CN113887741B - 基于联邦学习的数据生成方法、装置、设备及存储介质 - Google Patents
基于联邦学习的数据生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113887741B CN113887741B CN202111304096.7A CN202111304096A CN113887741B CN 113887741 B CN113887741 B CN 113887741B CN 202111304096 A CN202111304096 A CN 202111304096A CN 113887741 B CN113887741 B CN 113887741B
- Authority
- CN
- China
- Prior art keywords
- data
- service
- business
- organization
- encrypted
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,公开了基于联邦学习的数据生成方法、装置、设备及存储介质,用于提高各个机构车辆业务数据的安全性。基于联邦学习的数据生成方法包括:获取多个机构业务基础数据和对应的多个机构业务利率数据;获取模型训练指令,根据模型训练指令、多个机构业务基础数据和多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据;结合模型训练指令、进行模型训练与模型收敛,生成目标车辆业务联邦学习模型;获取待识别车辆基础数据,将待识别车辆基础数据输入目标车辆业务联邦学习模型中进行计算,生成目标车辆业务数据。此外,本发明还涉及区块链技术,多个机构业务基础数据可存储于区块链中。
Description
技术领域
本发明涉及机器学习领域,尤其涉及一种基于联邦学习的数据生成方法、装置、设备及存储介质。
背景技术
随着生活的发展,车辆已经成为生活中必不可少的通勤工具,随着车辆的普及,车辆也出现了各种各样的问题。例如交通事故或者自然灾害对车辆带来损坏的问题,车主逐渐重视车辆受损后的财产保障情况,因此各机构推出了很多针对车辆损坏进行财产保障的策略,这些策略还需要结合被保障车辆相关业务数据进行制定,在制定时需要获取车辆相关业务数据。
在现有的技术中,在区块链分布式账本公开的情况下调用各个机构的车辆相关业务数据和历史业务数据进行模型训练,会导致各个机构车辆业务数据的安全性较低,从而无法得到与车辆相匹配的财产保障策略。
发明内容
本发明提供了一种基于联邦学习的数据生成方法、装置、设备及存储介质,用于提高各个机构车辆业务数据的安全性。
本发明第一方面提供了一种基于联邦学习的数据生成方法,包括:获取多个机构业务基础数据和对应的多个机构业务利率数据,机构业务基础数据与机构业务利率数据一一对应;获取模型训练指令,根据所述模型训练指令、所述多个机构业务基础数据和所述多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据;结合所述模型训练指令调用所述多个机构业务基础加密数据、所述多个机构业务利率加密数据和所述多个目标同态加密业务数据进行模型训练与模型收敛,生成目标车辆业务联邦学习模型;获取待识别车辆基础数据,将所述待识别车辆基础数据输入所述目标车辆业务联邦学习模型中进行计算,生成目标车辆业务数据。
可选的,在本发明第一方面的第一种实现方式中,所述获取多个机构业务基础数据和对应的多个机构业务利率数据,机构业务基础数据与机构业务利率数据一一对应包括:获取多个用户业务基础数据和对应的多个用户业务利率数据,用户业务基础数据和用户业务利率数据一一对应;从每个用户业务基础数据中读取对应的机构标识,并按照每个机构标识将对应的用户业务基础数据和对应的用户业务利率数据传输至对应的业务机构,生成与每个业务机构对应的机构业务基础数据和对应的机构业务利率数据,得到多个机构业务基础数据和对应的多个机构业务利率数据。
可选的,在本发明第一方面的第二种实现方式中,所述获取模型训练指令,根据所述模型训练指令、所述多个机构业务基础数据和所述多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据包括:获取模型训练指令,并解析所述模型训练指令,生成目标机构标识;根据所述目标机构标识对所述多个机构业务基础数据以及所述多个机构业务利率数据进行认证,生成多个待加密机构业务基础数据和多个待加密机构业务利率数据,待加密机构业务基础数据与待加密机构业务利率数据一一对应;调用同态加密算法对每个待加密机构业务基础数据和对应的待加密机构业务利率数据进行同态加密,生成与每个初始机构业务基础数据对应的目标同态加密业务数据,得到多个目标同态加密业务数据。
