CN112598138A - 数据处理方法、装置、联邦学习***和电子设备 - Google Patents
数据处理方法、装置、联邦学习***和电子设备 Download PDFInfo
- Publication number
- CN112598138A CN112598138A CN202011528941.4A CN202011528941A CN112598138A CN 112598138 A CN112598138 A CN 112598138A CN 202011528941 A CN202011528941 A CN 202011528941A CN 112598138 A CN112598138 A CN 112598138A
- Authority
- CN
- China
- Prior art keywords
- party
- participant
- output information
- oprf
- intersection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Storage Device Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了数据处理方法、装置、联邦学习***和电子设备,涉及深度学习和大数据处理等人工智能领域。具体实现方案为:联邦学习***中的第一参与方基于不经意传输OT协议,与联邦学习***中的第二参与方交互,得到不经意伪随机函数OPRF种子;第一参与方基于OPRF种子和第一参与方的数据标识集合,确定第一参与方的OPRF输出信息;第一参与方发送第一参与方的OPRF输出信息;其中,第一参与方的OPRF输出信息用于确定联邦学习***的数据标识集合的交集。根据本公开的技术方案,可以提高数据安全。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及深度学习和大数据处理等人工智能领域。
背景技术
机器学习已经普遍应用到金融、医疗等各个领域。机器学习之所以能在各个领域取得良好效果,与相关技术的飞跃发展、硬件计算能力的快速提升以及数据的***式增长有关。联邦学习是在满足用户隐私保护、数据安全和相关规则的情况下,利用多个机构的数据进行联合分析或者联合建模。在联邦学习之前多个机构即联邦学习的参与方,往往需要进行数据对齐。数据对齐是指对多个参与方的数据集中具有相同用户标识的数据进行对齐,其中包含确定多个参与方的数据集中相同的用户标识的过程。
发明内容
本公开提供了一种数据处理方法、装置、联邦学习***和电子设备。
根据本公开的一方面,提供了一种数据处理方法,包括:
联邦学习***中的第一参与方基于不经意传输OT协议,与联邦学习***中的第二参与方交互,得到不经意伪随机函数OPRF种子;
第一参与方基于OPRF种子和第一参与方的数据标识集合,确定第一参与方的OPRF输出信息;
第一参与方发送第一参与方的OPRF输出信息;其中,第一参与方的OPRF输出信息用于确定联邦学习***的数据标识集合的交集。
根据本公开的另一方面,提供了一种数据处理装置,应用于联邦学习***中的第一参与方,装置包括:
交互模块,用于基于不经意传输OT协议,与联邦学习***中的第二参与方交互,得到不经意伪随机函数OPRF种子;
第一确定模块,用于第一参与方基于OPRF种子和第一参与方的数据标识集合,确定第一参与方的OPRF输出信息;
第一发送模块,用于发送第一参与方的OPRF输出信息;其中,第一参与方的OPRF输出信息用于确定联邦学习***的数据标识集合的交集。
根据本公开的另一方面,提供了一种联邦学习***,包括第一参与方和第二参与方;
第二参与方,用于基于OT协议以及第二参与方的数据标识集合,与第一参与方交互,得到第二参与方的OPRF输出信息;
第一参与方,用于基于OT协议,与第二参与方交互,得到OPRF种子,基于OPRF种子和第一参与方的数据标识集合,确定第一参与方的OPRF输出信息,并发送第一参与方的OPRF输出信息;
其中,第一参与方的OPRF输出信息和第二参与方的OPRF输出信息用于确定联邦学习***的数据标识集合的交集。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本申请实施例提供的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行本申请实施例提供的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本申请实施例提供的方法。
根据本公开的技术方案,能够在联邦学习的数据对齐过程中保护各参与方的数据标识信息不被泄露,提高数据安全。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开一个实施例提供的数据处理方法的示意图;
图2是根据本公开另一个实施例提供的数据处理方法的示意图;
