[發明專利]基于聯邦學習的用戶數據分類方法、裝置、設備及介質

在審

• 申請號: 202011085715.3
• 申請日: 2020-10-12
• 公開（公告）號: CN112100295A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 王健宗;肖京;何安珣
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06F21/62;G06N20/00
• 代理公司: 深圳市世聯合知識產權代理有限公司 44385
• 代理人: 汪琳琳

本申請涉及信息安全技術領域，揭露一種基于聯邦學習的用戶數據分類方法、裝置、設備及介質，其中方法包括獲取訓練數據，并通過訓練數據訓練本地模型，并基于每個訓練循環期間本地模型的權重矩陣的變化梯度,生成梯度矩陣，將預先設定的上載速率的作為通道選擇閾值，從計算結果中，選擇符合所述通道選擇閾值的通道，作為目標通道，并將目標通道中的梯度矩陣作為目標梯度矩陣；選擇參數非零目標梯度矩陣，作為服務器的權重；根據服務器的權重，對本地模型進行更新，并根據更新后的本地模型對用戶數據進行分類。本申請還涉及區塊鏈技術，訓練數據存儲于區塊鏈中。本申請通過生成更新后的本地模型，實現在用戶數據分類時，保護用戶隱私數據安全。

技術領域

本申請涉及信息安全技術領域，尤其涉及基于聯邦學習的用戶數據分類方法、裝置、設備及介質。

背景技術

一方面隨著法律法規的不斷完善以及監控的不斷加強，數據的集中式處理將面臨巨大的法律風險；另一方面各個數據擁有方之間出于安全、經濟利益等因素不愿意共享原始數據。這些因素都會導致數據以孤島的形式存在。為了打破數據孤島，聯邦學習應運而生。聯邦學習無須各數據擁有方共享原始數據，可以在保證安全性的條件下，充分地利用各數據擁有方的原始數據進行模型訓練，有效解決了人工智能時代的數據孤島問題。

目前基于聯邦學習的用戶數據分類方法為：通過服務器節點將待訓練模型下發至多個工作節點，各工作節點基于各自所擁有的數據對接收到的待訓練模型進行訓練，并將訓練好的模型參數回傳至服務器節點，服務器節點根據接收到的各工作節點的模型參數對待訓練模型進行更新，然后重復上述過程直至待訓練模型滿足預設的性能指標，再通過符合預設性能指標的訓練模型對用戶數據進行分類。但是，在這種分類方法過程中，訓練數據都共享給執行分析的中央服務器，而提供數據的用戶則無法對其進行控制，這樣存在用戶數據泄露的風險。現亟需一種在對用戶數據進行分類時，能夠保護用戶隱私數據安全的方法。

發明內容

本申請實施例的目的在于提出一種基于聯邦學習的用戶數據分類方法，在進行用戶數據分類時，以提高用戶隱私數據的安全性。

為了解決上述技術問題，本申請實施例提供一種基于聯邦學習的用戶數據分類方法，包括：

獲取訓練數據，通過所述訓練數據訓練本地模型，并基于每個訓練循環期間所述本地模型的權重矩陣的變化梯度，生成梯度矩陣；

計算所述梯度矩陣的通道的歐幾里得范數，得到計算結果，并將所述計算結果以張量的形式進行保存；

將預先設定的上載速率的作為通道選擇閾值，從所述計算結果中，選擇符合所述通道選擇閾值的通道，作為目標通道，并將所述目標通道中的梯度矩陣作為目標梯度矩陣，其中，所述通道對應有所述訓練數據的處理生成后的梯度矩陣；

選擇參數非零的所述目標梯度矩陣，作為服務器的權重；

根據所述服務器的權重，對所述本地模型進行更新,得到更新后的本地模型；

基于所述更新后的本地模型，對用戶數據進行分類。

進一步的，所述獲取訓練數據，通過所述訓練數據訓練本地模型，并基于每個訓練循環期間所述本地模型的權重矩陣的變化梯度，生成梯度矩陣包括：

獲取用戶數據，并對所述用戶數據進行解析，得到本地模型的通用用戶，并獲取所述通用用戶的對應數據，作為所述訓練數據；

通過所述訓練數據訓練本地模型，并基于每個訓練循環期間所述本地模型的權重矩陣的變化梯度，生成得到梯度矩陣。

進一步的，所述將預先設定的上載速率的作為通道選擇閾值，從所述計算結果中，選擇符合所述通道選擇閾值的通道，作為目標通道，并將所述目標通道中的梯度矩陣作為目標梯度矩包括：

將所述計算結果轉化為一階張量的形式，并將所述計算結果進行排序，得到排序結果；