TWI720888B - 多方聯合訓練針對ＩｏＴ機具的風險評估模型的方法及裝置 - Google Patents

多方聯合訓練針對ＩｏＴ機具的風險評估模型的方法及裝置 Download PDF

Info

Publication number
TWI720888B
TWI720888B TW109115876A TW109115876A TWI720888B TW I720888 B TWI720888 B TW I720888B TW 109115876 A TW109115876 A TW 109115876A TW 109115876 A TW109115876 A TW 109115876A TW I720888 B TWI720888 B TW I720888B
Authority
TW
Taiwan
Prior art keywords
computing node
result
merchant
intermediate result
machine
Prior art date
Application number
TW109115876A
Other languages
English (en)
Other versions
TW202123123A (zh
Inventor
鄭霖
陸夢倩
傅欣藝
汲小溪
王維強
Original Assignee
大陸商支付寶（杭州）信息技術有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 大陸商支付寶（杭州）信息技術有限公司 filed Critical 大陸商支付寶（杭州）信息技術有限公司
Application granted granted Critical
Publication of TWI720888B publication Critical patent/TWI720888B/zh
Publication of TW202123123A publication Critical patent/TW202123123A/zh

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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
    • G06Q20/3823—Payment protocols; Details thereof insuring higher security of transaction combining multiple encryption tools for a transaction

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Computer Security & Cryptography (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本說明書實施例提供一種多方聯合訓練針對IoT機具的風險評估模型的方法，其中多方包括機具端計算節點、商家端計算節點和支付平臺計算節點，分別儲存多個機具的機具隱私資料、綁定多個機具的多個商家的商家隱私資料，以及與多個商家相關的支付隱私資料，並且各自維護風險評估模型中的部分參數。此外，支付平臺計算節點還儲存機具風險標籤。在該方法中，機具端計算節點和商家端計算節點基於各自儲存的隱私資料和維護的部分參數，確定出中間計算結果，支付平臺計算節點基於其儲存的隱私資料、維護的部分參數和標籤計算出中間計算結果。接著，三方基於安全多方計算MPC技術，提供各自計算出的中間計算結果，確定訓練損失，再各自調整維護的部分模型參數。