图3是根据本公开又一个实施例提供的数据处理方法的示意图;
图4是根据本公开一个实施例提供的联邦学习***的示意图;
图5是根据本公开另一个实施例提供的联邦学习***的示意图;
图6是根据本公开一个实施例提供的数据处理装置的示意图;
图7是根据本公开另一个实施例提供的数据处理装置的示意图;
图8是用来实现本公开实施例的数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
一般来说,联邦学习***的各参与方,为避免泄露己方拥有的数据,会对己方数据的用户标识进行哈希计算,以将用户标识对应的哈希值向其他参与方公开。各参与方通过比对其他参与方公开的哈希值与己方数据的用户标识的哈希值,确定是否存在交集,从而确定是否拥有同一用户标识对应的数据。然而,在用户标识的数量有限的情况下,在上述方案的基础上,各参与方可以根据其他参与方公开的哈希值反推出哈希输入,因此,不仅可以确定具有相同用户标识的数据,还能获取其他参与方的其他用户标识数据,造成数据安全风险。
为此,本公开实施例提供一种数据处理方法。参见图1,该方法包括:
步骤S11,联邦学习***中的第一参与方基于OT(Oblivious Transfer,不经意传输)协议,与联邦学习***中的第二参与方交互,得到OPRF(Oblivious PseudorandomFunction,不经意伪随机函数)种子;
步骤S12,第一参与方基于OPRF种子和第一参与方的数据标识集合,确定第一参与方的OPRF输出信息;
步骤S13,第一参与方发送第一参与方的OPRF输出信息;其中,第一参与方的OPRF输出信息用于确定联邦学习***的数据标识集合的交集。
其中,OT协议是一种可保护隐私数据的双方通信协议。本申请实施例中,基于OT协议进行交互的双方,其中一方能够得到OPRF种子,另一方能够得到自身输入数据的OPRF输出信息。示例性地,第二参与方将自身的数据标识集合输入OT协议,OT协议将返回与第二参与方的数据标识集合对应的OPRF输出信息。也就是说,第二参与方基于第二参与方的数据标识集合和OT协议,可以得到第二参与方的OPRF输出信息。
示例性地,数据标识集合可以包括各用户数据的标识信息,例如用户的手机号码、身份证号等唯一标识。在一些示例中,标识信息也可以称为行ID(Identity Document,身份标识号),即在多行数据中的每一行中,用于代表该行数据的信息。
示例性地,参与方的OPRF输出信息,可以包括该参与方的数据标识集合中的每个数据标识的OPRF输出信息。
OPRF种子可以用于获取任意数据所对应的OPRF输出信息。在本申请实施例中,第一参与方得到OPRF种子,因此,可以计算得到与第一参与方的数据标识集合对应的。
第一参与方发送自身的OPRF输出信息,则接收到第一参与方的OPRF输出信息的接收方例如其他参与方或中间方,可以基于第一参与方的OPRF输出信息和其他参与方的OPRF输出信息,确定对应的数据标识集合中是否存在交集以及交集的元素。由于接收方不持有OPRF种子,因此,对于接收方而言,第一参与方的OPRF输出信息类似于随机数,接收方无法获得第一参与方的数据标识集合的数据。并且,虽然第一参与方持有OPRF种子,但第一参与方将OPRF输出信息发送出去,由接收方确定交集,第一参与方没有获取其他参与方的具体数据,因此,也不会泄露其他参与方的数据。
本申请实施例中,联邦学习***的数据标识集合,包括联邦学习***中的参与方的数据标识集合。实际应用中,在联邦学习***包括两个参与方的情况下,联邦学习***的数据标识集合的交集,可以是第一参与方的数据标识集合和第二参与方的数据标识集合的交集。在联邦学习***包括至少三个参与方的情况下,联邦学习***的数据标识集合的交集,可以是包括第一参与方、第二参与方在内的至少三个参与方的数据标识集合的交集。
可见,上述方法能够实现PSI(Private Set Intersection,私密求交集),基于PSI得到联邦学习***的数据标识集合的交集,作为数据对齐结果。因此,能够保护各参与方的数据标识信息不被泄露,提高数据安全。
在一些示例中,联邦学习***包括第一参与方和第二参与方。上述步骤S13,第一参与方发送第一参与方的OPRF输出信息,可以包括:
第一参与方将第一参与方的OPRF输出信息发送至第二参与方;其中,第二参与方用于根据第一参与方的OPRF输出信息和第二参与方的OPRF输出信息,确定联邦学习***的数据标识集合的交集。
具体的,可以参考图2。如图2所示,第一参与方和第二参与方基于OT协议交互后,第一参与方基于得到的PRS种子,确定第一参与方的OPRF信息,其中包含第一参与方的数据标识集合中各元素对应的OPRF信息。第一参与方发送该OPRF输出信息到第二参与方中。由于第二参与方基于OT协议得到第二参与方的OPRF输出信息,因此,第二参与方确定自身的数据标识集合中的每个元素的OPRF输出信息。
第二参与方基于第二参与方的OPRF输出信息与第一参与方的OPRF输出信息,得到联邦学习***的数据标识集合的交集的具体处理过程,可以包括:
第二参与方将联邦学习***的数据标识集合的交集初始化为0,然后遍历自身的数据标识集合中的每个元素,针对遍历到的元素,确定其OPRF输出信息是否在第一参与方的OPRF输出信息中。若是,则将该元素添加到交集中。在遍历完全部元素后,得到第一参与方和第二参与方的数据标识集合的交集,即联邦学习***的数据标识集合的交集。第二参与方将该交集发送到第一参与方,则第一参与方也获取到交集,双方可基于该交集,共享交集中的标识信息所对应的数据,例如进行联合分析或联合建模。
根据上述方式,可以在***露第一参与方和第二参与方的数据的基础上,确定联邦学习***的数据标识集合的交集,提高数据安全性。
在一些示例中,联邦学习***可以包括至少三个参与方,例如包括四个参与方,则可以先选取两个参与方作为第一参与方和第二参与方,执行上述方法,双方得到第一参与方和第二参与方的交集。再以其中一方作为新的第一参与方,从联邦学习***中的其他参与方选取一个作为新的第二参与方,执行上述方法,双方得到第一参与方和第二参与方的交集。依次类推,在对联邦学习***中所有的参与方执行完上述方法后,可以得到联邦学习***中的数据标识集合的交集。
本申请实施例中,还提供另一种实施方式,用以确定多个参与方的数据标识集合的交集。具体的,数据处理方法还可以包括:
第一参与方将OPRF种子发送至联邦学习***中的第三参与方;其中,第三参与方用于基于OPRF种子和第三参与方的数据标识集合,得到第三参与方的OPRF输出信息,并将第三参与方的OPRF输出信息发送至中间方;
相应的,上述步骤S13,第一参与方发送第一参与方的OPRF输出信息,包括:
第一参与方将第一参与方的OPRF输出信息发送至中间方;其中,中间方用于基于第一参与方和第三参与方的OPRF输出信息,确定OPRF输出信息交集,OPRF输出信息交集用于确定联邦学习***的数据标识集合的交集。
其中,第三参与方的数量可以是多个。第一参与方将OPRF种子发送至多个第三参与方,多个第三参与方中的每个第三参与方均基于OPRF种子和第三参与方的数据标识集合,得到第三参与方的OPRF输出信息,并将其发送至中间方。
举例而言,对于包括m个参与方party-1至party-m的联邦学习***:
首先,第一参与方party-1和第二参与方party-m基于OT协议进行交互。第一参与方party-1得到OPRF种子(C,s,Q),其中,C为party-1采样的随机数,s为OT协议中的随机秘钥,Q为OT协议中的Q矩阵。第二参与方party-m得到OPRF输出信息(C,T0,T1),其中,T0和T1为OT协议中的T矩阵,T0和T1中的元素与party-m的输入数据与s和Q相关。
然后,party-1向第三参与方,包括party-2至party-(m-1),广播(C,s,Q),则party-1至party-(m-1)均持有OPRF种子。party-1至party-(m-1)基于OPRF种子和自身的数据标识集合得到对应的OPRF输出信息{Hk,Sk}k∈{1,…,m-1}。
party-1至party-(m-1)将OPRF输出信息均发送至半诚实(semi-honest)中间方,中间方汇总得到OPRF输出信息交集:
{H=∩k∈1,…,m-1Hk,S=∩k∈1,…,m-1Sk}。
基于上述OPRF输出信息交集{H,S}以及第二参与方party-m的OPRF输出信息(C,T0,T1),可以确定联邦学习***的数据标识集合的交集。
实际应用中,第二参与方可以将第二参与方的OPRF输出信息和第二参与方与OPRF输出信息对应的数据标识集合发送至中间方,由中间方确定联邦学习***的数据标识集合的交集。或者,中间方将OPRF输出信息交集发送至第二参与方,由第二参与方确定联邦学习***的数据标识的交集,如此,可以保障第二参与方的隐私安全。基于第二参与方的OPRF输出信息与OPRF输出信息交集得到联邦学习***的数据标识集合的交集的处理过程,可以参考上述基于第二参与方的OPRF输出信息与第一参与方的OPRF输出信息得到联邦学习***的数据标识集合的交集的具体处理过程实现。
根据上述实施方式,在有至少三个参与方的情况下,第一参与方向第三参与方广播OPRF种子,如此,除第二参与方外的其他参与方均获得OPRF种子,各参与方计算得到自身的OPRF输出信息后,交由中间方求OPRF输出信息交集,再基于OPRF输出信息交集确定***的数据标识集合的交集。如此,各参与方仅能获取全***的数据交集,无法获得与任一其他参与方之间的交集,进一步提高了数据安全性。
示例性地,数据处理方法还可以包括:
第一参与方接收第二参与方发送的联邦学习***中各参与方的数据标识集合的交集;其中,第二参与方用于接收中间方发送的OPRF输出信息交集,以及基于OPRF输出信息交集与第二参与方的OPRF输出信息,确定联邦学习***的数据标识集合的交集。
根据该实施方式,中间方确定OPRF输出信息交集后发送至第二参与方,由第二参与方确定联邦学习***的数据标识集合的交集,再将该交集发送到第一参与方。示例性地,第二参与方还可以将该交集发送到第三参与方,使得联邦学习***中各参与方均能获得该交集。
