概率为1.221/(1.221+1.051)，约为0.54，输出“否”的概率为1.051/(1.221+1.051)，约为0.46。因此，该业务模型有0.54的概率输出“是”，有0.46的概率输出“否”。在经过对业务分类“是”与“否”进行加噪，即使在攻击者获取业务模型，并拿到了该业务模型对于A用户的业务分类结果，也不能得到A用户的用户数据，因为攻击者并不知道该业务分类在加噪前的“真实”的业务分类，即攻击者并不知道该业务分类是否是正确的。并且，一般的，由于业务模型输出的是概率最大的(即模型判定的输入数据最接近的)业务分类，而采用上述指数机制的差分隐私算法可以保证概率最大的业务分类被输出的概率是最大的，因此，采用指数机制的差分隐私算法后，在整体上可以保证大部分输出的结果仍旧是和业务模型原本输出的结果是一致的。

需要说明的是，所使用的差分隐私算法不局限于指数机制的差分隐私算法，也可使用高斯机制的差分隐私算法、拉普拉斯机制的差分隐私算法对结果进行加噪，具体方法本说明书不做限制。但是，由于指数机制的差分隐私算法输出的结果是在经由效用函数打分后，以高概率输出分值大的(收益最高的)结果，低概率输出分值低的结果。也就是说，在上述例子中，使各业务分类对应的第二概率作为效用函数的函数输出结果后，模型“本应”输出的最接近的业务分类被输出的概率是最大的，而对于不是最大概率的其他各业务分类，其对应的业务分类被输出的概率与各业务分类对应的概率经由上述指数机制的差分隐私算法后得到的概率一致。所以，在该说明书的一个或多个实施例中，使用指数机制的差分隐私算法对用户数据的保护效果更好。此外，业务模型不局限于分类模型，也可以是评估模型、预测模型等等。

基于图1所示的端云协同执行业务的方法，首先，终端可响应于用户操作，确定业务请求，并根据业务请求获取用户数据，确定用户数据中的敏感数据以及非敏感数据，并对敏感数据进行特征提取，确定第一特征，以及将非敏感数据发送到服务器，使服务器对非敏感数据进行特征提取，确定第二特征，并接收服务器返回的第二特征。然后，将第一特征与第二特征进行特征融合，并得到归一化的输出结果。最后对输出结果添加噪声，确定业务请求的加噪输出结果，并将加噪输出结果发送给服务器，使服务器根据加噪输出结果执行业务。上述方法通过对用户数据进行特征拆分，使得敏感数据留在终端中，非敏感数据上传至服务器，并且，在终端中对敏感数据进行特征提取，在服务器中对非敏感数据进行特征提取，在兼顾端模型的实时性和云模型的泛化性的同时保护了用户隐私数据。并且，通过对模型输出结果进行加噪，即使攻击者获取到业务模型以及推理结果，也不能反推出各推理结果对应的用户数据，更大力度地实现了对用户隐私数据的保护。

此外，在本说明书的一个或多个实施例中，在对业务模型进行验证时，由于一般基于真实用户数据可以更好的验证，所以通过多个终端中的执行历史业务时的用户数据，和历史业务执行结果，确定验证样本和标注，以对业务模型进行验证。可见，对业务模型进行验证时，也可能涉及到用户敏感数据，所以验证过程也可采用与图1执行业务类似的过程，避免敏感数据的泄露。

具体的，首先，终端可根据历史业务数据，确定验证样本，以及根据历史业务数据的执行结果，确定验证样本的标注。其次，将验证样本中的敏感数据输入第一特征提取层，确定敏感数据的特征，作为第一特征，以及将验证样本中的非敏感数据发送至服务器，使服务器对非敏感数据进行特征提取，以接收服务器返回的非敏感数据的特征，即第二特征。然后，将第一特征与第二特征输入输出层，确定验证样本的输出结果。最后，对输出结果添加噪声，确定验证样本的加噪输出结果。并将验证样本的加噪输出结果和验证样本的标注，发送给服务器，使服务器根据接收到的验证样本的加噪输出结果和验证样本的标注，确定业务模型的准确率。其中，对业务模型进行验证时，参与验证的终端有多个，一个终端最多发送多少验证样本的加噪输出结果和对应的验证样本的标注，可根据隐私预算确定。

更进一步的，在将验证样本的加噪输出结果和验证样本的标注，发送给服务器以对业务模型进行验证时，还可针对每个参与验证该业务模型的终端，根据验证样本的加噪输出结果和验证样本的标注，确定验证样本的加噪输出结果和验证样本的标注相同的的验证样本数量，以及验证样本总数量。并将验证样本的加噪输出结果和验证样本的标注相同的的验证样本数量，和验证样本总数量，发送给服务器，使服务器根据各终端发送的验证样本的加噪输出结果和验证样本的标注相同的验证样本数量，以及验证样本总数量，确定业务模型的准确率。

