[发明专利]联邦建模任务隐私安全综合评估方法、装置、设备及介质

说明书

本申请公开了联邦建模任务隐私安全综合评估方法、装置、设备及介质，涉及计算机视觉和深度学习领域，包括构建出初始生成对抗网络模型；计算出联合建模训练数据，分别生成数据对训练集和联邦建模数据对，对初始生成对抗网络模型进行训练，得到生成对抗网络模型；基于生成对抗网络模型和联合建模训练数据构建出隐私安全综合评估网络模型，基于联邦建模任务生成联合建模数据；将隐私安全综合评估网络模型部署至云端中的节点，利用隐私安全综合评估网络模型和联合建模数据对各节点进行隐私安全评估，得到隐私安全综合评估结果。本申请能提升网络结构搜索性能，提高网络结构搜索效率，实现在大规模的搜索空间上搜索高性能的网络结构同时减少计算开销。

技术领域

本发明涉及深度学习技术领域，特别涉及一种联邦建模任务隐私安全综合评估方法、装置、设备及介质。

背景技术

联邦学习(Federated Learning)作为一种新兴的人工智能和隐私计算结合的基础技术，最先由谷歌提出，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练，在保障数据隐私安全的前提下，开展高效率的机器学习联邦建模，实现“数据可用不可见”、“数据不动模型动”的应用新范式，已成为联邦建模的重要技术手段。随着数字经济时代到来，数据已成为不可或缺的生产要素，且以大数据、人工智能、深度学习为首的新一代数字技术正在使企业重新构建业务模式，各个行业也纷纷探索通过海量数据及人工智能技术实现智能化转型。但频发的隐私安全事件令数据使用的隐私安全问题备受关注。大多数行业中，数据呈孤岛状态存在，而且在极端竞争的环境中，行政手续繁杂，即使在公司内部不同部门间实现数据整合也不易，更不用说隐私安全了，各部门对数据的隐私安全要求不尽相同。

由上可见，如何提高联邦建模任务隐私安全综合评估的准确性，增加联邦建模任务隐私安全综合评估的安全性，提升联邦建模效果是本领域有待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种联邦建模任务隐私安全综合评估方法、装置、设备及介质，能够提高联邦建模任务隐私安全综合评估的准确性，增加联邦建模任务隐私安全综合评估的安全性，提升联邦建模效果，其具体方案如下：

第一方面，本申请公开了一种联邦建模任务隐私安全综合评估方法，包括：

基于联邦建模原始数据构建出初始生成对抗网络模型；

基于本地的联合建模训练数据计算出联合建模训练数据，根据所述联合建模训练数据分别生成数据对训练集和联邦建模数据对，利用所述数据对训练集和所述联邦建模数据对所述初始生成对抗网络模型进行训练，以得到生成对抗网络模型；

基于所述生成对抗网络模型和所述联合建模训练数据构建出隐私安全综合评估网络模型，创建联邦建模任务，基于所述联邦建模任务生成联合建模数据，并将所述联合建模数据发送至云端；

将所述隐私安全综合评估网络模型部署至所述云端中对应的节点，利用隐私安全综合评估网络模型和所述联合建模数据对各所述节点进行隐私安全评估，以得到隐私安全综合评估结果。

可选的，所述基于联邦建模原始数据构建出初始生成对抗网络模型，包括：

基于联邦建模原始数据构建出初始生成对抗网络模型；其中，所述初始生成对抗网络模型由生成器、辨别器以及域分类器网络构成。

可选的，所述基于本地的联合建模训练数据计算出联合建模训练数据，包括：

利用所述生成器中的时序神经网络并基于本地联合建模的训练数据构建出联合建模原文真实数据的数据集；其中，所述时序神经网络由特征提取层、算法依赖层、汇聚网络以及生成网络构成；

对所述原文真实数据的数据集进行明文计算，以得到中间结果数据序列，将所述中间结果数据序列作为联合建模密文数据的数据集；其中，所述联合建模训练数据中包括所述联合建模原文真实数据的数据集和所述联合建模密文数据的数据集。