根据上述实施方式,由第二参与方基于自身数据标识集合、OPRF输出信息与OPRF输出信息交集得到全***的交集,可以免于发送第二参与方的数据标识集合,保护第二参与方的隐私数据,进一步提高数据安全性。
在一些示例中,可以先对联邦学习***中各参与方的数据标识集合进行填充,使各数据标识集合的集合尺寸相同(即包含的元素的数量相同),以便于确定各参与方的OPRF输出信息。例如,A方输入集合X,B方输入集合Y,通过在集合X和Y中随机填充数据标识,可以使|X|=|Y|=n。
在另一些示例中,在执行上述方法中,将OT协议的第二参与方的集合尺寸,即集合中元素的数量发送至第一参与方,如此,第一参与方也能够准确确定OPRF输出信息,基于该方式,可以不对各参与方的数据标识集合进行填充。示例性地,数据处理方法还可以包括:
第一参与方接收第二参与方的集合尺寸;
相应的,第一参与方基于OPRF种子和第一参与方的数据标识集合,确定第一参与方的OPRF输出信息,包括:
第一参与方基于OPRF种子、第一参与方的数据标识集合和第二参与方的集合尺寸,确定第一参与方的OPRF输出信息。
根据上述实施方式,可以不对各参与方的数据标识集合进行填充,减少数据传输量和计算量。
作为上述各方法的实现,本公开实施例还提供一种联邦学习***。如图3所示,该***可以包括第一参与方310和第二参与方320;
第二参与方320,用于基于OT协议以及第二参与方320的数据标识集合,与第一参与方310交互,得到第二参与方320的OPRF输出信息;
第一参与方310,用于基于OT协议,与第二参与方320交互,得到OPRF种子,基于OPRF种子和第一参与方310的数据标识集合,确定第一参与方310的OPRF输出信息,并发送第一参与方310的OPRF输出信息;
其中,第一参与方310的OPRF输出信息和第二参与方320的OPRF输出信息用于确定联邦学习***的数据标识集合的交集。
示例性地,第一参与方310用于将第一参与方310的OPRF输出信息发送至第二参与方320;
第二参与方320用于根据第一参与方310的OPRF输出信息和第二参与方320的OPRF输出信息,确定联邦学习***的数据标识集合的交集。
示例性地,如图4所示,联邦学习***还包括第三参与方410和中间方420;
第一参与方310还用于将OPRF种子发送至联邦学习***中的第三参与方410,将第一参与方310的OPRF输出信息发送至中间方420;
第三参与方410用于基于OPRF种子和第三参与方410的数据标识集合,得到第三参与方410的OPRF输出信息,并将第三参与方410的OPRF输出信息发送至中间方420;
中间方420用于基于第一参与方310和第三参与方410的OPRF输出信息确定OPRF输出信息交集,OPRF输出信息交集用于确定联邦学习***的数据标识集合的交集。
示例性地,中间方420还用于将OPRF输出信息交集发送至第二参与方320;
第二参与方320还用于接收中间方420发送的OPRF输出信息交集,基于OPRF输出信息交集与第二参与方320的OPRF输出信息,确定联邦学习***的数据标识集合的交集,将联邦学习***的数据标识集合的交集发送至第一参与方310和第三参与方410。
示例性地,第一参与方310还用于接收第二参与方320的集合尺寸,基于OPRF种子、第一参与方310的数据标识集合和第二参与方320的集合尺寸,确定第一参与方310的OPRF输出信息。
图5出了上述联邦学习***中各主体的交互流程。如图5所示,交互流程包括:
步骤S51:第一参与方基于OT协议,与第二参与方交互,得到OPRF种子;
步骤S52:第一参与方将OPRF种子发送至第三参与方;
步骤S53:第一参与方基于OPRF种子和第一参与方的数据标识集合,确定第一参与方的OPRF输出信息;
步骤S54:第一参与方将第一参与方的OPRF输出信息发送至中间方;
步骤S55:第三参与方基于OPRF种子和第三参与方的数据标识集合,得到第三参与方的OPRF输出信息;
步骤S56:将第三参与方的OPRF输出信息发送至中间方;
步骤S57:中间方基于第一参与方和第三参与方的OPRF输出信息确定OPRF输出信息交集;
步骤S58:第二参与方接收中间方发送的OPRF输出信息交集;
步骤S59:第二参与方基于OPRF输出信息交集与第二参与方320的OPRF输出信息,确定联邦学习***的数据标识集合的交集;
步骤S60:第二参与方将联邦学习***的数据标识集合的交集发送至第一参与方和第三参与方。
本申请实施例提供的联邦学习***,可以执行上述数据处理方法,具备相应的技术效果。实际应用中,可以参考上述数据处理方法相应地设置联邦学习***。
作为上述各方法的实现,本公开实施例还提供一种数据处理装置,该装置应用于联邦学习***中的第一参与方,如图6所示,该装置包括:
交互模块610,用于基于不经意传输OT协议,与联邦学习***中的第二参与方交互,得到伪随机函数OPRF种子;