Description

多方聯合訓練針對ＩｏＴ機具的風險評估模型的方法及裝置
本說明書一個或多個實施例涉及資料安全技術領域，尤其涉及一種多方聯合訓練針對IoT機具的風險評估模型的方法及裝置。
IoT(Internet of Things，物聯網)機具是一種應用於商家收款的智慧終端，可以方便商家收款，同時可以帶給用戶方便、快捷的支付體驗。例如說，IoT機具可以支援人臉支付，使得用戶無需使用自己的行動終端(如智慧型手機或可穿戴設備等)進行付款，從而簡化支付流程。 然而，在便捷支付的背後，給風險控制也帶來了更多的挑戰。例如說，因為用戶無需利用行動終端即可完成支付操作，使得可用於風險控制的資料減少。又例如，出於安全監管合規等要求，對IoT機具中資料的安全性要求極高。 因此，迫切需要一種合理的方案，可以實現對IoT機具進行全面、準確地風險評估。
本說明書一個或多個實施例描述了一種多方聯合訓練針對IoT機具的風險評估模型的方法，可以在保障多方資料安全的同時，實現充分利用有效資料，訓練得到性能優良的風險評估模型，進而通過使用該風險評估模型，對IoT機具的進行全面、準確的風險評估。 根據第一態樣，提供一種多方聯合訓練針對IoT機具的風險評估模型的方法，其中多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存基於所述第一IoT機具的機具隱私資料而確定的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤；所述方法應用於所述第一計算節點。該方法包括： 基於所述機具特徵及所述第一計算節點維護的第一參數，確定第一中間結果；利用安全多方計算MPC技術，提供所述第一中間結果，用於結合所述第二計算節點基於所述商家隱私資料及其維護的第二參數確定的第二中間結果，所述第一支付平臺基於所述支付隱私資料及其維護的第三參數和所述風險標籤確定的第三中間結果，確定針對所述第一IoT機具的訓練損失；獲取所述訓練損失，並且，利用所述訓練損失調整所述第一參數。 在一個實施例中，在基於所述機具特徵及所述第一計算節點維護的第一參數和第一計算式，確定第一中間結果之前，所述方法還包括：獲取所述第一IoT機具中儲存的所述機具隱私資料，並且，對所述機具隱私資料進行累計處理或向量表徵處理，得到所述機具特徵；或，從所述第一IoT機具接收所述機具特徵，所述機具特徵由所述第一IoT機具對其自身儲存的所述機具隱私資料進行累計處理或向量表徵處理而得到。 在一個實施例中，所述機具隱私資料包括以下中的一種或多種：所述第一IoT機具的開機時間、關機時間和位置資訊，對所述第一IoT機具進行解除綁定、更換綁定產生的操作資料。 在一個實施例中，所述MPC技術包括同態加密技術，所述第一計算節點和第二計算節點中還儲存基於所述同態加密技術產生的第一公開金鑰，所述第一支付平臺中還儲存所述第一公開金鑰和對應的第一私密金鑰；其中利用安全多方計算MPC技術，提供所述第一中間結果，包括：利用所述第一公開金鑰對所述第一中間結果進行加密，得到第一加密結果；將所述第一加密結果發送至所述第二計算節點，以使所述第二計算節點對所述第一加密結果和其對第二中間結果加密得到的第二加密結果進行第一同態加操作，進而使所述第一支付平臺對所述第一同態加操作得到的第一操作結果和其對第三中間結果加密得到的第三加密結果進行第二同態加操作，並利用所述私密金鑰對所述第二同態加操作得到的第二操作結果進行解密，得到所述訓練損失；其中獲取所述訓練損失，包括：從所述第一支付平臺接收所述訓練損失。 根據第二態樣，提供另一種多方聯合訓練針對IoT機具的風險評估模型的方法，其中多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存與所述第一IoT機具相關的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤；所述方法應用於所述第二計算節點。該方法包括： 基於所述商家隱私資料及所述第二計算節點維護的第二參數，確定第二中間結果；利用安全多方計算MPC技術，提供所述第二中間結果，用於結合所述第一計算節點基於所述機具特徵及其維護的第一參數確定的第一中間結果，所述第一支付平臺基於所述支付隱私資料及其維護的第三參數和所述風險標籤確定的第三中間結果，確定針對所述第一IoT機具的訓練損失；獲取所述訓練損失，並且，利用所述訓練損失調整所述第二參數。 在一個實施例中，在基於所述商家隱私資料及所述第二計算節點維護的第二參數，確定第二中間結果之前，所述方法還包括：獲取所述第一商家中儲存的所述商家隱私資料。 在一個實施例中，所述第二計算節點為可信計算節點，在基於所述商家隱私資料及所述第二計算節點維護的第二參數，確定第二中間結果之前，所述方法還包括：產生第二公開金鑰和第二私密金鑰，並且，將所述第二公開金鑰發送至多個商家，所述多個商家中包括所述第一商家；從所述第一商家接收加密隱私資料，所述加密隱私資料由所述第一商家利用所述第二公開金鑰對所述商家隱私資料進行加密而得到；利用所述第二私密金鑰對所述加密隱私資料進行解密，得到所述商家隱私資料。 在一個實施例中，所述商家隱私資料包括所述第一商家在所述第一支付平臺以外的其他支付平臺中產生的交易資訊，具體包括以下中的一種或多種：交易金額、交易地點、交易時間、商品種類、風險事件。 在一個實施例中，所述MPC技術包括同態加密技術，所述第一計算節點和第二計算節點中還儲存基於所述同態加密技術產生的第一公開金鑰，所述第一支付平臺中還儲存所述第一公開金鑰和對應的第一私密金鑰；其中利用安全多方計算MPC技術，提供所述第二中間結果，包括：利用第一公開金鑰對所述第二中間結果進行加密，得到第二加密結果；從所述第一計算節點接收其利用所述第一公開金鑰對所述第一中間結果加密得到的第一加密結果；對所述第一加密結果和第二加密結果進行同態加操作，得到第一操作結果；將所述第一操作結果發送至所述第一支付平臺，以使所述第一支付平臺對所述第一操作結果和其對第三中間結果加密得到的第三加密結果進行第二同態加操作，並利用所述私密金鑰對所述第二同態加操作得到的第二操作結果進行解密，得到所述訓練損失；其中獲取所述訓練損失，包括：從所述第一支付平臺接收所述訓練損失。 根據第三態樣，提供又一種多方聯合訓練針對IoT機具的風險評估模型的方法，其中多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存基於所述第一IoT機具的機具隱私資料而確定的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤；所述方法應用於所述第一支付平臺。該方法包括： 基於所述支付隱私資料及所述第一支付平臺維護的第三參數和所述風險標籤，確定第三中間結果；利用安全多方計算MPC技術，提供所述第三中間結果，用於結合所述第一計算節點基於所述機具特徵及其維護的第一參數確定的第一中間結果，所述第二計算節點基於所述商家隱私資料及其維護的第二參數確定的第二中間結果，確定針對所述第一IoT機具的訓練損失；獲取所述訓練損失，並且，利用所述訓練損失調整所述第三參數。 在一個實施例中，所述支付隱私特徵包括所述第一商家與所述第一支付平臺的簽約資訊，在所述第一支付平臺中產生的交易資訊，具體包括以下中的一種或多種：交易用戶的用戶資訊、交易金額、交易地點、交易時間、商品種類、風險事件。 在一個實施例中，所述MPC技術包括同態加密技術，所述第一計算節點和第二計算節點中還儲存基於所述同態加密技術產生的第一公開金鑰，所述第一支付平臺中還儲存所述第一公開金鑰和對應的第一私密金鑰；其中利用安全多方計算MPC技術，提供所述第三中間結果，包括：從所述第二計算節點接收第一操作結果，所述第一操作結果通過對第二加密結果和從第一計算節點接收的第一加密結果進行第一同態加操作而得到，所述第二加密結果是利用所述第一公開金鑰對所述第二中間結果進行加密而得到，所述第一加密結果是利用所述第一公開金鑰對所述第一中間結果進行加密而得到；利用所述第一公開金鑰對所述第三中間結果進行加密，得到第三加密結果；對所述第一操作結果和所述第三加密結果進行第二同態加操作，得到第二操作結果；其中獲取所述訓練損失，包括：利用所述私密金鑰對所述第二操作結果進行解密，得到所述訓練損失。 根據第四態樣，提供一種多方聯合訓練針對IoT機具的風險評估模型的裝置，其中多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存基於所述第一IoT機具的機具隱私資料而確定的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤。所述裝置整合於所述第一計算節點，所述裝置包括： 中間結果確定單元，配置為基於所述機具特徵及第一計算節點維護的第一參數，確定第一中間結果；中間結果提供單元，配置為利用安全多方計算MPC技術，提供所述第一中間結果，用於結合所述第二計算節點基於所述商家隱私資料及其維護的第二參數確定的第二中間結果，所述第一支付平臺基於所述支付隱私資料及其維護的第三參數和所述風險標籤確定的第三中間結果，確定針對所述第一IoT機具的訓練損失；損失獲取單元，配置為獲取所述訓練損失；調參單元，配置為利用所述訓練損失調整所述第一參數。 根據第五態樣，提供另一種多方聯合訓練針對IoT機具的風險評估模型的裝置，其中多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存與所述第一IoT機具相關的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤；所述裝置整合於所述第二計算節點，所述裝置包括： 中間結果確定單元，配置為基於所述商家隱私資料及第二計算節點維護的第二參數，確定第二中間結果；中間結果提供單元，配置為利用安全多方計算MPC技術，提供所述第二中間結果，用於結合所述第一計算節點基於所述機具特徵及其維護的第一參數確定的第一中間結果，所述第一支付平臺基於所述支付隱私資料及其維護的第三參數和所述風險標籤確定的第三中間結果，確定針對所述第一IoT機具的訓練損失；損失獲取單元，配置為獲取所述訓練損失；調參單元，配置為利用所述訓練損失調整所述第二參數。 根據第六態樣，提供又一種多方聯合訓練針對IoT機具的風險評估模型的裝置，其中多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存基於所述第一IoT機具的機具隱私資料而確定的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤。所述裝置整合於所述第一支付平臺，所述裝置包括： 中間結果確定單元，配置為基於所述支付隱私資料及第一支付平臺維護的第三參數和所述風險標籤，確定第三中間結果；中間結果提供單元，配置為利用安全多方計算MPC技術，提供所述第三中間結果，用於結合所述第一計算節點基於所述機具特徵及其維護的第一參數確定的第一中間結果，所述第二計算節點基於所述商家隱私資料及其維護的第二參數確定的第二中間結果，確定針對所述第一IoT機具的訓練損失；損失獲取單元，配置為獲取所述訓練損失；調參單元，配置為利用所述訓練損失調整所述第三參數。 根據第七態樣，提供了一種電腦可讀儲存媒體，其上儲存有電腦程式，當所述電腦程式在電腦中執行時，令電腦執行第一態樣或第二態樣或第三態樣的方法。 根據第八態樣，提供了一種計算設備，包括記憶體和處理器，所述記憶體中儲存有可執行碼，所述處理器執行所述可執行碼時，實現第一態樣或第二態樣或第三態樣的方法。 綜上，採用本說明書實施例提供的方法及裝置，可以在保障多方資料安全的同時，實現充分、全面利用各方有效資料，訓練得到性能優良的風險評估模型，進而通過使用該風險評估模型，對IoT機具的進行全面、準確的風險評估。
下面結合附圖，對本說明書提供的方案進行描述。 如前所述，需要對IoT機具進行風險識別和管控。在一個方案中，考慮到IoT機具背後的收款方通常是商家，由此可以基於某個支付平臺(如支付寶)中採集的商家資料(如商家營業執照、經營狀況等)對該商家進行風險識別和管控，從而實現對該商家使用的IoT機具進行風險管控。然而，此種基於商家的風險控制方案受商家資料品質的影響大，對於大部分的中小型商家(如小型商家、營業額較少的商家等)和新增商家，經常存在商家資料的資料量少，關鍵資訊缺失等問題，導致風險識別的準確度較低。 在另一種方案中，可以通過對IoT機具中的單筆交易進行風險評估，實現對IoT機具的風險控制。具體地，對於IoT機具中通過某個支付平臺進行的交易，可以從該某個支付平臺中獲取該交易的交易資訊(包括買家ID，交易的時間、位置和金額等)，並從該某個支付平臺中獲取交易買家的買家資訊(包括歷史交易記錄等)，實現對該筆交易的風險識別和管控。然而，此種基於用戶的風險控制方案，是從單一用戶、單筆交易的角度進行風險識別，得到的識別結果直接應用於IoT機具，會存在識別準確率低和誤打擾的問題。例如說，在識別出一筆交易高風險的情況下，可能是買家存在問題，並非是商家存在問題，此時根據該高風險的識別結果對IoT機具和IoT機具背後的商家進行管控，顯然是不妥當的，將存在誤打擾的問題。 此外發明人還發現，上述兩種方案均未使用IoT場景的特殊資料，如IoT機具的開機時間，商家帳號解除綁定更換綁定頻率，IoT機具的位置資訊等。 基於以上觀察和統計，發明人提出一種融合多方資料對IoT機具進行風險控制的方案，可以在保障多方資料隱私安全的技術上，實現資料的融合共享。在一個實施例中，圖1顯示根據一個實施例的多方聯合對IoT機具進行風險控制的框架圖，如圖1所示，其中融合IoT機具端(圖1中的收款機具)產生的機具隱私資料、與IoT機具相綁定商家的商家隱私資料、支付平臺中與該商家相關的支付隱私資料(包括交易資訊、買家資訊和商家資訊)，利用MPC(Secure Multi-Party Computation，安全多方計算)技術，實現對IoT機具進行全面、準確的風險評估。 融合多方資料進行風險評估是基於風險評估模型實現的，具體地，本說明書實施例披露一種多方聯合訓練風險評估模型的方法。下面，先對其中執行聯合訓練的多方進行介紹，再對訓練方法的實施流程進行介紹。 具體地，上述多方包括第一計算節點、第二計算節點和第一支付平臺。首先需要說明的是，其中的“第一”、“第二”以及文中它處的類似用語，僅用於區分同類事務，不具有其他限定作用。 上述第一計算節點與第一IoT機具相關聯，儲存基於第一IoT機具的機具隱私資料而確定的機具特徵。可以理解，實際存在多個IoT機具，其中第一IoT機具可以為多個IoT機具中的任意一個。 在一個實施例中，計算節點與IoT機具存在一一對應的關係，也就是說，針對每個IoT機具都構建有與之對應的計算節點。在一個具體的實施例中，第一計算節點與第一IoT機具整合在一起。在另一個具體的實施例中，可以直接將第一IoT機具作為第一計算節點。此時，第一計算節點可以從第一IoT機具中獲取儲存的機具隱私資料進行處理，以確定機具特徵。在另一個實施例中，多個IoT機具可以共用一個計算節點，這意味著，第一計算節點與多個IoT機具相關聯。此時，因考慮到資料安全合規等要求，IoT機具中的隱私資料不允許外泄，可以由IoT機具對其中的機具隱私資料進行特徵聚合處理，並將聚合得到的機具特徵發送至第一計算節點，需要理解，根據機具特徵通常是很難還原出原始隱私資料的，如此可以有效防止機具隱私資料的洩漏。 在一個實施例中，其中機具隱私資料可以包括：第一IoT機具的開機時間、關機時間和位置資訊，對所述第一IoT機具進行解除綁定、更換綁定產生的操作資料。在一個具體的實施例中，其中開機時間和關機時間可以包括在歷史時段內的多個時刻，如開機時間包括週一上午6:00，週二上午7:00等。在一個具體的實施例中，其中位置資訊可以包括利用LBS(Location Based Services，基於位置的服務)採集的位置資訊，如經緯度資訊等。在一個具體的實施例中，其中解除綁定、更換綁定產生的操作資料可以包括解除綁定、更換綁定的操作時刻、操作頻率和涉及到的商家(或商家帳號)的數量。 在一個實施例中，上述機具特徵可以包括累計特徵或特徵向量。在一個具體的實施例中，上述對機具隱私資料的特徵聚合處理可以包括累計處理和向量表徵處理等。在一個例子中，其中累計處理可以包括，確定機具隱私資料對應的累計特徵，作為上述機具特徵。在一個具體的例子中，其中累計特徵可以包括IoT機具每天開關機的平均次數。在一個例子中，其中向量表徵處理可以包括利用表徵學習演算法，如神經網路等，計算出機具隱私資料對應的特徵向量，作為上述機具特徵。 以上，主要對第一計算節點與第一IoT機具之間的關係，以及機具隱私資料和機具特徵進行介紹。 上述第二計算節點與綁定第一IoT機具的第一商家(或第一商家的商家帳號)相關聯，儲存第一商家的商家隱私資料。需要理解，第一商家參與的多筆交易通常涉及到多個支付平臺，例如目前比較主流的支付寶支付平臺和微信支付平臺等，而對於第一商家在第一支付平臺以外的其他支付平臺產生的交易資料，第一支付平臺通常是無法獲取的，對於這部分交易資料，可以由第一商家提供。由此，其中商家隱私資料可以包括：第一商家在第一支付平臺以外的其他支付平臺中產生的交易資訊，具體可以包括：交易金額、交易地點、交易時間、商品種類、風險事件。 在一個實施例中，第二計算節點可以是第一商家自己搭建的節點，如此，第二計算節點可以直接獲取第一商家中的商家隱私資料，進行模型訓練。在另一個實施例中，考慮到大部分中小型商家，沒有能力去搭建一個計算節點。因此，發明人提出可以引入TEE(Trusted execution environment，可信計算環境)，幫助多個商家(包括第一商家)在保障自身資料安全的情況下，將各自的商家隱私資料加密至TEE環境，以實現可信計算節點(作為第二計算節點)的構建。 