[发明专利]基于联邦学习的量子保密通信服务画像实现方法

说明书

本发明实施例提供一种基于联邦学习的量子保密通信服务画像实现方法，其包括：数据采集，得到各网络节点的多维数据，数据采集包括静态数据采集和动态数据采集；根据采集到的网络节点的多维数据，构建标签体系；根据各网络节点的多维数据与标签体系中标签的对应关系，实现各节点的量子保密通信服务画像；各节点的服务画像评价分析。本发明方法通过联邦学习方法实现量子保密通信服务画像构建，该方法降低了构建服务画像过程中的成本，提高了生成效率、准确性，保证了服务画像的分析质量。

技术领域

本发明涉及量子通信网络的技术领域，更具体地，涉及一种基于联邦学习的量子保密通信服务画像实现方法。

背景技术

量子保密通信服务，包括量子密钥生成与分发服务、量子密钥加解密服务。

量子密钥分发(QKD)是利用量子系统来进行信息的制备、传输、接收以及提纯来得到物理原理上不会被别人窃取的安全对称密钥，对于QKD来说，其安全性并不依赖于攻击者的计算能力，即使攻击者在物理学理论容许的范围内具有足够多和足够快的计算资源，量子密钥分发仍可保证通信双方能分享一串完全相同而且安全的密钥进行后续的安全通信。

量子密钥加密解密服务主要通过部署在接入单位的设备实现，业务层通过量子加密设备加密码数据后，传至另一端安全量子加密设备并完成解密的传输过程。网络节点实现密钥生成、密钥管理以及提供量子密钥加解密等功能。

联邦学习，又名联邦机器学习、联合学习、联盟学习。联邦学习作为分布式的机器学习范式，可以有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,能从技术上打破数据孤岛，实现AI协作。联邦学习主要目的是数据处理，联邦学习中使用的算法可以多种多样，既能包括传统经典的机器学习算法，也能包括神经网络算法等深度学习算法。

联邦学习定义了机器学习框架，在此框架下通过设计虚拟模型解决不同数据拥有方在不交换数据的情况下进行协作的问题。虚拟模型是各方将数据聚合在一起的最优模型，各自区域依据模型为本地目标服务。在联邦机制下，各参与者的身份和地位相同，可建立共享数据策略。由于数据不发生转移，因此不会泄露用户隐私或影响数据规范。为了保护数据隐私、满足合法合规的要求。

用户服务画像是指通过对海量数据信息进行清洗、聚类、分析，将数据抽象成标签，再利用这些标签将服务用户形象具体化的过程。

发明内容

本发明的目的是提供一种基于联邦学习的量子保密通信服务画像实现方法，考虑画像过程中各网络节点的不一致性，为多个网络节点提供具有层次化信息(公开信息与私有信息)的个性化用户模型，产生的用户模型能够充分利用隔离的不一致的私密数据，准确合理的实现服务用户画像。

本发明提供一种基于联邦学习的量子保密通信服务画像实现方法，所述实现方法包括：

步骤S1：数据采集，得到各网络节点的多维数据，数据采集包括静态数据采集和动态数据采集；

步骤S2：根据采集到的网络节点的多维数据，构建标签体系；

步骤S3：根据各网络节点的多维数据与标签体系中标签的对应关系，实现各节点的量子保密通信服务画像。

在一种实施方式中，所述实现方法还包括：

步骤S4：各网络节点的服务画像评价分析。

在一种实施方式中，步骤S3包括：

步骤S31：建立各网络节点的多维数据与标签体系中标签的对应关系；

步骤S32：各网络节点利用各自网络内的所有用户数据，使用一个用户模型建模用户特质，并分成分的将模型参数发送至服务器；

步骤S33：服务器接收所有网络节点发送的模型参数后，分成分的进行加权或者聚合处理，获得全局用户模型，并分成分的将全局模型参数分发至各网络节点；