第一确定模块620,用于第一参与方基于OPRF种子和第一参与方的数据标识集合,确定第一参与方的OPRF输出信息;
第一发送模块630,用于发送第一参与方的OPRF输出信息;其中,第一参与方的OPRF输出信息用于确定联邦学习***的数据标识集合的交集。
示例性地,第一发送模块630用于:
将第一参与方的OPRF输出信息发送至第二参与方;其中,第二参与方用于根据第一参与方的OPRF输出信息和第二参与方的OPRF输出信息确定联邦学习***的数据标识集合的交集。
示例性地,如图7所示,装置还包括:
第二发送模块710,用于将OPRF种子发送至联邦学习***中的第三参与方;其中,第三参与方用于基于OPRF种子和第三参与方的数据标识集合,得到第三参与方的OPRF输出信息,并将第三参与方的OPRF输出信息发送至中间方;
相应的,第一发送模块630用于:
将第一参与方的OPRF输出信息发送至中间方;其中,中间方用于基于第一参与方和第三参与方的OPRF输出信息,确定OPRF输出信息交集,OPRF输出信息交集用于确定联邦学习***的数据标识集合的交集。
示例性地,如图7所示,装置还包括:
第一接收模块720,用于接收第二参与方发送的联邦学习***中各参与方的数据标识集合的交集;其中,第二参与方用于接收中间方发送的OPRF输出信息交集,基于OPRF输出信息交集与第二参与方的OPRF输出信息,确定联邦学习***的数据标识集合的交集。
示例性地,如图7所示,装置还包括:
第二接收模块730,用于接收第二参与方的集合尺寸;
相应的,第一确定模块620用于:
基于OPRF种子、第一参与方的数据标识集合和第二参与方的集合尺寸,确定第一参与方的OPRF输出信息。
本申请实施例提供的数据处理装置,能够实现本申请实施例提供的数据处理方法,具备相应的有益效果。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如数据处理方法。例如,在一些实施例中,数据处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据处理方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (18)
1.一种数据处理方法,包括:
联邦学习***中的第一参与方基于不经意传输OT协议,与联邦学习***中的第二参与方交互,得到不经意伪随机函数OPRF种子;
所述第一参与方基于所述OPRF种子和所述第一参与方的数据标识集合,确定所述第一参与方的OPRF输出信息;
所述第一参与方发送所述第一参与方的OPRF输出信息;其中,所述第一参与方的OPRF输出信息用于确定所述联邦学习***的数据标识集合的交集。
2.根据权利要求1所述的方法,所述第一参与方发送所述第一参与方的OPRF输出信息,包括:
所述第一参与方将所述第一参与方的OPRF输出信息发送至所述第二参与方;其中,所述第二参与方用于根据所述第一参与方的OPRF输出信息和所述第二参与方的OPRF输出信息,确定所述联邦学习***的数据标识集合的交集。
3.根据权利要求1所述的方法,还包括:
所述第一参与方将所述OPRF种子发送至所述联邦学习***中的第三参与方;其中,所述第三参与方用于基于所述OPRF种子和所述第三参与方的数据标识集合,得到所述第三参与方的OPRF输出信息,并将所述第三参与方的OPRF输出信息发送至中间方;
相应的,所述第一参与方发送所述第一参与方的OPRF输出信息,包括:
所述第一参与方将所述第一参与方的OPRF输出信息发送至所述中间方;其中,所述中间方用于基于所述第一参与方和所述第三参与方的OPRF输出信息,确定OPRF输出信息交集,所述OPRF输出信息交集用于确定所述联邦学习***的数据标识集合的交集。
4.根据权利要求3所述的方法,还包括:
所述第一参与方接收所述第二参与方发送的所述联邦学习***的数据标识集合的交集;其中,所述第二参与方用于接收所述中间方发送的OPRF输出信息交集,基于所述OPRF输出信息交集与所述第二参与方的OPRF输出信息,确定所述联邦学习***的数据标识集合的交集。
5.根据权利要求1-4中任一项所述的方法,还包括:
所述第一参与方接收所述第二参与方的集合尺寸;
相应的,所述第一参与方基于所述OPRF种子和所述第一参与方的数据标识集合,确定所述第一参与方的OPRF输出信息,包括:
所述第一参与方基于所述OPRF种子、所述第一参与方的数据标识集合和所述第二参与方的集合尺寸,确定所述第一参与方的OPRF输出信息。
6.一种数据处理装置,应用于联邦学习***中的第一参与方,所述装置包括:
交互模块,用于基于不经意传输OT协议,与联邦学习***中的第二参与方交互,得到不经意伪随机函数OPRF种子;
第一确定模块,用于所述第一参与方基于所述OPRF种子和所述第一参与方的数据标识集合,确定所述第一参与方的OPRF输出信息;
第一发送模块,用于发送所述第一参与方的OPRF输出信息;其中,所述第一参与方的OPRF输出信息用于确定所述联邦学习***的数据标识集合的交集。