通过对业务模型的验证，可以获取业务模型的准确率，以了解使用该业务模型执行该业务的效果，并确定是否使用该业务模型，或者了解该业务模型的准确率等是否符合企业要求等等，同时，在对业务模型进行验证的时候，对验证结果进行加噪，避免了作为验证样本的用户数据的泄露。

在本说明书的一个或多个实施例中，业务模型为风控模型，业务分类包括，业务正常以及业务异常。因此，在将加噪输出结果发送给服务器，使服务器根据加噪输出结果执行业务时，可将加噪输出结果发送给服务器，使当服务器确定加噪输出结果对应的业务分类为业务异常时，对业务请求对应的业务进行风险控制。

基于上述内容所述的端云协同执行业务的方法，本说明书实施例还对应的提供一种用于端云协同执行业务的装置示意图，如图5所示。

图5为本说明书实施例提供的一种端云协同执行业务的装置的示意图，所述装置包括：

请求确定模块500，用于响应于用户操作，确定业务请求；

数据获取模块502，用于根据所述业务请求，获取用户数据，并确定所述用户数据中的敏感数据以及非敏感数据；

特征提取模块504，用于将所述敏感数据输入所述第一特征提取层，确定所述敏感数据的特征，作为第一特征；以及，将所述非敏感数据发送至所述服务器，使所述服务器根据所述第二特征提取层，确定所述非敏感数据的特征，作为第二特征；

特征接收模块506，用于接收所述服务器返回的所述第二特征；

结果输出模块508，用于将所述第一特征与所述第二特征作为输入，输入所述输出层，确定输出结果；

结果加噪模块510，用于对所述输出结果添加噪声，确定所述业务请求的加噪输出结果，并将所述加噪输出结果发送至所述服务器，使所述服务器根据所述加噪输出结果执行业务。

可选地，所述输出层包括：融合子网、分类子网以及激活子网；

所述结果输出模块508，具体用于将所述第一特征与所述第二特征作为输入，输入所述融合子网，确定所述第一特征与所述第二特征的融合特征；将所述融合特征输入所述分类子网，确定预设的各业务分类分别对应的第一概率；将所述各业务分类对应的第一概率输入激活子网，确定所述各业务分类对应的第二概率，作为输出结果，其中，所述各业务分类对应的第二概率为归一化的。

可选地，所述结果加噪模块510，具体用于针对每个业务分类对应的第二概率，采用预设的差分隐私算法，确定该第二概率的加噪输出概率；根据确定出的各业务分类的加噪输出概率，确定最终分类结果，作为加噪输出结果；其中，所述差分隐私算法采用：指数机制、拉普拉斯机制或高斯机制中的一种。

可选地，所述结果加噪模块510，具体用于根据预设的隐私预算，确定超参数；针对每个业务分类对应的第二概率，将该第二概率作为效用函数的函数输出结果；根据确定出的各函数输出结果，确定相差最大的两个所述函数输出结果的差值，作为隐私敏感度；针对每个业务分类对应的第二概率，根据所述超参数、所述隐私敏感度以及所述效用函数的函数输出结果，确定该业务分类对应的第二概率的加噪输出概率。

可选地，所述装置还包括模型验证模块512，所述结果验证模块512具体用于根据历史业务数据，确定验证样本，以及根据所述历史业务数据的执行结果，确定所述验证样本的标注；将所述验证样本中的敏感数据输入所述第一特征提取层，确定所述敏感数据的特征，作为第一特征，以及将所述验证样本中的非敏感数据发送至所述服务器，接收所述服务器返回的所述第二特征，所述第二特征为所述服务器通过所述第二特征提取层确定的所述非敏感数据的特征；将所述第一特征与所述第二特征作为输入，输入所述输出层，确定所述验证样本的输出结果；对所述输出结果进行加噪，确定所述验证样本的加噪输出结果；将所述验证样本的加噪输出结果和所述验证样本的标注，发送至所述服务器，使所述服务器根据接收到的所述验证样本的加噪输出结果和所述验证样本的标注，确定所述业务模型的准确率。

可选地，所述终端有多个；

所述模型验证模块512还用于针对每个参与验证所述业务模型的终端，该终端根据验证样本的加噪输出结果和验证样本的标注，确定验证样本的加噪输出结果和验证样本的标注相同的验证样本数量，作为预测正确样本数量；将所述预测正确样本数量和验证样本总数量，发送给所述服务器，使所述服务器根据各终端发送的所述预测正确样本数量以及各终端发送的所述验证样本总数量，确定所述业务模型的准确率。

可选地，所述业务模型为风控模型，所述业务分类包括：业务正常以及业务异常；

所述结果加噪模块具体用于，将所述加噪输出结果发送至所述服务器，使当所述服务器确定所述加噪输出结果对应的业务分类为业务异常时，对所述业务请求对应的业务进行风险控制。

本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述内容所述的端云协同执行业务的方法。

基于上述内容所述的端云协同执行业务的方法，本说明书实施例还提出了图6所示的电子设备的示意结构图。如图6，在硬件层面，该电子设备包括处理器、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，以实现上述内容所述的端云协同执行业务的方法。

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：ARC 625D、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 (14)

1.一种端云协同执行业务的方法，所述方法应用于终端，所述终端中部署有业务模型的第一特征提取层以及输出层，所述输出层包括：融合子网、分类子网以及激活子网，服务器中部署有所述业务模型的第二特征提取层，所述方法包括：

响应于用户操作，确定业务请求；

根据所述业务请求，获取用户数据，并确定所述用户数据中的敏感数据以及非敏感数据；

将所述敏感数据输入所述第一特征提取层，确定所述敏感数据的特征，作为第一特征，以及将所述非敏感数据发送至所述服务器，使所述服务器根据所述第二特征提取层，确定所述非敏感数据的特征，作为第二特征；

接收所述服务器返回的所述第二特征；

将所述第一特征与所述第二特征作为输入，输入所述融合子网，确定所述第一特征与所述第二特征的融合特征；将所述融合特征输入所述分类子网，确定预设的各业务分类分别对应的第一概率；将所述各业务分类对应的第一概率输入激活子网，确定所述各业务分类对应的第二概率，作为输出结果，其中，所述各业务分类对应的第二概率为归一化的；

对所述输出结果添加噪声，确定所述业务请求的加噪输出结果，并将所述加噪输出结果发送至所述服务器，使所述服务器根据所述加噪输出结果执行业务。

2.如权利要求1所述的方法，对所述输出结果添加噪声，确定所述业务请求的加噪输出结果，具体包括：

针对每个业务分类对应的第二概率，采用预设的差分隐私算法，确定该第二概率的加噪输出概率；

根据确定出的各业务分类的加噪输出概率，确定最终分类结果，作为加噪输出结果；

其中，所述差分隐私算法采用：指数机制、拉普拉斯机制或高斯机制中的一种。

3.如权利要求2所述的方法，针对每个业务分类对应的第二概率，采用预设的差分隐私算法，确定该第二概率的加噪输出概率，具体包括：

根据预设的隐私预算，确定超参数；

针对每个业务分类对应的第二概率，将该第二概率作为效用函数的函数输出结果；

根据确定出的各函数输出结果，确定相差最大的两个所述函数输出结果的差值，作为隐私敏感度；

针对每个业务分类对应的第二概率，根据所述超参数、所述隐私敏感度以及所述效用函数的函数输出结果，确定该业务分类对应的第二概率的加噪输出概率。

4.如权利要求1所述的方法，采用下述方式验证所述业务模型，具体包括：

根据历史业务数据，确定验证样本，以及根据所述历史业务数据的执行结果，确定所述验证样本的标注；

将所述验证样本中的敏感数据数据输入所述第一特征提取层，确定所述敏感数据的特征，作为第一特征，以及将所述验证样本中的非敏感数据发送至所述服务器，接收所述服务器返回的所述第二特征，所述第二特征为所述服务器通过所述第二特征提取层确定的所述非敏感数据的特征；

将所述第一特征与所述第二特征作为输入，输入所述输出层，确定所述验证样本的输出结果；

对所述输出结果进行加噪，确定所述验证样本的加噪输出结果；

将所述验证样本的加噪输出结果和所述验证样本的标注，发送至所述服务器，使所述服务器根据接收到的所述验证样本的加噪输出结果和所述验证样本的标注，确定所述业务模型的准确率。

5.如权利要求4所述的方法，所述终端有多个，所述方法还包括：

针对每个参与验证所述业务模型的终端，该终端根据验证样本的加噪输出结果和验证样本的标注，确定验证样本的加噪输出结果和验证样本的标注相同的验证样本数量，作为预测正确样本数量；

将所述预测正确样本数量和验证样本总数量，发送给所述服务器，使所述服务器根据各终端发送的所述预测正确样本数量以及各终端发送的所述验证样本总数量，确定所述业务模型的准确率。

6.如权利要求1所述的方法，所述业务模型为风控模型，所述业务分类包括：业务正常以及业务异常；

将所述加噪输出结果发送至所述服务器，使所述服务器根据所述加噪输出结果执行业务，具体包括：

将所述加噪输出结果发送至所述服务器，使当所述服务器确定所述加噪输出结果对应的业务分类为业务异常时，对所述业务请求对应的业务进行风险控制。

7.一种端云协同执行业务的装置，所述装置应用于终端，所述终端中部署有业务模型的第一特征提取层以及输出层，所述输出层包括：融合子网、分类子网以及激活子网，服务器中部署有所述业务模型的第二特征提取层，所述装置具体包括：

请求确定模块，用于响应于用户操作，确定业务请求；

数据获取模块，用于根据所述业务请求，获取用户数据，并确定所述用户数据中的敏感数据以及非敏感数据；

特征提取模块，用于将所述敏感数据输入所述第一特征提取层，确定所述敏感数据的特征，作为第一特征；以及将所述非敏感数据发送至所述服务器，使所述服务器根据所述第二特征提取层，确定所述非敏感数据的特征，作为第二特征；

特征接收模块，用于接收所述服务器返回的所述第二特征；

结果输出模块，用于将所述第一特征与所述第二特征作为输入，输入所述融合子网，确定所述第一特征与所述第二特征的融合特征；将所述融合特征输入所述分类子网，确定预设的各业务分类分别对应的第一概率；将所述各业务分类对应的第一概率输入激活子网，确定所述各业务分类对应的第二概率，作为输出结果，其中，所述各业务分类对应的第二概率为归一化的；

结果加噪模块，用于对所述输出结果添加噪声，确定所述业务请求的加噪输出结果，并将所述加噪输出结果发送至所述服务器，使所述服务器根据所述加噪输出结果执行业务。

8.如权利要求7所述的装置，所述结果加噪模块具体用于，针对每个业务分类对应的第二概率，采用预设的差分隐私算法，确定该第二概率的加噪输出概率；根据确定出的各业务分类的加噪输出概率，确定最终分类结果，作为加噪输出结果，其中，所述差分隐私算法采用：指数机制、拉普拉斯机制或高斯机制中的一种。

9.如权利要求8所述的装置，所述结果差分模块具体用于，根据预设的隐私预算，确定超参数；针对每个业务分类对应的第二概率，将该第二概率作为效用函数的函数输出结果；根据确定出的各函数输出结果，确定相差最大的两个所述函数输出结果的差值，作为隐私敏感度；针对每个业务分类对应的第二概率，根据所述超参数、所述隐私敏感度以及所述效用函数的函数输出结果，确定该业务分类对应的第二概率的加噪输出概率。

10.如权利要求7所述的装置，所述装置还包括：

模型验证模块，用于根据历史业务数据，确定验证样本，以及根据所述历史业务数据的执行结果，确定所述验证样本的标注；将所述验证样本中的敏感数据数据输入所述第一特征提取层，确定所述敏感数据的特征，作为第一特征，以及将所述验证样本中的非敏感数据发送至所述服务器，接收所述服务器返回的所述第二特征，所述第二特征为所述服务器通过所述第二特征提取层确定的所述非敏感数据的特征；将所述第一特征与所述第二特征作为输入，输入所述输出层，确定所述验证样本的输出结果；对所述输出结果进行加噪，确定所述验证样本的加噪输出结果；将所述验证样本的加噪输出结果和所述验证样本的标注，发送至所述服务器，使所述服务器根据接收到的所述验证样本的加噪输出结果和所述验证样本的标注，确定所述业务模型的准确率。

11.如权利要求10所述的装置，所述终端有多个，所述模型验证模块还用于，针对每个参与验证所述业务模型的终端，该终端根据验证样本的加噪输出结果和验证样本的标注，确定验证样本的加噪输出结果和验证样本的标注相同的验证样本数量，作为预测正确样本数量；将所述预测正确样本数量和验证样本总数量，发送给所述服务器，使所述服务器根据各终端发送的所述预测正确样本数量以及各终端发送的所验证样本总数量，确定所述业务模型的准确率。

12.如权利要求7所述的装置，所述业务模型为风控模型，所述业务分类包括：业务正常以及业务异常；

所述结果差分模块具体用于，将所述加噪输出结果发送至所述服务器，使当所述服务器确定所述加噪输出结果对应的业务分类为业务异常时，对所述业务请求对应的业务进行风险控制。

13.一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1-6任一所述的方法。

14.一种电子设备，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1-6任一所述的方法。

Images