[发明专利]在可信执行环境中训练GBDT模型的方法、装置及设备

说明书

本说明书实施例提供一种在可信执行环境中训练GBDT模型的方法、装置及设备，在训练方法中，对于当前决策树中的当前节点，将D维特征中的每项特征依次作为当前特征，对当前节点进行节点分割判断。节点分割判断包括：将当前特征的N个加密数组加载到可信内存区域中并解密。将得到的N个原始数组中的各个数组依次作为当前数组，基于当前数组中的当前特征值，对当前节点对应的样本集进行假定分割，并基于假定分割结果，确定当前节点的当前最佳分裂特征和当前最佳特征阈值。在基于D维特征中每项特征进行节点分割判断之后，对当前节点对应的样本集进行分割，生成当前节点对应的子节点，直至到达叶子节点。由此，可实现基于私有数据对GBDT模型的安全训练。

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种在可信执行环境中训练GBDT模型的方法、装置及设备。

背景技术

在互联网技术快速发展的背景下，对互联网中的数据挖掘工作变得越来越重要。通常，在数据挖掘中，通过机器学习基于标定数据进行建模，从而可使用训练好的模型处理待预测的数据。在多种机器学习算法中，GBDT(Gradient boosting decision tree,梯度提升决策树)算法由于其优异的学习性能，得到越来越广泛的应用。GBDT算法是一种用于回归、分类、排序等任务的机器学习技术，其通过结合多个弱学习器(通常为决策树)而获得强预测模型，也称GBDT模型。

然而在训练GBDT模型的过程中，会存在数据泄露的风险。因此，如何保证GBDT模型训练过程中数据的安全性就成为要解决的问题。

发明内容

本说明书一个或多个实施例描述了一种在可信执行环境中训练GBDT模型的方法、装置及设备，可以确保在模型训练过程中数据的安全性。

第一方面，提供了一种在可信执行环境中训练GBDT模型的方法，包括：

对于当前决策树中的当前节点，将所述D维特征中的每项特征依次作为当前特征，并基于当前特征对当前节点进行节点分割判断，所述节点分割判断包括：

将当前特征对应的N个加密数组从所述非可信内存区域加载到所述可信内存区域中，在所述可信内存区域中对其进行解密，得到N个原始数组；

将所述N个原始数组中的各个数组依次作为当前数组，基于所述当前数组中的当前特征值，对当前节点对应的样本集进行假定分割，并基于假定分割结果，确定当前节点的当前最佳分裂特征和当前最佳特征阈值；

在基于所述D维特征中每项特征进行所述节点分割判断之后，将所述当前节点对应的当前最佳分裂特征和当前最佳特征阈值作为其分裂特征和特征阈值，对当前节点对应的样本集进行分割，生成当前节点对应的子节点，直至到达叶子节点。

第二方面，提供了一种在可信执行环境中训练GBDT模型的装置，包括：

判断单元，用于对于当前决策树中的当前节点，将所述D维特征中的每项特征依次作为当前特征，并基于当前特征对当前节点进行节点分割判断；

所述判断单元具体包括：

解密子单元，用于将当前特征对应的N个加密数组从所述非可信内存区域加载到所述可信内存区域中，在所述可信内存区域中对其进行解密，得到N个原始数组；

确定子单元，用于将所述解密子单元解密得到的所述N个原始数组中的各个数组依次作为当前数组，基于所述当前数组中的当前特征值，对当前节点对应的样本集进行假定分割，并基于假定分割结果，确定当前节点的当前最佳分裂特征和当前最佳特征阈值；

分割单元，用于在基于所述D维特征中每项特征进行所述判断单元执行的所述节点分割判断之后，将所述当前节点对应的当前最佳分裂特征和当前最佳特征阈值作为其分裂特征和特征阈值，对当前节点对应的样本集进行分割，生成当前节点对应的子节点，直至到达叶子节点。