7.根据权利要求6所述的装置,所述第一发送模块用于:
将所述第一参与方的OPRF输出信息发送至所述第二参与方;其中,所述第二参与方用于根据所述第一参与方的OPRF输出信息和所述第二参与方的OPRF输出信息确定所述联邦学习***的数据标识集合的交集。
8.根据权利要求6所述的装置,还包括:
第二发送模块,用于将所述OPRF种子发送至所述联邦学习***中的第三参与方;其中,所述第三参与方用于基于所述OPRF种子和所述第三参与方的数据标识集合,得到所述第三参与方的OPRF输出信息,并将所述第三参与方的OPRF输出信息发送至中间方;
相应的,所述第一发送模块用于:
将所述第一参与方的OPRF输出信息发送至所述中间方;其中,所述中间方用于基于所述第一参与方和所述第三参与方的OPRF输出信息,确定OPRF输出信息交集,所述OPRF输出信息交集用于确定所述联邦学习***的数据标识集合的交集。
9.根据权利要求8所述的装置,还包括:
第一接收模块,用于接收所述第二参与方发送的所述联邦学习***的数据标识集合的交集;其中,所述第二参与方用于接收所述中间方发送的OPRF输出信息交集,基于所述OPRF输出信息交集与所述第二参与方的OPRF输出信息,确定所述联邦学习***的数据标识集合的交集。
10.根据权利要求6-9中任一项所述的装置,还包括:
第二接收模块,用于接收所述第二参与方的集合尺寸;
相应的,所述第一确定模块用于:
基于所述OPRF种子、所述第一参与方的数据标识集合和所述第二参与方的集合尺寸,确定所述第一参与方的OPRF输出信息。
11.一种联邦学习***,包括第一参与方和第二参与方;
所述第二参与方,用于基于OT协议以及所述第二参与方的数据标识集合,与所述第一参与方交互,得到所述第二参与方的OPRF输出信息;
所述第一参与方,用于基于OT协议,与所述第二参与方交互,得到OPRF种子,基于所述OPRF种子和所述第一参与方的数据标识集合,确定所述第一参与方的OPRF输出信息,并发送所述第一参与方的OPRF输出信息;
其中,所述第一参与方的OPRF输出信息和所述第二参与方的OPRF输出信息用于确定所述联邦学习***的数据标识集合的交集。
12.根据权利要求11所述的联邦学习***,其中,所述第一参与方用于将所述第一参与方的OPRF输出信息发送至所述第二参与方;
所述第二参与方用于根据所述第一参与方的OPRF输出信息和所述第二参与方的OPRF输出信息,确定所述联邦学习***的数据标识集合的交集。
13.根据权利要求11所述的联邦学习***,还包括第三参与方和中间方;
所述第一参与方还用于将所述OPRF种子发送至所述联邦学习***中的第三参与方,将所述第一参与方的OPRF输出信息发送至所述中间方;
所述第三参与方用于基于所述OPRF种子和所述第三参与方的数据标识集合,得到所述第三参与方的OPRF输出信息,并将所述第三参与方的OPRF输出信息发送至所述中间方;
所述中间方用于基于所述第一参与方和所述第三参与方的OPRF输出信息确定OPRF输出信息交集,所述OPRF输出信息交集用于确定所述联邦学习***的数据标识集合的交集。
14.根据权利要求13所述的联邦学习***,其中,所述中间方还用于将所述OPRF输出信息交集发送至所述第二参与方;
所述第二参与方还用于接收所述中间方发送的OPRF输出信息交集,基于所述OPRF输出信息交集与所述第二参与方的OPRF输出信息,确定所述联邦学习***的数据标识集合的交集,将所述联邦学习***的数据标识集合的交集发送至所述第一参与方和所述第三参与方。
15.根据权利要求11-14中任一项所述的联邦学习***,其中,所述第一参与方还用于接收所述第二参与方的集合尺寸,基于所述OPRF种子、所述第一参与方的数据标识集合和所述第二参与方的集合尺寸,确定所述第一参与方的OPRF输出信息。
16.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
17.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
18.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011528941.4A CN112598138B (zh) | 2020-12-22 | 2020-12-22 | 数据处理方法、装置、联邦学习***和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011528941.4A CN112598138B (zh) | 2020-12-22 | 2020-12-22 | 数据处理方法、装置、联邦学习***和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598138A true CN112598138A (zh) | 2021-04-02 |
CN112598138B CN112598138B (zh) | 2023-07-21 |
