[发明专利]联邦建模系统及方法、联邦模型预测方法、介质、设备

说明书

本公开提供了一种联邦建模系统、联邦建模方法、联邦模型预测方法、计算机可读存储介质和电子设备，涉及数据建模技术领域。联邦建模系统包括：特征处理装置，用于获取标签方的第一样本特征和标签值，对第一样本特征进行迭代处理得到中间特征向量；建模装置包括：向量接收模块，用于接收数据方的加密特征向量；数据处理模块，用于基于中间特征向量、加密特征向量和标签值，计算并加密第一样本特征对应的多个局部数据；数据解密模块，用于在数据方对与第一公钥加密数据相关的局部数据进行解密后，接收并解密局部数据以获取对应的目标解密数据，基于目标解密数据对待训练模型进行训练以得到目标模型。本公开可以提高联邦模型中交互数据的安全性。

技术领域

本公开涉及数据建模技术领域，具体而言，涉及一种联邦建模系统、联邦建模方法、联邦模型预测方法、计算机可读存储介质和电子设备。

背景技术

随着人工智能和深度学习的快速发展，信息共享成为了促进企业合作发展的重要途径之一。

目前，多数企业采用联邦学习技术来实现信息共享。具体地，参与联邦学习的多个参与方首先从本地获取样本数据；然后，对样本数据进行加密，并将加密后的数据发送至协调方；接着，协调方对加密数据进行计算得出联邦模型的加密参数；其次，将加密的参数发送至解密设备，并将解密后的参数反馈至多个参与方，以使多个参与方对联邦模型进行训练得到联邦模型；随后，多个参与方使用训练好的联邦模型预测出目标数据。然而，基于上述情况，若协调方对解密设备进行设备控制，则可能使得多个参与方的数据泄露，导致联邦学习中数据交互存在安全隐患问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种联邦建模系统、联邦建模方法、联邦模型预测方法、计算机可读存储介质和电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致联邦模型数据安全性低的问题。

根据本公开的第一个方面，提供一种联邦建模系统，该联邦建模系统包括多个建模装置和特征处理装置，且部署于标签方和数据方，其中，特征处理装置，用于获取标签方的第一样本特征和标签值，对第一样本特征进行迭代处理，得到中间特征向量；建模装置包括：向量接收模块，用于接收数据方的加密特征向量，其中，加密特征向量由数据方的建模装置基于数据方的第一公钥加密数据对迭代处理后的第二样本特征进行加密得到；数据处理模块，用于基于中间特征向量、加密特征向量和标签值，计算并加密第一样本特征对应的多个局部数据；数据解密模块，用于在数据方对与第一公钥加密数据相关的局部数据进行解密后，接收并解密数据方解密后的局部数据以获取对应的目标解密数据，基于目标解密数据对待训练模型进行训练，以得到目标模型。

可选地，第一样本特征对应的多个局部数据包括数据处理模块计算得到的损失函数、梯度以及联合计算梯度的中间参数。

可选地，特征处理装置包括：特征迭代模块，用于基于一预设神经网络对第一样本特征进行迭代处理，得到中间特征向量。

可选地，数据处理模块包括：公钥获取单元，用于在接收数据方的加密特征向量之前，获取第一公钥加密数据；数据确定单元，用于基于第一公钥加密数据、中间特征向量、加密特征向量和标签值，计算第一样本特征对应的多个局部数据。

可选地，数据处理模块包括：公钥确定单元，用于确定标签方的第二公钥加密数据；数据加密单元，用于基于第二公钥加密数据对中间参数进行加密；分别对损失函数和梯度添加一掩码数据进行加密。

可选地，数据解密模块包括：数据接收单元，用于在数据方对与第一公钥加密数据相关的局部数据进行解密后，接收数据方解密后的局部数据作为中间解密数据；数据解密单元，用于对与第二公钥加密数据相关的中间解密数据进行解密，并删除中间解密数据中的掩码数据以获取对应的目标解密数据；数据建模单元，用于基于目标解密数据对待训练模型的参数进行迭代更新，以得到目标模型。