可选的,在本发明第一方面的第三种实现方式中,所述根据所述目标机构标识对所述多个机构业务基础数据以及所述多个机构业务利率数据进行认证,生成多个待加密机构业务基础数据和多个待加密机构业务利率数据,待加密机构业务基础数据与待加密机构业务利率数据一一对应包括:基于目标机构标识和每个机构业务基础数据获取对应的数字签名,得到多个机构业务数字签名;判断每个机构业务数字签名是否为空值;若目标机构业务数字签名不为空值,则将所述目标机构业务数字签名对应的机构业务基础数据和对应的机构业务利率数据分别确定为待加密构业务基础数据和待加密机构业务利率数据。
可选的,在本发明第一方面的第四种实现方式中,所述调用同态加密算法对每个待加密机构业务基础数据和对应的待加密机构业务利率数据进行同态加密,生成与每个初始机构业务基础数据对应的目标同态加密业务数据,得到多个目标同态加密业务数据包括:调用预置的同态加密算法和数据公钥对每个待加密机构业务基础数据和对应的待加密机构业务利率数据进行同态加密,生成与每个待加密机构业务基础数据对应的机构业务基础加密数据和对应的机构业务利率加密数据,得到多个机构业务基础加密数据和对应的多个机构业务利率加密数据;调用预置的计算函数对每个机构业务基础加密数据和对应的机构业务利率加密数据进行业务数据计算,生成与每个机构业务基础加密数据对应的目标同态加密业务数据,得到多个目标同态加密业务数据。
可选的,在本发明第一方面的第五种实现方式中,所述结合所述模型训练指令调用所述多个机构业务基础加密数据、所述多个机构业务利率加密数据和所述多个目标同态加密业务数据进行模型训练与模型收敛,生成目标车辆业务联邦学习模型包括:结合所述模型训练指令对所述多个机构业务基础加密数据、所述多个机构业务利率加密数据和所述多个同态加密业务数据进行模型训练,生成初始车辆业务联邦学习模型;获取同态加密业务测试数据集,将所述同态加密业务测试数据集输入所述初始车辆业务联邦学习模型中,生成同态加密业务测试概率集;基于预置的约束函数和所述同态加密业务测试概率集对所述初始车辆业务联邦学习模型进行模型收敛,生成目标车辆业务联邦学习模型。
可选的,在本发明第一方面的第六种实现方式中,在所述获取待识别车辆基础数据,将所述待识别车辆基础数据输入所述目标车辆业务联邦学习模型中进行计算,生成目标车辆业务数据之后,所述基于联邦学习的数据生成方法包括:将所述目标车辆业务数据进行同态加密,得到目标车辆同态加密业务数据,并将所述目标车辆同态加密业务数据传输至第三方终端。
本发明第二方面提供了一种基于联邦学习的数据生成装置,包括:数据获取模块,用于获取多个机构业务基础数据和对应的多个机构业务利率数据,机构业务基础数据与机构业务利率数据一一对应;加密数据生成模块,用于获取模型训练指令,根据所述模型训练指令、所述多个机构业务基础数据和所述多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据;学习模型生成模块,用于结合所述模型训练指令调用所述多个机构业务基础加密数据、所述多个机构业务利率加密数据和所述多个目标同态加密业务数据进行模型训练与模型收敛,生成目标车辆业务联邦学习模型;业务数据生成模块,用于获取待识别车辆基础数据,将所述待识别车辆基础数据输入所述目标车辆业务联邦学习模型中进行计算,生成目标车辆业务数据。
可选的,在本发明第二方面的第一种实现方式中,所述数据获取模块还可以具体用于:获取多个用户业务基础数据和对应的多个用户业务利率数据,用户业务基础数据和用户业务利率数据一一对应;从每个用户业务基础数据中读取对应的机构标识,并按照每个机构标识将对应的用户业务基础数据和对应的用户业务利率数据传输至对应的业务机构,生成与每个业务机构对应的机构业务基础数据和对应的机构业务利率数据,得到多个机构业务基础数据和对应的多个机构业务利率数据。
可选的,在本发明第二方面的第二种实现方式中,所述加密数据生成模块包括:指令获取单元,用于获取模型训练指令,并解析所述模型训练指令,生成目标机构标识;数据认证单元,用于根据所述目标机构标识对所述多个机构业务基础数据以及所述多个机构业务利率数据进行认证,生成多个待加密机构业务基础数据和多个待加密机构业务利率数据,待加密机构业务基础数据与待加密机构业务利率数据一一对应;同态加密单元,用于调用同态加密算法对每个待加密机构业务基础数据和对应的待加密机构业务利率数据进行同态加密,生成与每个初始机构业务基础数据对应的目标同态加密业务数据,得到多个目标同态加密业务数据。
可选的,在本发明第二方面的第三种实现方式中,所述数据认证单元还可以具体用于:基于目标机构标识和每个机构业务基础数据获取对应的数字签名,得到多个机构业务数字签名;判断每个机构业务数字签名是否为空值;若目标机构业务数字签名不为空值,则将所述目标机构业务数字签名对应的机构业务基础数据和对应的机构业务利率数据分别确定为待加密构业务基础数据和待加密机构业务利率数据。
可选的,在本发明第二方面的第四种实现方式中,所述同态加密单元还可以具体用于:调用预置的同态加密算法和数据公钥对每个待加密机构业务基础数据和对应的待加密机构业务利率数据进行同态加密,生成与每个待加密机构业务基础数据对应的机构业务基础加密数据和对应的机构业务利率加密数据,得到多个机构业务基础加密数据和对应的多个机构业务利率加密数据;调用预置的计算函数对每个机构业务基础加密数据和对应的机构业务利率加密数据进行业务数据计算,生成与每个机构业务基础加密数据对应的目标同态加密业务数据,得到多个目标同态加密业务数据。
可选的,在本发明第二方面的第五种实现方式中,所述学习模型生成模块还可以具体用于:结合所述模型训练指令对所述多个机构业务基础加密数据、所述多个机构业务利率加密数据和所述多个同态加密业务数据进行模型训练,生成初始车辆业务联邦学习模型;获取同态加密业务测试数据集,将所述同态加密业务测试数据集输入所述初始车辆业务联邦学习模型中,生成同态加密业务测试概率集;基于预置的约束函数和所述同态加密业务测试概率集对所述初始车辆业务联邦学习模型进行模型收敛,生成目标车辆业务联邦学习模型。
可选的,在本发明第二方面的第六种实现方式中,所述基于联邦学习的数据生成装置还包括:传输模块,用于将所述目标车辆业务数据进行同态加密,得到目标车辆同态加密业务数据,并将所述目标车辆同态加密业务数据传输至第三方终端。
本发明第三方面提供了一种基于联邦学习的数据生成设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于联邦学习的数据生成设备执行上述的基于联邦学习的数据生成方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于联邦学习的数据生成方法。
本发明提供的技术方案中,获取多个机构业务基础数据和对应的多个机构业务利率数据,机构业务基础数据与机构业务利率数据一一对应;获取模型训练指令,根据所述模型训练指令、所述多个机构业务基础数据和所述多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据;结合所述模型训练指令调用所述多个机构业务基础加密数据、所述多个机构业务利率加密数据和所述多个目标同态加密业务数据进行模型训练与模型收敛,生成目标车辆业务联邦学习模型;获取待识别车辆基础数据,将所述待识别车辆基础数据输入所述目标车辆业务联邦学习模型中进行计算,生成目标车辆业务数据。本发明实施例中,对多个机构业务基础数据和对应的多个机构业务利率数据进行认证、同态加密以及计算,生成多个目标同态加密业务数据,再基于以上数据进行模型训练和收敛,生成目标车辆业务联邦学习模型,最后将待识别车辆基础数据输入即可生成目标车辆业务数据;获取各个机构的认证以及对各个机构业务基础数据和业务利率数据进行同态加密后再进行模型训练,提高了各个机构车辆业务数据的安全性。
附图说明
图1为本发明实施例中基于联邦学习的数据生成方法的一个实施例示意图;
图2为本发明实施例中基于联邦学习的数据生成方法的另一个实施例示意图;
图3为本发明实施例中基于联邦学习的数据生成装置的一个实施例示意图;
图4为本发明实施例中基于联邦学习的数据生成装置的另一个实施例示意图;
图5为本发明实施例中基于联邦学习的数据生成设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于联邦学习的数据生成方法、装置、设备及存储介质,用于提高各个机构车辆业务数据的安全性。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于联邦学习的数据生成方法的一个实施例包括:
101、获取多个机构业务基础数据和对应的多个机构业务利率数据,机构业务基础数据与机构业务利率数据一一对应;
服务器获取多个机构业务基础数据和对应的多个机构业务利率数据,其中一个机构业务基础数据对应一个机构业务利率数据。需要强调的是,为进一步保证上述机构业务基础数据的私密和安全性,上述机构业务基础数据还可以存储于一区块链的节点中。
在本实施例中,机构业务基础数据为机构车辆保单数据,机构车辆保单数据包括车辆基础信息、车主驾驶信息和行车区域环境信息等,其中,车辆基础信息包括车辆使用情况、车辆类型、车辆历史事故信息等,车主驾驶信息包括车主身份信息和车主驾驶年龄信息等,车辆区域环境信息指的是车辆行驶频率较高的路线的环境信息。机构车辆保单数据还用于指示车辆保单数据隶属的机构,例如机构A车辆保单数据,说明车辆保单数据属于机构A。机构业务利率数据为机构车辆保单费率数据,用于展示车辆保单的费率情况,还用于指示车辆保单费率数据隶属的机构。
可以理解的是,本发明的执行主体可以为基于联邦学***台等基础云计算服务的云服务器。
102、获取模型训练指令,根据模型训练指令、多个机构业务基础数据和多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据;
服务器获取模型训练指令,然后基于模型训练指令、多个机构业务基础数据和对应的多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据。
模型训练指令用于指示用到哪些机构业务基础数据和与之对应的机构业务利率数据,因此,服务器根据模型训练指令在多个机构业务基础数据和与多个机构业务基础数据对应的多个机构业务利率数据中确定与模型训练指令相匹配的多个机构业务基础数据和相匹配的多个机构业务利率数据,然后对其进行同态加密以及在同态加密的基础上进行业务数据的计算,生成多个目标同态加密业务数据。在本实施例中,目标同态加密业务数据为目标车辆同态加密保费数据。
103、结合模型训练指令调用多个机构业务基础加密数据、多个机构业务利率加密数据和多个目标同态加密业务数据进行模型训练与模型收敛,生成目标车辆业务联邦学习模型;
服务器结合模型训练指令进行模型训练和模型收敛,生成目标车辆业务联邦学习模型。
在获取了模型训练指令、多个机构业务基础加密数据、多个机构业务利率加密数据和多个目标同态加密业务数据之后,服务器按照模型训练指令结合多个机构业务基础加密数据、多个机构业务利率加密数据和多个目标同态加密业务数据进行模型初步训练,得到一个初始的学习模型,然后再对该初始的学习模型进行模型收敛,从而得到目标车辆业务联邦学习模型。
104、获取待识别车辆基础数据,将待识别车辆基础数据输入目标车辆业务联邦学习模型中进行计算,生成目标车辆业务数据。
服务器在获取待识别车辆基础数据之后,将待识别车辆基础数据输入车辆业务联邦学习模型中进行卷积计算,生成目标车辆业务数据。
服务器可以将需要计算的车辆业务数据对应的待识别车辆基础数据输入目标车辆业务联邦学习模型中进行计算,从而生成目标车辆业务数据,待识别车辆基础数据包括车辆使用情况、车辆类型、车辆历史事故信息等,将这些数据输入车辆业务联邦学习模型中进行计算,生成包括目标车辆业务数据,目标车辆业务数据包括但不仅限于目标车辆的保费数据和目标车辆的利率数据。
本发明实施例中,对多个机构业务基础数据和对应的多个机构业务利率数据进行认证、同态加密以及计算,生成多个目标同态加密业务数据,再基于以上数据进行模型训练和收敛,生成目标车辆业务联邦学习模型,最后将待识别车辆基础数据输入即可生成目标车辆业务数据;获取各个机构的认证以及对各个机构业务基础数据和业务利率数据进行同态加密后再进行模型训练,提高了各个机构车辆业务数据的安全性。
请参阅图2,本发明实施例中基于联邦学习的数据生成方法的另一个实施例包括:
201、获取多个机构业务基础数据和对应的多个机构业务利率数据,机构业务基础数据与机构业务利率数据一一对应;
服务器获取多个机构业务基础数据和对应的多个机构业务利率数据,其中一个机构业务基础数据对应一个机构业务利率数据。需要强调的是,为进一步保证上述机构业务基础数据的私密和安全性,上述机构业务基础数据还可以存储于一区块链的节点中。
在本实施例中,机构业务基础数据为机构车辆保单数据,机构车辆保单数据包括车辆基础信息、车主驾驶信息和行车区域环境信息等,其中,车辆基础信息包括车辆使用情况、车辆类型、车辆历史事故信息等,车主驾驶信息包括车主身份信息和车主驾驶年龄信息等,车辆区域环境信息指的是车辆行驶频率较高的路线的环境信息。机构车辆保单数据还用于指示车辆保单数据隶属的机构,例如机构A车辆保单数据,说明车辆保单数据属于机构A。机构业务利率数据为机构车辆保单费率数据,用于展示车辆保单的费率情况,还用于指示车辆保单费率数据隶属的机构。
具体的,服务器获取多个用户业务基础数据和对应的多个用户业务利率数据,用户业务基础数据和用户业务利率数据一一对应;服务器从每个用户业务基础数据中读取对应的机构标识,并按照每个机构标识将对应的用户业务基础数据和对应的用户业务利率数据传输至对应的业务机构,生成与每个业务机构对应的机构业务基础数据和对应的机构业务利率数据,得到多个机构业务基础数据和对应的多个机构业务利率数据。
机构业务基础数据和对应的机构业务利率数据是以机构角度进行说明,在此之前,机构业务基础数据是通过用户业务基础数据获取的,对应的机构业务利率数据是通过用户业务利率数据获取的。服务器首先获取多个用户业务基础数据和多个用户业务利率数据,其中一个用户业务基础数据对应一个用户业务利率数据。服务器在获取多个用户业务基础数据和对应的多个用户业务利率数据之后,从每个用户业务基础数据中读取对应的机构标识,然后按照每个机构标识,将对应的用户业务基础数据和对应的用户业务利率数据传输至对应的业务机构,生成与每个业务机构对应的机构业务基础数据和对应的机构业务利率数据,得到多个机构业务基础数据和对应的多个机构业务利率数据。
202、获取模型训练指令,根据模型训练指令、多个机构业务基础数据和多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据;
服务器获取模型训练指令,然后基于模型训练指令、多个机构业务基础数据和对应的多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据。
模型训练指令用于指示用到哪些机构业务基础数据和与之对应的机构业务利率数据,因此,服务器根据模型训练指令在多个机构业务基础数据和与多个机构业务基础数据对应的多个机构业务利率数据中确定与模型训练指令相匹配的多个机构业务基础数据和相匹配的多个机构业务利率数据,然后对其进行同态加密以及在同态加密的基础上进行业务数据的计算,生成多个目标同态加密业务数据。在本实施例中,目标同态加密业务数据为目标车辆同态加密保费数据。