Family
ID=75200107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011528941.4A Active CN112598138B (zh) | 2020-12-22 | 2020-12-22 | 数据处理方法、装置、联邦学习***和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598138B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113127916A (zh) * | 2021-05-18 | 2021-07-16 | 腾讯科技(深圳)有限公司 | 数据集合处理方法、数据处理方法、装置及存储介质 |
CN113364577A (zh) * | 2021-08-06 | 2021-09-07 | 华控清交信息科技(北京)有限公司 | 一种oprf协议的实现方法、装置及电子设备 |
CN113489583A (zh) * | 2021-09-07 | 2021-10-08 | 华控清交信息科技(北京)有限公司 | 一种多方隐私求交中的数据处理方法、装置及电子设备 |
CN113591095A (zh) * | 2021-08-04 | 2021-11-02 | 百度在线网络技术(北京)有限公司 | 一种标识信息处理方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE308176T1 (de) * | 2001-01-16 | 2005-11-15 | Microsoft Corp | Verfahren und systeme zum erzeugen von chiffrierschlüsseln unter verwendung von zufallsbitfolgen |
US20140095861A1 (en) * | 2012-09-28 | 2014-04-03 | Alcatel-Lucent Usa Inc. | Input Consistency Verification for Server Assisted Secure Function Evaluation |
CN106127075A (zh) * | 2016-06-27 | 2016-11-16 | 湖南大学 | 一种云存储环境下基于隐私保护的可搜索加密方法 |
CN111709534A (zh) * | 2020-06-19 | 2020-09-25 | 深圳前海微众银行股份有限公司 | 基于演化计算的联邦学习方法、装置、设备及介质 |
CN111898137A (zh) * | 2020-06-30 | 2020-11-06 | 深圳致星科技有限公司 | 一种联邦学习的隐私数据处理方法、设备及*** |
CN111984984A (zh) * | 2020-08-28 | 2020-11-24 | 山东大学 | 基于集合运算的保密统计数据共享方法及*** |
-
2020
- 2020-12-22 CN CN202011528941.4A patent/CN112598138B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE308176T1 (de) * | 2001-01-16 | 2005-11-15 | Microsoft Corp | Verfahren und systeme zum erzeugen von chiffrierschlüsseln unter verwendung von zufallsbitfolgen |
US20140095861A1 (en) * | 2012-09-28 | 2014-04-03 | Alcatel-Lucent Usa Inc. | Input Consistency Verification for Server Assisted Secure Function Evaluation |
CN106127075A (zh) * | 2016-06-27 | 2016-11-16 | 湖南大学 | 一种云存储环境下基于隐私保护的可搜索加密方法 |
CN111709534A (zh) * | 2020-06-19 | 2020-09-25 | 深圳前海微众银行股份有限公司 | 基于演化计算的联邦学习方法、装置、设备及介质 |
CN111898137A (zh) * | 2020-06-30 | 2020-11-06 | 深圳致星科技有限公司 | 一种联邦学习的隐私数据处理方法、设备及*** |
CN111984984A (zh) * | 2020-08-28 | 2020-11-24 | 山东大学 | 基于集合运算的保密统计数据共享方法及*** |
Non-Patent Citations (1)
Title |
---|
