[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

说明书

本发明公开了一种基于联邦学习的金融数据共享隐私保护方法。近年来受限于数据安全和隐私保护相关法规，无法跨机构或跨部门进行数据共享，为了使数据在不同实体间的转移和交易，不违反国家关于数据隐私和数据安全的法案，所以本发明使用联邦学习的金融数据共享的隐私保护方法。本发明采用隐私集合求交技术，让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两个机构共同训练一个学习模型。联邦学习能在一定程度上解决数据泄漏的问题，但明文梯度参数仍会泄漏信息，本发明使用多密钥同态方法对梯度参数进行加密，然后使用边缘计算服务器减轻了云服务器聚合梯度参数的计算。

技术领域

本发明涉及金融数据共享隐私保护领域，尤其涉及同态加密、联邦学习、边缘计算的方法

背景技术

由于数据安全、个人数据隐私等风险事件频繁发生，促使了数据监管相关法律法规的出台，整合不同机构、不同部门之间的孤立数据进行联合训练和建模是无法实现的。联邦学习的出现，为这一问题的解决提供了一个潜在的可行方案，联邦学习能够实现每一个参与方的数据不离开本地，不会造成泄漏，但相关研究表明只上传梯度参数也会造成泄漏，所以为了加强隐私保护，会结合同态加密等隐私计算的方法上传加密的模型梯度参数。

发布内容

为了解决数据孤岛问题且不违反数据流通相关法律法规的情况下，本发明提供一种基于联邦学习的金融数据共享的隐私保护方法。

本发明采用的技术方案为：一种基于联邦学习的金融数据共享的隐私保护方法。包括以下的步骤：

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。

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。

本发明与现有技术相比，其有益的效果为：

本发明提供了一种基于联邦学习的金融数据共享的隐私保护方法，由于数据安全、个人数据隐私等风险事件频繁发生，促使了数据监管相关法律法规的出台，整合不同机构、不同部门之间的孤立数据进行联合训练和建模是无法实现的。本发明的方案可以使2个不同的金融机构方使用共同用户的数据去共同训练一个模型，使用联邦学习保证每一个参与方的数据不会离开本地，为梯度参数使用多密钥同态加密，保证梯度参数也不会有任何的泄漏。

附图说明

图1为本发明涉及各方的信息交互图；

具体实施方式

如图1所示，本发明方法所涉及的各方云服务器、金融机构方A、金融机构方B、边缘服务器和用户之间的信息交互关系，具体步骤如下所示：

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。