需要說明的是，TEE環境可以採用Intel SGX，HyperVisor等技術實現。下面以Intel SGX技術實現TEE環境為例，說明構建可信計算節點的過程。在一個具體的實施例中，圖2顯示根據一個實施例的可信計算節點的搭建流程示意圖。如圖2所示，其中可信計算節點是採用SGX技術實現的可信計算圍圈Enclave，具體地，通過提供一系列CPU指令碼，允許用戶碼創建具有高存取權限的私有記憶體區域而形成計算圍圈Enclave。任何商家都無法存取圍圈Enclave中的資料，因此，儲存在Enclave中的隱私資料無法被竊取或篡改。圖2顯示的搭建流程包括以下步驟：首先，在步驟S21，商家向可信計算圍圈(Enclave)請求軟體運行報告。此時，Enclave中的Intel CPU會根據後續用於對商家隱私資料進行計算的演算法C++碼產生一個公開金鑰，私密金鑰和演算法碼簽署。接著，在步驟S22，Enclave將產生的公開金鑰，演算法碼簽署作為軟體運行報告中的內容傳回給商家，而私密金鑰則存在Intel CPU中，以保證任何商家都無法對其他商家利用公開金鑰加密後的商家隱私資料進行解密。接著，在步驟S23，商家將接收到的軟體運行報告發送至Intel公司的認證介面做一個第三方認證。再接著，在步驟S24，Intel公司可以告知商家，軟體運行報告是可信的，這意味著，其中包括的公開金鑰和演算法碼簽署確實是Intel CPU產生的，中間沒有串改，是可信的。再接著，在步驟S25，商家在接收到認證成功的結果後，利用公開金鑰對自己的商家隱私資料加密，並且，在步驟S26，將加密資料發送至Enclave，由此，Enclave可以利用私密金鑰對加密資料進行解密，得到原始的商家隱私資料，用於模型訓練。如此，可以實現各商家在保證自身資料安全的情況下，提供其隱私資料以用於模型訓練。 以上，主要對第二計算節點和第一商家之間的關係，以及商家隱私資料進行介紹。 上述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤。在一個實施例中，其中支付隱私資料可以包括第一商家與第一支付平臺的簽約資訊，在所述第一支付平臺中產生的交易資訊，且此交易資訊具體包括以下中的一種或多種：交易用戶的用戶資訊、交易金額、交易地點、交易時間、商品種類、風險事件。在一個具體的實施例中，其中簽約資訊可以包括第一商家的營業執照、簽約時刻、簽約時間長度等資訊。在一個具體的實施例中，其中用戶資訊可以包括用戶的基本屬性資訊、交易偏好和歷史交易記錄。在一個例子中，其中基本屬性資訊可以包括性別、年齡、職業、常駐地、興趣愛好等。在一個例子中，其中交易偏好可以包括最常購買的商品種類(如電子商品)、最常購物的時段(如晚上21:00-22:00)。在一個具體的實施例中，其中風險事件可以包括第一商家曾經發生的高風險事件，如售賣非法產品(如賭博產品)。 在一個實施例中，上述風險標籤可以包括有風險和無風險。在另一個實施例中，上述風險標籤還可以包括多個風險等級。在一個具體的實施例中，可以包括高風險、中風險和低風險。 以上，主要對第一支付平臺中儲存的支付隱私資料和風險標籤進行介紹。 此外，上述第一計算節點、第二計算節點和第一支付平臺中，還各自維護風險評估模型中的部分參數。通常，此三方維護的部分參數是互不相同的。在一個實施例中，每方所維護的部分參數與其所提供資料對應的樣本特徵相關聯。在一個實施例中，每方具體維護風險評估模型中參數的哪一部分，可以通過MPC技術而確定。另一方面，在一個實施例中，風險評估模型可以採用邏輯回歸演算法、決策樹演算法、神經網路等實現。 進一步地，圖3顯示根據一個實施例的多方聯合訓練風險評估模型的框架圖。如圖3所示，在訓練過程中，上述第一計算節點、第二計算節點和第一支付平臺各自利用自身儲存的隱私資料和模型參數進行計算，得到各自的中間計算結果，再利用MPC技術提供各自的中間計算結果，實現資料的融合共享，並完成對風險評估模型的訓練。 針對訓練過程，下面先對各方各自計算出中間結果的過程進行介紹，再對各方利用MPC技術進行資料融合共享，並各自對其維護的模型參數進行調整的過程進行介紹。 如圖3所示，其中第一計算節點基於機具特徵及其維護的第一參數，確定第一中間結果。在一個實施例中，利用第一參數對機具特徵進行計算，可以得到第一中間結果。在一個具體的實施例中，可以用
Figure 02_image001
表示第一參數，用
Figure 02_image003
表示基於機具隱私資料
Figure 02_image005
確定的機具特徵，由此可以確定出第一中間結果
Figure 02_image007
。在另一個實施例中，多方中還各自維護針對風險評估模型的損失函數的部分計算式。相應地，第一計算節點可以利用其維護的第一計算式和第一參數對機具特徵進行計算，得到第一中間結果。在一個具體的實施例中，可以用
Figure 02_image001
表示第一參數，用
Figure 02_image003
表示機具特徵，
Figure 02_image011
表示第一計算式，由此可以確定出第一中間結果
Figure 02_image013
。 在一個實施例中，在確定第一中間結果之前，所述訓練方法還可以包括：第一計算節點獲取第一IoT機具中儲存的機具隱私資料，並且，對所述機具隱私資料進行累計處理或向量表徵處理，得到所述機具特徵。在另一個實施例中，在確定第一中間結果之前，所述訓練方法還可以包括：從所述第一IoT機具接收所述機具特徵，所述機具特徵由所述第一IoT機具對其自身儲存的所述機具隱私資料進行累計處理或向量表徵處理而得到。需要說明的是，對於機具特徵、機具隱私資料、累計處理和向量表徵處理的描述，可以參見前述實施例中的相關描述，不作贅述。 如此，第一計算節點可以確定出第一計算結果。 圖3中顯示的第二計算節點可以基於商家隱私資料及其維護的第二參數，確定第二中間結果。在一個實施例中，利用第二參數對商家隱私資料進行計算，可以得到第二中間結果。在一個具體的實施例中，可以利用
Figure 02_image001
表示第二參數，用
Figure 02_image016
表示商家隱私資料，由此可以確定出第二中間結果
Figure 02_image018
。在另一個實施例中，多方中還各自維護針對風險評估模型的損失函數的部分計算式。相應地，第二計算節點可以利用其維護的第二計算式和第二參數對商家隱私資料進行計算，得到第二中間結果。在一個具體的實施例中，可以用
Figure 02_image001
表示第二參數，用
Figure 02_image021
表示商家隱私資料，用
Figure 02_image023
表示第二計算式，由此可以確定出第二中間結果
Figure 02_image025
。 在一個實施例中，在確定第二中間結果之前，所述訓練方法還可以包括：第二計算節點獲取第一商家中儲存的所述商家隱私資料。在另一個實施例中，第二計算節點為可信計算節點，在確定第二中間結果之前，所述訓練方法還可以包括：第二計算節點產生第二公開金鑰和第二私密金鑰，並且，將所述第二公開金鑰發送至多個商家，所述多個商家中包括所述第一商家；第二計算節點從所述第一商家接收加密隱私資料，所述加密隱私資料由所述第一商家利用所述第二公開金鑰對所述商家隱私資料進行加密而得到；第二計算節點利用所述第二私密金鑰對所述加密隱私資料進行解密，得到所述商家隱私資料。需要說明的是，對其中可信計算節點、第二公開金鑰、第二私密金鑰等的描述，可以參見前述實施例中的相關描述，在此不作贅述。 如此，第二計算節點可以確定出第二計算結果。 圖3中顯示的第一支付平臺可以基於支付隱私資料及其維護的第三參數和風險標籤，確定第三中間結果。在一個實施例中，利用第三參數對支付隱私特徵進行計算，並將此計算得到的結果與標籤進行比對，可以得到第三中間結果。在一個具體的實施例中，可以用
Figure 02_image027
表示第三參數，用
Figure 02_image029
表示支付隱私資料，用y表示樣本標籤，由此可以確定出第三中間結果
Figure 02_image031
。在另一個實施例中，多方中還各自維護針對風險評估模型的損失函數的部分計算式。相應地，第一支付平臺可以利用其維護的第三計算式和第三參數對機具特徵和風險標籤進行計算，得到第三中間結果。在一個具體的實施例中，用
Figure 02_image027
表示第三參數，用
Figure 02_image029
表示支付隱私資料，用
Figure 02_image035
表示樣本標籤，用
Figure 02_image037
表示第三計算式，由此可以確定出第三中間結果
Figure 02_image039