MIKKO A. HEIKKILA 等: "Differentially private cross-silo federated learning", ARXIV:2007.05553V1, pages 1 - 14 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113127916A (zh) * | 2021-05-18 | 2021-07-16 | 腾讯科技(深圳)有限公司 | 数据集合处理方法、数据处理方法、装置及存储介质 |
CN113127916B (zh) * | 2021-05-18 | 2023-07-28 | 腾讯科技(深圳)有限公司 | 数据集合处理方法、数据处理方法、装置及存储介质 |
CN113591095A (zh) * | 2021-08-04 | 2021-11-02 | 百度在线网络技术(北京)有限公司 | 一种标识信息处理方法、装置及电子设备 |
CN113591095B (zh) * | 2021-08-04 | 2023-08-29 | 百度在线网络技术(北京)有限公司 | 一种标识信息处理方法、装置及电子设备 |
CN113364577A (zh) * | 2021-08-06 | 2021-09-07 | 华控清交信息科技(北京)有限公司 | 一种oprf协议的实现方法、装置及电子设备 |
CN113364577B (zh) * | 2021-08-06 | 2021-11-05 | 华控清交信息科技(北京)有限公司 | 一种oprf协议的实现方法、装置及电子设备 |
CN113489583A (zh) * | 2021-09-07 | 2021-10-08 | 华控清交信息科技(北京)有限公司 | 一种多方隐私求交中的数据处理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112598138B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598138B (zh) | 数据处理方法、装置、联邦学习***和电子设备 | |
WO2021023149A1 (zh) | 一种动态返回报文的方法和装置 | |
CN113807960A (zh) | 异构链间的跨链处理方法、装置、***、电子设备 | |
CN114239820A (zh) | 纵向联邦学习模型的训练方法、装置和计算机设备 | |
CN115545215A (zh) | 一种去中心化的联邦聚类学习方法、装置、设备及介质 | |
CN113037489B (zh) | 数据处理方法、装置、设备和存储介质 | |
CN115883187A (zh) | 网络流量数据中的异常信息识别方法、装置、设备和介质 | |
CN113946816A (zh) | 基于云服务的鉴权方法、装置、电子设备和存储介质 | |
CN114466012B (zh) | 内容初始化方法、装置、电子设备和存储介质 | |
CN117195263A (zh) | 数据库加密的方法和装置 | |
CN116015960A (zh) | 多节点流量混淆方法、装置、设备和存储介质 | |
CN113992345B (zh) | 网页敏感数据加解密方法、装置、电子设备及存储介质 | |
CN114626523A (zh) | 训练深度学习模型的方法、装置、设备以及存储介质 | |
CN115757624A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN115529186A (zh) | 基于软负载均衡的ssl证书卸载方法、装置及*** | |
CN113609156A (zh) | 数据的查询与写入方法、装置、电子设备及可读存储介质 | |
CN112925623A (zh) | 任务处理方法、装置、电子设备和介质 | |
CN112615712B (zh) | 数据的处理方法、相关装置及计算机程序产品 | |
CN115664839B (zh) | 隐私计算进程的安全监控方法、装置、设备、介质 | |
CN117009723B (zh) | 一种多方计算方法、装置、设备及存储介质 | |
CN113011494B (zh) | 一种特征处理方法、装置、设备以及存储介质 | |
CN112637174A (zh) | 数据相关度计算方法、装置、电子设备和存储介质 | |
CN115622794B (zh) | 一种加解密方法、装置、设备以及存储介质 | |
Kumar et al. | Privacy preservation in vertical partitioned medical database in the cloud environments | |
CN114841372A (zh) | 基于区块链的联邦处理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |