[发明专利]一种基于联邦学习的金融数据共享隐私保护方法

权利要求书

1.一种基于联邦学习的金融数据共享隐私保护方法，其特征在于：包括以下步骤：

1)同一个地区两个不同的金融机构方想要合作训练一个模型，利用隐私保护集合求交技术，在双方不公开各自数据的前提下确认共有的交集用户，不暴露用户差集；

2)云服务器将初始的全局梯度参数分别发给金融机构方A和B，金融机构方A和B分别发给自己的边缘服务器，边缘服务器再分别转发给自己负责的用户；

3)每一个用户需要执行密钥生成算法，得到自己的公钥和私钥对；

4)用户使用自己本地的数据训练新的局部模型梯度参数，并使用自己的公钥对局部梯度参数加密，将加密后的参数发送给边缘服务器；

5)边缘服务器接收和执行同态运算即聚合加密参数的操作，将聚合的加密参数返回给用户，参与的用户用各自的私钥联合解密v；

6)用户迭代执行固定次数后，加密的局部参数经过边缘服务器的聚合后会发送给金融机构方A或者B。A或者B收到加密参数后，会对进行聚合，将聚合后的参数发送给云服务器，云服务器会聚合来自A和B的参数，从而生成新的全局梯度参数；

7)用户对新的加密全局梯度参数进行联合解密，重复上述步骤。

2.根据权利要求1所述一种基于联邦学习的金融数据共享隐私保护方法，其特征在于：基于联邦学习的金融数据共享的隐私保护。

3.根据权利要求1所述一种基于联邦学习的金融数据共享隐私保护方法，其特征在于：步骤1)两个金融机构在业务上可能有很多不同，但是其客户群体大多数都是相同的，隐私保护求交协议在不公开各自数据的前提下，允许持有各自用户的两方来共同计算两个用户群体里的相同的用户，而且不会得到相同用户以外另一方用户群中的任何信息。

4.根据权利要求1所述一种基于联邦学习的金融数据共享隐私保护方法，其特征在于：步骤2)云服务器将模型初始化的参数(学习率、客户端本地迭代次数、边缘服务器迭代次数、生成公钥和私钥的安全参数)发送到每个参与训练的用户，利用本地的数据进行训练，初始化本地模型。

5.根据权利要求1所述一种基于联邦学习的金融数据共享隐私保护方法，其特征在于：步骤3)使用多密钥同态加密对梯度参数进行加密，联邦学习中对模型参数的聚合一般只用到加法运算，所以本发明设计的多密钥同态加密方案只需要满足加法同态的加密方案。在多密钥同态加密方案中，安全参数由云服务器生成，参与训练的各用户使用安全参数生成自己的公钥和私钥。

6.根据权利要求1所述一种基于联邦学习的金融数据共享隐私保护方法，其特征在于：步骤5)边缘服务器对接收的用户数量设置一个阈值，当发送到该边缘服务器的加密梯度参数达到阈值时，将不再接收梯度信息，并对已经收到的加密梯度参数进行聚合，将聚合后的结果发送给该边缘服务器下的用户，用户使用各自的私钥对其联合解密。

7.根据权利要求1所述一种基于联邦学习的金融数据共享隐私保护方法，其特征在于：步骤6)经过运行固定的迭代次数后，加密的局部参数经过边缘服务器的聚合后会发送给金融机构方A或者B。A或者B收到所有来自边缘服务器的参数，会对其进行聚合，将聚合后的参数发送给云服务器，云服务器聚合来自A和B的参数，从而生成新的全局梯度参数。