。 需要說明的是，對於其中支付隱私資料和風險標籤等的介紹，可以參見前述實施例中的相關描述，不作贅述。 如此，第一支付平臺可以確定出第三計算結果。 以上，第一計算節點、第二計算節點和第一支付平臺可以各自計算出第一中間結果、第二中間結果和第三中間結果。基於此，可以利用MPC技術，實現資料的融合共享。在一個實施例中，利用的MPC技術可以包括同態加密技術、秘密分享技術和混淆電路技術等。 在一種實施方式下，可以採用同態加密技術，此時，第一計算節點和第二計算節點中還儲存基於同態加密技術產生的第一公開金鑰，第一支付平臺中還儲存所述第一公開金鑰和對應的第一私密金鑰。在一個實施例中，第一公開金鑰和第一私密金鑰可以是第一支付平臺產生的。在另一個實施例中，其中第一公開金鑰和第一私密金鑰可以是第三方可信機構產生的。圖4顯示根據一個實施例的基於同態加密的多方互動圖。如圖4所示，多方互動過程可以包括以下步驟： 步驟S401，第一計算節點利用第一公開金鑰對第一中間結果進行加密，得到第一加密結果。在一個實施例中，對第一中間結果
Figure 02_image041
加密，可以得到第一加密結果
Figure 02_image043
。在另一個實施例中，對第一中間結果
Figure 02_image045
加密，可以得到第一加密結果
Figure 02_image047
。 步驟S402，第一計算節點將第一加密結果發送至第二計算節點。 步驟S403，第二計算節點利用第一公開金鑰對第二中間結果進行加密，得到第二加密結果。在一個實施例中，對第二中間結果
Figure 02_image049
加密，可以得到第二加密結果
Figure 02_image051
。在另一個實施例中，對第二中間結果
Figure 02_image053
加密，可以得到第二加密結果
Figure 02_image055
。 步驟S404，第二計算節點對第一加密結果和第二加密結果進行第一同態加操作，得到第一操作結果。在一個實施例中，其中第一同態加操作為對第一加密結果和第二加密結果的相乘操作。在一個具體的實施例中，得到的第一操作結果可以為
Figure 02_image057
。在另一個具體的實施例中，得到的第一操作結果可以為
Figure 02_image059
。 步驟S405，第二計算節點將第一操作結果發送至第一支付平臺。 步驟S406，第一支付平臺利用第一公開金鑰對第三中間結果進行加密，得到第三加密結果。在一個實施例中，對第三中間結果
Figure 02_image061
加密，可以得到第三加密結果
Figure 02_image063
。在另一個實施例中，對第三中間結果
Figure 02_image065
加密，可以得到第三加密結果
Figure 02_image067
。 步驟S407，第一支付平臺對第一操作結果和第三加密結果進行第二同態加操作，得到第二操作結果。在一個實施例中，其中第二同態加操作為對第一操作結果和第三加密結果的相乘操作。在一個實施例中，得到的第二操作結果為
Figure 02_image069
。在另一個實施例中，得到的第二操作結果可以為
Figure 02_image071
。 步驟S408，第一支付平臺利用第一私密金鑰對第二操作結果進行解密，得到針對第一IoT機具的訓練損失。在一個實施例中，解密得到的訓練損失可以為：
Figure 02_image073
。在另一個實施例中，解密得到的訓練損失可以為：
Figure 02_image075
。 步驟S409，第一支付平臺利用訓練損失調整其維護的第三參數。 步驟S410，第一支付平臺將訓練損失發送至第一計算節點。 步驟S411，第一計算節點利用訓練損失調整其維護的第一參數。 步驟S412，第一支付平臺將訓練損失發送至第二計算節點。 步驟S413，第二計算節點利用訓練損失調整其維護的第二參數。 需要說明的是，圖4中步驟的標號，並不構成對步驟順序的限定。此外，圖4中是第二計算節點進行第一同態加操作，需要理解，還可以是第二計算節點將第二加密結果發送給第一計算節點，由第一計算節點進行第一同態加操作，再第一操作結果發送給第一支付平臺。如此，第一計算節點、第二計算節點和第一支付平臺可以根據基於MPC技術實現資料融合而得到的訓練損失，各自調節自身維護的風險評估模型的部分參數。 在另一種實施方式下，還可以採用秘密分享的方式，實現資料融合共享。具體可以參考現有技術進行實施，在此不作贅述。 綜上，採用本說明書實施例提供的訓練方法，通過構建安全計算節點，各自維護自身隱私資料、部分模型參數，並且各自計算中間結果，再結合MPC技術進行資料的融合共享，可以實現在保障各方資料隱私安全的情況下，共同訓練風險評估模型。在多次執行上述訓練過程後，可以得到最終訓練好的風險評估模型，用於對IoT機具的風險識別和管控。 下面再結合一個具體的例子，對本說明書實施例披露的多方聯合訓練針對IoT機具的風險評估模型的方法進行介紹。圖5顯示根據一個實施例的多方聯合訓練風險評估模型的架構示意圖，如圖5所示，在機具端計算節點(參見上述第一計算節點)中，多個IoT機具中的各機具對自身的機具隱私資料進行特徵聚合，得到各自的機具特徵；在商家端計算節點(參見上述第二計算節點)中，多個商家中的各商家將自身的商家隱私資料加密到TEE中；在支付平臺計算節點(參見上述第一支付平臺)中，支付平臺資料庫儲存與多個商家相關的支付隱私資料。 基於此，根據訓練時設定的批量樣本數量(Batch Size)，如一批5個樣本或20個樣本等，機具端計算節點將對應數量的一批機具(如5或20個機具)的機具特徵輸入子模型1(其中包括上述第一參數)中，得到第一中間結果；商家端計算節點對綁定該批機具的一批商家的商家加密資料進行解密，得到對應的商家解密資料，並輸入子模型2(其中包括上述第二參數)中，得到第二中間結果；支付平臺計算節點獲取該批商家對應的支付隱私資料，輸入子模型3(包括上述第三參數)中，並結合子模型輸出結果和獲取的該批機具對應的風險標籤確定第三中間結果。 進一步地，機具端計算節點、商家端計算節點和支付平臺計算節點利用同態加密或秘密分享等MPC技術，分別提供第一中間結果、第二中間結果和第三中間結果，並對這三個中間結果進行融合確定出訓練損失，進而調整各自維護的子模型1、子模型2和子模型3中的參數。可以理解，子模型1、子模型2和子模型3共同構成風險評估模型。如此，經過多次訓練直到收斂，可以得到最終訓練好的風險評估模型，用於針對IoT機具的風險評估。 以上對風險評估模型的訓練過程進行介紹。下面，對訓練好的風險評估模型的使用方法進行簡單介紹。針對待評估的目標IoT機具(以下簡稱目標機具)，與目標機具關聯的目標機具端計算節點，可以基於該目標機具的機具特徵和調整好的一部分模型參數，給出第一風險評分；與綁定該目標IoT機具的目標商家相關聯的目標商家端計算節點，可以基於該目標商家的商家隱私資料和調整好的另一部分模型參數，給出第二風險評分；第一支付平臺可以基於與該目標商家相關的支付隱私資料和調整好的再一部分模型參數，給出第三風險評分。 進一步地，在一個實施例中，這三方可以利用MPC技術，分別提供第一風險評分、第二風險評分和第三風險評分，以得到最終的綜合風險評分。在另一個實施例中，這三方可以將各自確定出的風險評分發送給第三方可信結構，再由第三方可信機構進行匯總，並將匯總得到的綜合評分分別傳回給三方中的每一方。 如此，可以全面利用各方提供的有效資料，通過該風險評估模型，得到準確的、可用性高的風險評估結果，進而實現對IoT機具或IoT機具的綁定商家或發生交易的精準管控。例如，在風險評估結果指示風險低的情況下，允許通過該IoT機具完成交易。又例如，在風險評估結果指示風險極高的情況下，對該IoT機具進行禁用干預，如顯示交揮發敗，甚至對該IoT機具的綁定商家進行帳號凍結，或者對使用該IoT機具進行支付的用戶帳戶進行凍結。 綜上，採用本說明書實施例披露的多方聯合訓練針對IoT機具的風險評估模型的方法，可以在保障多方資料安全的同時，實現充分、全面利用各方有效資料，訓練得到性能優良的風險評估模型，進而通過使用該風險評估模型，對IoT機具的進行全面、準確的風險評估。 與上述訓練方法相對應的，本說明書實施例還披露一種訓練裝置。具體如下： 圖6顯示根據一個實施例的多方聯合訓練針對IoT機具的風險評估模型的裝置結構圖，其中多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存基於所述第一IoT機具的機具隱私資料而確定的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤。所述裝置600整合於所述第一計算節點，如圖6所示，所述裝置600包括： 中間結果確定單元610，配置為基於所述機具特徵及所述第一計算節點維護的第一參數，確定第一中間結果。中間結果提供單元620，配置為利用安全多方計算MPC技術，提供所述第一中間結果，用於結合所述第二計算節點基於所述商家隱私資料及其維護的第二參數確定的第二中間結果，所述第一支付平臺基於所述支付隱私資料及其維護的第三參數和所述風險標籤確定的第三中間結果，確定針對所述第一IoT機具的訓練損失。損失獲取單元630，配置為獲取所述訓練損失；調參單元640，配置為利用所述訓練損失調整所述第一參數。 在一個實施例中，所述裝置600還包括：特徵獲取單元650，配置為獲取所述第一IoT機具中儲存的所述機具隱私資料，並且，對所述機具隱私資料進行累計處理或向量表徵處理，得到所述機具特徵；或配置為，從所述第一IoT機具接收所述機具特徵，所述機具特徵由所述第一IoT機具對其自身儲存的所述機具隱私資料進行累計處理或向量表徵處理而得到。 在一個實施例中，所述機具隱私資料包括以下中的一種或多種：所述第一IoT機具的開機時間、關機時間和位置資訊，對所述第一IoT機具進行解除綁定、更換綁定產生的操作資料。 在一個實施例中，所述MPC技術包括同態加密技術，所述第一計算節點和第二計算節點中還儲存基於所述同態加密技術產生的第一公開金鑰，所述第一支付平臺中還儲存所述第一公開金鑰和對應的第一私密金鑰。其中中間結果提供單元620具體配置為：利用所述第一公開金鑰對所述第一中間結果進行加密，得到第一加密結果；將所述第一加密結果發送至所述第二計算節點，以使所述第二計算節點對所述第一加密結果和其對第二中間結果加密得到的第二加密結果進行第一同態加操作，進而使所述第一支付平臺對所述第一同態加操作得到的第一操作結果和其對第三中間結果加密得到的第三加密結果進行第二同態加操作，並利用所述私密金鑰對所述第二同態加操作得到的第二操作結果進行解密，得到所述訓練損失。其中損失獲取單元630具體配置為：從所述第一支付平臺接收所述訓練損失。 圖7顯示根據另一個實施例的多方聯合訓練針對IoT機具的風險評估模型的裝置結構圖，其中多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存與所述第一IoT機具相關的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤。所述裝置700整合於所述第二計算節點，所述裝置700包括： 中間結果確定單元710，配置為基於所述商家隱私資料及所述第二計算節點維護的第二參數，確定第二中間結果。中間結果提供單元720，配置為利用安全多方計算MPC技術，提供所述第二中間結果，用於結合所述第一計算節點基於所述機具特徵及其維護的第一參數確定的第一中間結果，所述第一支付平臺基於所述支付隱私資料及其維護的第三參數和所述風險標籤確定的第三中間結果，確定針對所述第一IoT機具的訓練損失。損失獲取單元730，配置為獲取所述訓練損失。調參單元740，配置為利用所述訓練損失調整所述第二參數。 在一個實施例中，所述裝置700還包括隱私資料獲取單元750，配置為：獲取所述第一商家中儲存的所述商家隱私資料。 在一個實施例中，所述第二計算節點為可信計算節點，所述裝置700還包括隱私資料獲取單元750，配置為：產生第二公開金鑰和第二私密金鑰，並且，將所述第二公開金鑰發送至多個商家，所述多個商家中包括所述第一商家；從所述第一商家接收加密隱私資料，所述加密隱私資料由所述第一商家利用所述第二公開金鑰對所述商家隱私資料進行加密而得到；利用所述第二私密金鑰對所述加密隱私資料進行解密，得到所述商家隱私資料。 在一個實施例中，所述商家隱私資料包括所述第一商家在所述第一支付平臺以外的其他支付平臺中產生的交易資訊，具體包括以下中的一種或多種：交易金額、交易地點、交易時間、商品種類、風險事件。 在一個實施例中，所述MPC技術包括同態加密技術，所述第一計算節點和第二計算節點中還儲存基於所述同態加密技術產生的第一公開金鑰，所述第一支付平臺中還儲存所述第一公開金鑰和對應的第一私密金鑰。其中中間結果提供單元720具體配置為：利用所述第一公開金鑰對所述第二中間結果進行加密，得到第二加密結果；從所述第一計算節點接收其利用所述第一公開金鑰對所述第一中間結果加密得到的第一加密結果；對所述第一加密結果和第二加密結果進行同態加操作，得到第一操作結果；將所述第一操作結果發送至所述第一支付平臺，以使所述第一支付平臺對所述第一操作結果和其對第三中間結果加密得到的第三加密結果進行第二同態加操作，並利用所述私密金鑰對所述第二同態加操作得到的第二操作結果進行解密，得到所述訓練損失。其中損失獲取單元730具體配置為：從所述第一支付平臺接收所述訓練損失。 圖8顯示根據又一個實施例的多方聯合訓練針對IoT機具的風險評估模型的裝置結構圖，其中多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存基於所述第一IoT機具的機具隱私資料而確定的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤。所述裝置800整合於所述第一支付平臺，所述裝置800包括： 中間結果確定單元810，配置為基於所述支付隱私資料及所述第一支付平臺維護的第三參數和所述風險標籤，確定第三中間結果。中間結果提供單元820，配置為利用安全多方計算MPC技術，提供所述第三中間結果，用於結合所述第一計算節點基於所述機具特徵及其維護的第一參數確定的第一中間結果，所述第二計算節點基於所述商家隱私資料及其維護的第二參數確定的第二中間結果，確定針對所述第一IoT機具的訓練損失。損失獲取單元830，配置為獲取所述訓練損失。調參單元840，配置為利用所述訓練損失調整所述第三參數。 在一個實施例中，所述支付隱私特徵包括所述第一商家與所述第一支付平臺的簽約資訊，在所述第一支付平臺中產生的交易資訊，具體包括以下中的一種或多種：交易用戶的用戶資訊、交易金額、交易地點、交易時間、商品種類、風險事件。 在一個實施例中，所述MPC技術包括同態加密技術，所述第一計算節點和第二計算節點中還儲存基於所述同態加密技術產生的第一公開金鑰，所述第一支付平臺中還儲存所述第一公開金鑰和對應的第一私密金鑰。 其中中間結果提供單元820，具體配置為：從所述第二計算節點接收第一操作結果，所述第一操作結果通過對第二加密結果和從第一計算節點接收的第一加密結果進行第一同態加操作而得到，所述第二加密結果是利用所述第一公開金鑰對所述第二中間結果進行加密而得到，所述第一加密結果是利用所述第一公開金鑰對所述第一中間結果進行加密而得到；利用所述第一公開金鑰對所述第三中間結果進行加密，得到第三加密結果；對所述第一操作結果和所述第三加密結果進行第二同態加操作，得到第二操作結果；其中損失獲取單元830具體配置為：利用所述私密金鑰對第二操作結果進行解密，得到所述訓練損失。 綜上，採用本說明書實施例披露的多方聯合訓練針對IoT機具的風險評估模型的裝置，可以在保障多方資料安全的同時，實現充分、全面利用各方有效資料，訓練得到性能優良的風險評估模型，進而通過使用該風險評估模型，對IoT機具的進行全面、準確的風險評估。 根據另一態樣的實施例，還提供一種電腦可讀儲存媒體，其上儲存有電腦程式，當所述電腦程式在電腦中執行時，令電腦執行結合圖3或圖4或圖5所描述的方法。 根據再一態樣的實施例，還提供一種計算設備，包括記憶體和處理器，所述記憶體中儲存有可執行碼，所述處理器執行所述可執行碼時，實現結合圖3或圖4或圖5所述的方法。 本領域技術人員應該可以意識到，在上述一個或多個範例中，本發明所描述的功能可以用硬體、軟體、韌體或它們的任意組合來實現。當使用軟體實現時，可以將這些功能儲存在電腦可讀媒體中或者作為電腦可讀媒體上的一個或多個指令或碼進行傳輸。 以上所述的具體實施方式，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發明的具體實施方式而已，並不用於限定本發明的保護範圍，凡在本發明的技術方案的基礎之上，所做的任何修改、等同替換、改進等，均應包括在本發明的保護範圍之內。
S21-S26:步驟 S401-S413:步驟 600:裝置 610:中間結果確定單元 620:中間結果提供單元 630:損失獲取單元 640:調參單元 650:特徵獲取單元 700:裝置 710:中間結果確定單元 720:中間結果提供單元 730:損失獲取單元 740:調參單元 750:隱私資料獲取單元 800:裝置 810:中間結果確定單元 820:中間結果提供單元 830:損失獲取單元 840:調參單元
為了更清楚地說明本發明實施例的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其它的附圖。 [圖1]顯示根據一個實施例的多方聯合對IoT機具進行風險控制的框架圖； [圖2]顯示根據一個實施例的可信計算節點的搭建流程示意圖； [圖3]顯示根據一個實施例的多方聯合訓練風險評估模型的框架圖； [圖4]顯示根據一個實施例的基於同態加密的多方互動圖； [圖5]顯示根據一個實施例的多方聯合訓練風險評估模型的架構示意圖； [圖6]顯示根據一個實施例的多方聯合訓練針對IoT機具的風險評估模型的裝置結構圖； [圖7]顯示根據另一個實施例的多方聯合訓練針對IoT機具的風險評估模型的裝置結構圖； [圖8]顯示根據又一個實施例的多方聯合訓練針對IoT機具的風險評估模型的裝置結構圖。

Claims (14)

  1. 一種多方聯合訓練針對IoT機具的風險評估模型的方法，其中，所述多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存基於所述第一IoT機具的機具隱私資料而確定的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤；所述方法應用於所述第一計算節點，所述方法包括：基於所述機具特徵及所述第一計算節點維護的第一參數，確定第一中間結果；利用安全多方計算MPC技術，提供所述第一中間結果，用於結合所述第二計算節點基於所述商家隱私資料及其維護的第二參數確定的第二中間結果，所述第一支付平臺基於所述支付隱私資料及其維護的第三參數和所述風險標籤確定的第三中間結果，確定針對所述第一IoT機具的訓練損失；獲取所述訓練損失，並且，利用所述訓練損失調整所述第一參數；其中，所述MPC技術包括同態加密技術，所述第一計算節點和第二計算節點中還儲存基於所述同態加密技術產生的第一公開金鑰，所述第一支付平臺中還儲存所述第一 公開金鑰和對應的第一私密金鑰；其中利用安全多方計算MPC技術，提供所述第一中間結果，包括：利用所述第一公開金鑰對所述第一中間結果進行加密，得到第一加密結果；將所述第一加密結果發送至所述第二計算節點，以使所述第二計算節點對所述第一加密結果和其對第二中間結果加密得到的第二加密結果進行第一同態加操作，進而使所述第一支付平臺對所述第一同態加操作得到的第一操作結果和其對第三中間結果加密得到的第三加密結果進行第二同態加操作，並利用所述私密金鑰對所述第二同態加操作得到的第二操作結果進行解密，得到所述訓練損失；其中獲取所述訓練損失，包括：從所述第一支付平臺接收所述訓練損失。
  2. 根據請求項1所述的方法，其中，在基於所述機具特徵及所述第一計算節點維護的第一參數和第一計算式，確定第一中間結果之前，所述方法還包括：獲取所述第一IoT機具中儲存的所述機具隱私資料，並且，對所述機具隱私資料進行累計處理或向量表徵處理，得到所述機具特徵；或，從所述第一IoT機具接收所述機具特徵，所述機具特徵由所述第一IoT機具對其自身儲存的所述機具隱私資料進行累計處理或向量表徵處理而得到。
  3. 根據請求項1或2所述的方法，其中，所 述機具隱私資料包括以下中的一種或多種：所述第一IoT機具的開機時間、關機時間和位置資訊，對所述第一IoT機具進行解除綁定、更換綁定產生的操作資料。
  4. 一種多方聯合訓練針對IoT機具的風險評估模型的方法，其中，所述多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存與所述第一IoT機具相關的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤；所述方法應用於所述第二計算節點，所述方法包括：基於所述商家隱私資料及所述第二計算節點維護的第二參數，確定第二中間結果；利用安全多方計算MPC技術，提供所述第二中間結果，用於結合所述第一計算節點基於所述機具特徵及其維護的第一參數確定的第一中間結果，所述第一支付平臺基於所述支付隱私資料及其維護的第三參數和所述風險標籤確定的第三中間結果，確定針對所述第一IoT機具的訓練損失；獲取所述訓練損失，並且，利用所述訓練損失調整所述第二參數；其中，所述MPC技術包括同態加密技術，所述第一計 算節點和第二計算節點中還儲存基於所述同態加密技術產生的第一公開金鑰，所述第一支付平臺中還儲存所述第一公開金鑰和對應的第一私密金鑰；其中利用安全多方計算MPC技術，提供所述第二中間結果，包括：利用所述第一公開金鑰對所述第二中間結果進行加密，得到第二加密結果；從所述第一計算節點接收其利用所述第一公開金鑰對所述第一中間結果加密得到的第一加密結果；對所述第一加密結果和第二加密結果進行同態加操作，得到第一操作結果；將所述第一操作結果發送至所述第一支付平臺，以使所述第一支付平臺對所述第一操作結果和其對第三中間結果加密得到的第三加密結果進行第二同態加操作，並利用所述私密金鑰對所述第二同態加操作得到的第二操作結果進行解密，得到所述訓練損失；其中獲取所述訓練損失，包括：從所述第一支付平臺接收所述訓練損失。
  5. 根據請求項4所述的方法，其中，在基於所述商家隱私資料及所述第二計算節點維護的第二參數，確定第二中間結果之前，所述方法還包括：獲取所述第一商家中儲存的所述商家隱私資料。
  6. 根據請求項4所述的方法，其中，所述第二計算節點為可信計算節點，在基於所述商家隱私資料及 所述第二計算節點維護的第二參數，確定第二中間結果之前，所述方法還包括：產生第二公開金鑰和第二私密金鑰，並且，將所述第二公開金鑰發送至多個商家，所述多個商家中包括所述第一商家；從所述第一商家接收加密隱私資料，所述加密隱私資料由所述第一商家利用所述第二公開金鑰對所述商家隱私資料進行加密而得到；利用所述第二私密金鑰對所述加密隱私資料進行解密，得到所述商家隱私資料。
  7. 根據請求項4至6中任一項所述的方法，其中，所述商家隱私資料包括所述第一商家在所述第一支付平臺以外的其他支付平臺中產生的交易資訊，具體包括以下中的一種或多種：交易金額、交易地點、交易時間、商品種類、風險事件。
  8. 一種多方聯合訓練針對IoT機具的風險評估模型的方法，其中，所述多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存基於所述第一IoT機具的機具隱私資料而確定的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤；所述方法應用於 所述第一支付平臺，所述方法包括：基於所述支付隱私資料及所述第一支付平臺維護的第三參數和所述風險標籤，確定第三中間結果；利用安全多方計算MPC技術，提供所述第三中間結果，用於結合所述第一計算節點基於所述機具特徵及其維護的第一參數確定的第一中間結果，所述第二計算節點基於所述商家隱私資料及其維護的第二參數確定的第二中間結果，確定針對所述第一IoT機具的訓練損失；獲取所述訓練損失，並且，利用所述訓練損失調整所述第三參數；其中，所述MPC技術包括同態加密技術，所述第一計算節點和第二計算節點中還儲存基於所述同態加密技術產生的第一公開金鑰，所述第一支付平臺中還儲存所述第一公開金鑰和對應的第一私密金鑰；其中利用安全多方計算MPC技術，提供所述第三中間結果，包括：從所述第二計算節點接收第一操作結果，所述第一操作結果通過對第二加密結果和從第一計算節點接收的第一加密結果進行第一同態加操作而得到，所述第二加密結果是利用所述第一公開金鑰對所述第二中間結果進行加密而得到，所述第一加密結果是利用所述第一公開金鑰對所述第一中間結果進行加密而得到；利用所述第一公開金鑰對所述第三中間結果進行加密，得到第三加密結果； 對所述第一操作結果和所述第三加密結果進行第二同態加操作，得到第二操作結果；其中獲取所述訓練損失，包括：利用所述私密金鑰對所述第二操作結果進行解密，得到所述訓練損失。
  9. 根據請求項8所述的方法，其中，所述支付隱私特徵包括所述第一商家與所述第一支付平臺的簽約資訊，在所述第一支付平臺中產生的交易資訊，具體包括以下中的一種或多種：交易用戶的用戶資訊、交易金額、交易地點、交易時間、商品種類、風險事件。
  10. 一種多方聯合訓練針對IoT機具的風險評估模型的裝置，其中，所述多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存基於所述第一IoT機具的機具隱私資料而確定的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤；所述裝置整合於所述第一計算節點，所述裝置包括：中間結果確定單元，配置為基於所述機具特徵及所述第一計算節點維護的第一參數，確定第一中間結果；中間結果提供單元，配置為利用安全多方計算MPC技術，提供所述第一中間結果，用於結合所述第二計算節點 基於所述商家隱私資料及其維護的第二參數確定的第二中間結果，所述第一支付平臺基於所述支付隱私資料及其維護的第三參數和所述風險標籤確定的第三中間結果，確定針對所述第一IoT機具的訓練損失；損失獲取單元，配置為獲取所述訓練損失；調參單元，配置為利用所述訓練損失調整所述第一參數；其中，所述MPC技術包括同態加密技術，所述第一計算節點和第二計算節點中還儲存基於所述同態加密技術產生的第一公開金鑰，所述第一支付平臺中還儲存所述第一公開金鑰和對應的第一私密金鑰；其中利用安全多方計算MPC技術，提供所述第一中間結果，包括：利用所述第一公開金鑰對所述第一中間結果進行加密，得到第一加密結果；將所述第一加密結果發送至所述第二計算節點，以使所述第二計算節點對所述第一加密結果和其對第二中間結果加密得到的第二加密結果進行第一同態加操作，進而使所述第一支付平臺對所述第一同態加操作得到的第一操作結果和其對第三中間結果加密得到的第三加密結果進行第二同態加操作，並利用所述私密金鑰對所述第二同態加操作得到的第二操作結果進行解密，得到所述訓練損失；其中獲取所述訓練損失，包括：從所述第一支付平臺接收所述訓練損失。
  11. 一種多方聯合訓練針對IoT機具的風險評估模型的裝置，其中，所述多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存與所述第一IoT機具相關的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示所述第一IoT機具風險情況的風險標籤；所述裝置整合於所述第二計算節點，所述裝置包括：中間結果確定單元，配置為基於所述商家隱私資料及所述第二計算節點維護的第二參數，確定第二中間結果；中間結果提供單元，配置為利用安全多方計算MPC技術，提供所述第二中間結果，用於結合所述第一計算節點基於所述機具特徵及其維護的第一參數確定的第一中間結果，所述第一支付平臺基於所述支付隱私資料及其維護的第三參數和所述風險標籤確定的第三中間結果，確定針對所述第一IoT機具的訓練損失；損失獲取單元，配置為獲取所述訓練損失；調參單元，配置為利用所述訓練損失調整所述第二參數；其中，所述MPC技術包括同態加密技術，所述第一計算節點和第二計算節點中還儲存基於所述同態加密技術產生的第一公開金鑰，所述第一支付平臺中還儲存所述第一 公開金鑰和對應的第一私密金鑰；其中利用安全多方計算MPC技術，提供所述第二中間結果，包括：利用所述第一公開金鑰對所述第二中間結果進行加密，得到第二加密結果；從所述第一計算節點接收其利用所述第一公開金鑰對所述第一中間結果加密得到的第一加密結果；對所述第一加密結果和第二加密結果進行同態加操作，得到第一操作結果；將所述第一操作結果發送至所述第一支付平臺，以使所述第一支付平臺對所述第一操作結果和其對第三中間結果加密得到的第三加密結果進行第二同態加操作，並利用所述私密金鑰對所述第二同態加操作得到的第二操作結果進行解密，得到所述訓練損失；其中獲取所述訓練損失，包括：從所述第一支付平臺接收所述訓練損失。
  12. 一種多方聯合訓練針對IoT機具的風險評估模型的裝置，其中，所述多方包括第一計算節點、第二計算節點和第一支付平臺，各自維護風險評估模型中的部分參數；所述第一計算節點與第一IoT機具相關聯，儲存基於所述第一IoT機具的機具隱私資料而確定的機具特徵，所述第二計算節點與綁定所述第一IoT機具的第一商家相關聯，儲存所述第一商家的商家隱私資料，所述第一支付平臺儲存與所述第一商家相關的支付隱私資料和指示 所述第一IoT機具風險情況的風險標籤；所述裝置整合於所述第一支付平臺，所述裝置包括：中間結果確定單元，配置為基於所述支付隱私資料及所述第一支付平臺維護的第三參數和所述風險標籤，確定第三中間結果；中間結果提供單元，配置為利用安全多方計算MPC技術，提供所述第三中間結果，用於結合所述第一計算節點基於所述機具特徵及其維護的第一參數確定的第一中間結果，所述第二計算節點基於所述商家隱私資料及其維護的第二參數確定的第二中間結果，確定針對所述第一IoT機具的訓練損失；損失獲取單元，配置為獲取所述訓練損失；調參單元，配置為利用所述訓練損失調整所述第三參數；其中，所述MPC技術包括同態加密技術，所述第一計算節點和第二計算節點中還儲存基於所述同態加密技術產生的第一公開金鑰，所述第一支付平臺中還儲存所述第一公開金鑰和對應的第一私密金鑰；其中利用安全多方計算MPC技術，提供所述第三中間結果，包括：從所述第二計算節點接收第一操作結果，所述第一操作結果通過對第二加密結果和從第一計算節點接收的第一加密結果進行第一同態加操作而得到，所述第二加密結果是利用所述第一公開金鑰對所述第二中間結果進行加密而 得到，所述第一加密結果是利用所述第一公開金鑰對所述第一中間結果進行加密而得到；利用所述第一公開金鑰對所述第三中間結果進行加密，得到第三加密結果；對所述第一操作結果和所述第三加密結果進行第二同態加操作，得到第二操作結果；其中獲取所述訓練損失，包括：利用所述私密金鑰對所述第二操作結果進行解密，得到所述訓練損失。
  13. 一種電腦可讀儲存媒體，其上儲存有電腦程式，其中，當所述電腦程式在電腦中執行時，令電腦執行如請求項1至9中任一項的所述的方法。
  14. 一種計算設備，包括記憶體和處理器，其中，所述記憶體中儲存有可執行碼，所述處理器執行所述可執行碼時，實現如請求項1至9中任一項所述的方法。
TW109115876A 2019-12-13 2020-05-13 多方聯合訓練針對ＩｏＴ機具的風險評估模型的方法及裝置 TWI720888B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201911284459.8A CN111027981B (zh) 2019-12-13 2019-12-13 多方联合训练针对IoT机具的风险评估模型的方法及装置
CN201911284459.8 2019-12-13

Publications (2)

Publication Number Publication Date
TWI720888B true TWI720888B (zh) 2021-03-01
TW202123123A TW202123123A (zh) 2021-06-16

Family

ID=70208989

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109115876A TWI720888B (zh) 2019-12-13 2020-05-13 多方聯合訓練針對ＩｏＴ機具的風險評估模型的方法及裝置

Country Status (3)

Country Link
CN (1) CN111027981B (zh)
TW (1) TWI720888B (zh)
WO (1) WO2021114922A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027981B (zh) * 2019-12-13 2021-04-27 支付宝(杭州)信息技术有限公司 多方联合训练针对IoT机具的风险评估模型的方法及装置
CN113034153B (zh) * 2021-03-26 2022-08-02 支付宝(杭州)信息技术有限公司 一种基于共享学习的被欺诈风险识别方法、装置及设备
CN113569263A (zh) * 2021-07-30 2021-10-29 拉扎斯网络科技（上海）有限公司 跨私域数据的安全处理方法、装置及电子设备
CN114205155B (zh) * 2021-12-07 2023-09-15 四川启睿克科技有限公司 一种基于安全多方计算的供应商风险评估系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160105402A1 (en) * 2014-07-22 2016-04-14 Harsh Kupwade-Patil Homomorphic encryption in a healthcare network environment, system and methods
CN106504445A (zh) * 2016-11-07 2017-03-15 中国银联股份有限公司 基于物联网的pos终端监控方法以及监控系统
CN110071906A (zh) * 2015-03-10 2019-07-30 英特尔公司 使用基于密钥的加入协议的物联网组形成
CN110365703A (zh) * 2019-07-30 2019-10-22 国家电网有限公司 物联网终端异常状态检测方法、装置及终端设备
TW201944272A (zh) * 2018-04-11 2019-11-16 大陸商深圳富桂精密工業有限公司 基於物聯網的資料獲取系統、方法及可讀存儲介質

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11599883B2 (en) * 2017-03-08 2023-03-07 Visa International Service Association System and method for fraud risk analysis in IoT
US20180260815A1 (en) * 2017-03-09 2018-09-13 International Business Machines Corporation Internet of things recognition of questionable activity
CN109003075A (zh) * 2017-06-07 2018-12-14 阿里巴巴集团控股有限公司 一种风险识别方法及装置
WO2019051116A1 (en) * 2017-09-06 2019-03-14 Hodo Patrick G SECURING PRIVATE INFORMATION IN COMPUTER DEVICE TRANSACTIONS HOSTED BY SEVERAL PARTS
CN107835247B (zh) * 2017-11-08 2020-08-28 中国科学技术大学 一种信用认证、保障系统及方法
CN109241016B (zh) * 2018-08-14 2020-07-07 阿里巴巴集团控股有限公司 多方安全计算方法及装置、电子设备
CN109359470B (zh) * 2018-08-14 2020-09-01 阿里巴巴集团控股有限公司 多方安全计算方法及装置、电子设备
CN109543453B (zh) * 2018-11-30 2021-02-26 北京八分量信息科技有限公司 一种基于安全多方计算的订单信息处理方法、装置及系统
CN110335037A (zh) * 2019-04-19 2019-10-15 矩阵元技术（深圳）有限公司 基于区块链和多方安全计算的交易方法、装置及存储介质
CN111027981B (zh) * 2019-12-13 2021-04-27 支付宝(杭州)信息技术有限公司 多方联合训练针对IoT机具的风险评估模型的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160105402A1 (en) * 2014-07-22 2016-04-14 Harsh Kupwade-Patil Homomorphic encryption in a healthcare network environment, system and methods
CN110071906A (zh) * 2015-03-10 2019-07-30 英特尔公司 使用基于密钥的加入协议的物联网组形成
CN106504445A (zh) * 2016-11-07 2017-03-15 中国银联股份有限公司 基于物联网的pos终端监控方法以及监控系统
TW201944272A (zh) * 2018-04-11 2019-11-16 大陸商深圳富桂精密工業有限公司 基於物聯網的資料獲取系統、方法及可讀存儲介質
CN110365703A (zh) * 2019-07-30 2019-10-22 国家电网有限公司 物联网终端异常状态检测方法、装置及终端设备

Also Published As

Publication number Publication date
TW202123123A (zh) 2021-06-16
CN111027981A (zh) 2020-04-17
WO2021114922A1 (zh) 2021-06-17
CN111027981B (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
TWI720888B (zh) 多方聯合訓練針對ＩｏＴ機具的風險評估模型的方法及裝置
US11388009B2 (en) Token management system and token management method
US11296895B2 (en) Systems and methods for preserving privacy and incentivizing third-party data sharing
US11233655B2 (en) Data verification methods, apparatuses, and devices
US20180349968A1 (en) Systems and methods for product review management with distributed database
CN111291401B (zh) 基于隐私保护的业务预测模型训练方法和装置
US8943574B2 (en) Tokenizing sensitive data
CN112567366A (zh) 用于确保电子交易平台安全的系统和方法
US20160241390A1 (en) Cloud Encryption Key Broker Apparatuses, Methods and Systems
US20210374724A1 (en) Secure digital wallet processing system
WO2017092654A1 (zh) 一种pos机交易处理方法及系统
WO2022156594A1 (zh) 联邦模型训练方法、装置、电子设备、计算机程序产品及计算机可读存储介质
CN112199697A (zh) 基于共享根密钥的信息处理方法、装置、设备及介质
CN112788001A (zh) 一种基于数据加密的数据处理业务处理方法、装置及设备
CN112000978B (zh) 隐私数据的输出方法、数据处理系统及存储介质
JP5331834B2 (ja) 情報処理システム、読取端末および処理端末
CN112949866A (zh) 泊松回归模型的训练方法、装置、电子设备及存储介质
CN111861462A (zh) 基于区块链的金融产品交易方法及装置
Pukkasenunk et al. An efficient of secure mobile phone application for multiple bill payments
WO2019123676A1 (ja) 仮想通貨管理システム、プログラム
JP6889073B2 (ja) 仮想通貨管理装置、仮想通貨管理方法、およびプログラム
Larson et al. A secure multi-unit sealed first-price auction mechanism
CN113378198B (zh) 一种保护用户标识的模型的联邦训练系统、方法及装置
JP6889129B2 (ja) 仮想通貨管理装置、およびプログラム
CN118101212A (zh) 一种数字证书使用预警方法、装置及设备