具体的,服务器获取模型训练指令,并解析模型训练指令,生成目标机构标识;服务器根据目标机构标识对多个机构业务基础数据以及多个机构业务利率数据进行认证,生成多个待加密机构业务基础数据和多个待加密机构业务利率数据,待加密机构业务基础数据与待加密机构业务利率数据一一对应;服务器调用同态加密算法对每个待加密机构业务基础数据和对应的待加密机构业务利率数据进行同态加密,生成与每个初始机构业务基础数据对应的目标同态加密业务数据,得到多个目标同态加密业务数据。
服务器首先获取模型训练指令,通过对模型训练指令进行解析,可能得到目标机构标识,目标机构标识指向数据的所属机构,例如目标机构标识A指向B机构的数据和C机构的数据,然后服务器基于该目标机构标识A在多个机构业务数据和多个机构业务利率数据中进行认证,将通过目标机构标识A认证的机构业务数据和对应的机构业务利率数据确定为待加密机构业务基础数据和待加密机构业务利率数据。然后调用同态加密算法对待加密机构业务基础数据和待加密机构业务利率数据进行加密,生成目标同态加密业务数据,针对其他待加密机构业务基础数据和对应的待加密机构业务利率数据也进行相同的同态加密操作,从而生成多个目标同态加密业务数据。
服务器根据目标机构标识对多个机构业务基础数据以及多个机构业务利率数据进行认证,生成多个待加密机构业务基础数据和多个待加密机构业务利率数据,待加密机构业务基础数据与待加密机构业务利率数据一一对应包括:
服务器基于目标机构标识和每个机构业务基础数据获取对应的数字签名,得到多个机构业务数字签名;服务器判断每个机构业务数字签名是否为空值;若目标机构业务数字签名不为空值,服务器则将目标机构业务数字签名对应的机构业务基础数据和对应的机构业务利率数据分别确定为待加密构业务基础数据和待加密机构业务利率数据。
服务器将目标机构标识传输至各个业务机构,各个业务机构接受目标机构标识,并将机构本身的机构业务基础数据对应的数字签名发送至服务器,服务器接受与每个机构业务基础数据相对应的数字签名,得到多个机构业务基础数据签名,判断每个机构业务基础数据签名是否为空值,如果机构业务基础数字签名为空值,说明该机构业务数字签名对应的业务机构并未对服务器开放数据授权,此时无法使用对应的机构业务基础数据和对应的机构业务利率数据。如果机构业务基础数据不为空值,包括具体的数据,说明该机构业务数字签名对服务器开放了数据授权,此时将该机构业务数字签名确定为待加密构业务基础数据和待加密机构业务利率数据。
服务器调用同态加密算法对每个待加密机构业务基础数据和对应的待加密机构业务利率数据进行同态加密,生成与每个初始机构业务基础数据对应的目标同态加密业务数据,得到多个目标同态加密业务数据包括:
调用预置的同态加密算法和数据公钥对每个待加密机构业务基础数据和对应的待加密机构业务利率数据进行同态加密,生成与每个待加密机构业务基础数据对应的机构业务基础加密数据和对应的机构业务利率加密数据,得到多个机构业务基础加密数据和对应的多个机构业务利率加密数据;调用预置的计算函数对每个机构业务基础加密数据和对应的机构业务利率加密数据进行业务数据计算,生成与每个机构业务基础加密数据对应的目标同态加密业务数据,得到多个目标同态加密业务数据。
服务器调用预置的同态加密算法和数据公钥同态加密每个待加密机构业务基础数据和对应的待加密机构业务利率数据,生成与每个待加密机构业务基础数据对应的机构业务基础加密数据和对应的机构业务利率加密数据,得到多个机构业务基础加密数据和对应的多个机构业务利率加密数据;然后服务器调用预置的计算函数对每个机构业务基础加密数据和对应的机构业务利率加密数据进行业务数据计算,生成与每个机构业务基础加密数据对应的目标同态加密业务数据,得到多个目标同态加密业务数据。
需要说明的是,服务器可以调用数据私钥进行解密,数据私钥只可以对多个目标同态加密业务数据进行解密,不可以对多个机构业务基础加密数据和对应的多个机构业务利率加密数据进行解密。
203、结合模型训练指令调用多个机构业务基础加密数据、多个机构业务利率加密数据和多个目标同态加密业务数据进行模型训练与模型收敛,生成目标车辆业务联邦学习模型;
服务器结合模型训练指令进行模型训练和模型收敛,生成目标车辆业务联邦学习模型。
在获取了模型训练指令、多个机构业务基础加密数据、多个机构业务利率加密数据和多个目标同态加密业务数据之后,服务器按照模型训练指令结合多个机构业务基础加密数据、多个机构业务利率加密数据和多个目标同态加密业务数据进行模型初步训练,得到一个初始的学习模型,然后再对该初始的学习模型进行模型收敛,从而得到目标车辆业务联邦学习模型。
具体的,服务器结合模型训练指令对多个机构业务基础加密数据、多个机构业务利率加密数据和多个同态加密业务数据进行模型训练,生成初始车辆业务联邦学习模型;服务器获取同态加密业务测试数据集,将同态加密业务测试数据集输入初始车辆业务联邦学习模型中,生成同态加密业务测试概率集;服务器基于预置的约束函数和同态加密业务测试概率集对初始车辆业务联邦学习模型进行模型收敛,生成目标车辆业务联邦学习模型。
服务器在得到多个同态加密业务数据之后结合模型训练指令进行模型训练,生成一个初始车辆业务联邦学习模型,为了保证联邦学习模型的准确性,服务器获取同态加密业务测试数据集对初始车辆业务联邦学习模型进行收敛。服务器将同态加密业务测试数据集输入初始车辆业务联邦学习模型中,生成同态加密业务测试概率集,同态加密业务测试概率集中包括多个同态加密业务测试概率,同态加密业务测试数据集中的同态加密业务测试数据与同态加密业务测试概率集中的同态加密业务测试概率一一对应。服务器调用预置的约束函数基于同态加密业务测试概率集进行模型收敛,预置的约束函数为:|V_FED-V_SUM|<δ,其中,V_FED为同态加密业务测试概率,V_SUM为预置的业务测试概率,δ为约束阈值,当同态加密业务测试概率集满足预置的约束函数时,说明模型收敛结束,此时将初始车辆业务联邦学习模型确定为目标车辆业务联邦学习模型。当同态加密业务测试概率无法满足预置的约束函数时,说明模型的精确度没有达到预期,此时获取模型调整指令,并按照模型调整指令对初始车辆业务联邦学习模型进行调整,生成目标车辆业务联邦学习模型。
204、获取待识别车辆基础数据,将待识别车辆基础数据输入目标车辆业务联邦学习模型中进行计算,生成目标车辆业务数据;
服务器在获取待识别车辆基础数据之后,将待识别车辆基础数据输入车辆业务联邦学习模型中进行卷积计算,生成目标车辆业务数据。
服务器可以将需要计算的车辆业务数据对应的待识别车辆基础数据输入目标车辆业务联邦学习模型中进行计算,从而生成目标车辆业务数据,待识别车辆基础数据包括车辆使用情况、车辆类型、车辆历史事故信息等,将这些数据输入车辆业务联邦学习模型中进行计算,生成包括目标车辆业务数据,目标车辆业务数据包括但不仅限于目标车辆的保费数据和目标车辆的利率数据。
205、将目标车辆业务数据进行同态加密,得到目标车辆同态加密业务数据,并将目标车辆同态加密业务数据传输至第三方终端。
在生成目标车辆业务数据之后,服务器将目标车辆业务数据进行同态加密,然后将目标车辆同态加密业务数据传输至第三方终端,第三方终端可以为企业终端也可以为政府终端,目标车辆同态加密业务数据为企业经营升级提供参考,也可以为政府决策升级提供参考。
本发明实施例中,对多个机构业务基础数据和对应的多个机构业务利率数据进行认证、同态加密以及计算,生成多个目标同态加密业务数据,再基于以上数据进行模型训练和收敛,生成目标车辆业务联邦学习模型,最后将待识别车辆基础数据输入即可生成目标车辆业务数据;获取各个机构的认证以及对各个机构业务基础数据和业务利率数据进行同态加密后再进行模型训练,提高了各个机构车辆业务数据的安全性。
上面对本发明实施例中基于联邦学习的数据生成方法进行了描述,下面对本发明实施例中基于联邦学习的数据生成装置进行描述,请参阅图3,本发明实施例中基于联邦学习的数据生成装置一个实施例包括:
数据获取模块301,用于获取多个机构业务基础数据和对应的多个机构业务利率数据,机构业务基础数据与机构业务利率数据一一对应;
加密数据生成模块302,用于获取模型训练指令,根据所述模型训练指令、所述多个机构业务基础数据和所述多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据;
学习模型生成模块303,用于结合所述模型训练指令调用所述多个机构业务基础加密数据、所述多个机构业务利率加密数据和所述多个目标同态加密业务数据进行模型训练与模型收敛,生成目标车辆业务联邦学习模型;
业务数据生成模块304,用于获取待识别车辆基础数据,将所述待识别车辆基础数据输入所述目标车辆业务联邦学习模型中进行计算,生成目标车辆业务数据。
本发明实施例中,对多个机构业务基础数据和对应的多个机构业务利率数据进行认证、同态加密以及计算,生成多个目标同态加密业务数据,再基于以上数据进行模型训练和收敛,生成目标车辆业务联邦学习模型,最后将待识别车辆基础数据输入即可生成目标车辆业务数据;获取各个机构的认证以及对各个机构业务基础数据和业务利率数据进行同态加密后再进行模型训练,提高了各个机构车辆业务数据的安全性。
请参阅图4,本发明实施例中基于联邦学习的数据生成装置的另一个实施例包括:
数据获取模块301,用于获取多个机构业务基础数据和对应的多个机构业务利率数据,机构业务基础数据与机构业务利率数据一一对应;
加密数据生成模块302,用于获取模型训练指令,根据所述模型训练指令、所述多个机构业务基础数据和所述多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据;
学习模型生成模块303,用于结合所述模型训练指令调用所述多个机构业务基础加密数据、所述多个机构业务利率加密数据和所述多个目标同态加密业务数据进行模型训练与模型收敛,生成目标车辆业务联邦学习模型;
业务数据生成模块304,用于获取待识别车辆基础数据,将所述待识别车辆基础数据输入所述目标车辆业务联邦学习模型中进行计算,生成目标车辆业务数据。
可选的,所述数据获取模块301还可以具体用于:
获取多个用户业务基础数据和对应的多个用户业务利率数据,用户业务基础数据和用户业务利率数据一一对应;
从每个用户业务基础数据中读取对应的机构标识,并按照每个机构标识将对应的用户业务基础数据和对应的用户业务利率数据传输至对应的业务机构,生成与每个业务机构对应的机构业务基础数据和对应的机构业务利率数据,得到多个机构业务基础数据和对应的多个机构业务利率数据。
可选的,所述加密数据生成模块302包括:
指令获取单元3021,用于获取模型训练指令,并解析所述模型训练指令,生成目标机构标识;
数据认证单元3022,用于根据所述目标机构标识对所述多个机构业务基础数据以及所述多个机构业务利率数据进行认证,生成多个待加密机构业务基础数据和多个待加密机构业务利率数据,待加密机构业务基础数据与待加密机构业务利率数据一一对应;
同态加密单元3023,用于调用同态加密算法对每个待加密机构业务基础数据和对应的待加密机构业务利率数据进行同态加密,生成与每个初始机构业务基础数据对应的目标同态加密业务数据,得到多个目标同态加密业务数据。
可选的,所述数据认证单元3022还可以具体用于:
基于目标机构标识和每个机构业务基础数据获取对应的数字签名,得到多个机构业务数字签名;
判断每个机构业务数字签名是否为空值;
若目标机构业务数字签名不为空值,则将所述目标机构业务数字签名对应的机构业务基础数据和对应的机构业务利率数据分别确定为待加密构业务基础数据和待加密机构业务利率数据。
可选的,所述同态加密单元3023还可以具体用于:
调用预置的同态加密算法和数据公钥对每个待加密机构业务基础数据和对应的待加密机构业务利率数据进行同态加密,生成与每个待加密机构业务基础数据对应的机构业务基础加密数据和对应的机构业务利率加密数据,得到多个机构业务基础加密数据和对应的多个机构业务利率加密数据;
调用预置的计算函数对每个机构业务基础加密数据和对应的机构业务利率加密数据进行业务数据计算,生成与每个机构业务基础加密数据对应的目标同态加密业务数据,得到多个目标同态加密业务数据。
可选的,所述学习模型生成模块303还可以具体用于:
结合所述模型训练指令对所述多个机构业务基础加密数据、所述多个机构业务利率加密数据和所述多个同态加密业务数据进行模型训练,生成初始车辆业务联邦学习模型;
获取同态加密业务测试数据集,将所述同态加密业务测试数据集输入所述初始车辆业务联邦学习模型中,生成同态加密业务测试概率集;
基于预置的约束函数和所述同态加密业务测试概率集对所述初始车辆业务联邦学习模型进行模型收敛,生成目标车辆业务联邦学习模型。
可选的,所述基于联邦学习的数据生成装置还包括:
传输模块305,用于将所述目标车辆业务数据进行同态加密,得到目标车辆同态加密业务数据,并将所述目标车辆同态加密业务数据传输至第三方终端。
本发明实施例中,对多个机构业务基础数据和对应的多个机构业务利率数据进行认证、同态加密以及计算,生成多个目标同态加密业务数据,再基于以上数据进行模型训练和收敛,生成目标车辆业务联邦学习模型,最后将待识别车辆基础数据输入即可生成目标车辆业务数据;获取各个机构的认证以及对各个机构业务基础数据和业务利率数据进行同态加密后再进行模型训练,提高了各个机构车辆业务数据的安全性。
上面图3和图4从模块化功能实体的角度对本发明实施例中的基于联邦学习的数据生成装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于联邦学习的数据生成设备进行详细描述。
图5是本发明实施例提供的一种基于联邦学习的数据生成设备的结构示意图,该基于联邦学习的数据生成设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于联邦学习的数据生成设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在基于联邦学习的数据生成设备500上执行存储介质530中的一系列指令操作。
基于联邦学习的数据生成设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作***531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的基于联邦学习的数据生成设备结构并不构成对基于联邦学习的数据生成设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于联邦学习的数据生成设备,所述计算机设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于联邦学习的数据生成方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于联邦学习的数据生成方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于联邦学习的数据生成方法,其特征在于,所述基于联邦学习的数据生成方法包括:
获取多个机构业务基础数据和对应的多个机构业务利率数据,机构业务基础数据与机构业务利率数据一一对应;其中,所述机构业务基础数据为机构车辆保单数据,所述机构业务利率数据为机构车辆保单费率数据;
获取模型训练指令,根据所述模型训练指令、所述多个机构业务基础数据和所述多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据;
结合所述模型训练指令调用多个机构业务基础加密数据、多个机构业务利率加密数据和所述多个目标同态加密业务数据进行模型训练与模型收敛,生成目标车辆业务联邦学习模型;
获取待识别车辆基础数据,将所述待识别车辆基础数据输入所述目标车辆业务联邦学习模型中进行计算,生成目标车辆业务数据;
所述获取模型训练指令,根据所述模型训练指令、所述多个机构业务基础数据和所述多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据包括:根据所述模型训练指令在所述多个机构业务基础数据和与所述多个机构业务基础数据对应的多个机构业务利率数据中确定与所述模型训练指令相匹配的多个机构业务基础数据和相匹配的所述多个机构业务利率数据,对所述机构业务利率数据进行同态加密以及在同态加密的基础上进行业务数据的计算,生成所述多个目标同态加密业务数据。
2.根据权利要求1所述的基于联邦学习的数据生成方法,其特征在于,所述获取多个机构业务基础数据和对应的多个机构业务利率数据,机构业务基础数据与机构业务利率数据一一对应包括:
获取多个用户业务基础数据和对应的多个用户业务利率数据,用户业务基础数据和用户业务利率数据一一对应;
从每个用户业务基础数据中读取对应的机构标识,并按照每个机构标识将对应的用户业务基础数据和对应的用户业务利率数据传输至对应的业务机构,生成与每个业务机构对应的机构业务基础数据和对应的机构业务利率数据,得到多个机构业务基础数据和对应的多个机构业务利率数据。
3.根据权利要求1所述的基于联邦学习的数据生成方法,其特征在于,所述获取模型训练指令,根据所述模型训练指令、所述多个机构业务基础数据和所述多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据包括:
获取模型训练指令,并解析所述模型训练指令,生成目标机构标识;
根据所述目标机构标识对所述多个机构业务基础数据以及所述多个机构业务利率数据进行认证,生成多个待加密机构业务基础数据和多个待加密机构业务利率数据,待加密机构业务基础数据与待加密机构业务利率数据一一对应;
调用同态加密算法对每个待加密机构业务基础数据和对应的待加密机构业务利率数据进行同态加密,生成与每个初始机构业务基础数据对应的目标同态加密业务数据,得到多个目标同态加密业务数据。
4.根据权利要求3所述的基于联邦学习的数据生成方法,其特征在于,所述根据所述目标机构标识对所述多个机构业务基础数据以及所述多个机构业务利率数据进行认证,生成多个待加密机构业务基础数据和多个待加密机构业务利率数据,待加密机构业务基础数据与待加密机构业务利率数据一一对应包括:
基于目标机构标识和每个机构业务基础数据获取对应的数字签名,得到多个机构业务数字签名;
判断每个机构业务数字签名是否为空值;
若目标机构业务数字签名不为空值,则将所述目标机构业务数字签名对应的机构业务基础数据和对应的机构业务利率数据分别确定为待加密构业务基础数据和待加密机构业务利率数据。
5.根据权利要求4所述的基于联邦学习的数据生成方法,其特征在于,所述调用同态加密算法对每个待加密机构业务基础数据和对应的待加密机构业务利率数据进行同态加密,生成与每个初始机构业务基础数据对应的目标同态加密业务数据,得到多个目标同态加密业务数据包括:
调用预置的同态加密算法和数据公钥对每个待加密机构业务基础数据和对应的待加密机构业务利率数据进行同态加密,生成与每个待加密机构业务基础数据对应的机构业务基础加密数据和对应的机构业务利率加密数据,得到多个机构业务基础加密数据和对应的多个机构业务利率加密数据;
调用预置的计算函数对每个机构业务基础加密数据和对应的机构业务利率加密数据进行业务数据计算,生成与每个机构业务基础加密数据对应的目标同态加密业务数据,得到多个目标同态加密业务数据。
6.根据权利要求1所述的基于联邦学习的数据生成方法,其特征在于,所述结合所述模型训练指令调用所述多个机构业务基础加密数据、所述多个机构业务利率加密数据和所述多个目标同态加密业务数据进行模型训练与模型收敛,生成目标车辆业务联邦学习模型包括:
结合所述模型训练指令对所述多个机构业务基础加密数据、所述多个机构业务利率加密数据和所述多个目标同态加密业务数据进行模型训练,生成初始车辆业务联邦学习模型;
获取同态加密业务测试数据集,将所述同态加密业务测试数据集输入所述初始车辆业务联邦学习模型中,生成同态加密业务测试概率集;
基于预置的约束函数和所述同态加密业务测试概率集对所述初始车辆业务联邦学习模型进行模型收敛,生成目标车辆业务联邦学习模型。
7.根据权利要求1-6中任意一项所述的基于联邦学习的数据生成方法,其特征在于,在所述获取待识别车辆基础数据,将所述待识别车辆基础数据输入所述目标车辆业务联邦学习模型中进行计算,生成目标车辆业务数据之后,所述基于联邦学习的数据生成方法包括:
将所述目标车辆业务数据进行同态加密,得到目标车辆同态加密业务数据,并将所述目标车辆同态加密业务数据传输至第三方终端。
8.一种基于联邦学习的数据生成装置,其特征在于,所述基于联邦学习的数据生成装置包括:
数据获取模块,用于获取多个机构业务基础数据和对应的多个机构业务利率数据,机构业务基础数据与机构业务利率数据一一对应;其中,所述机构业务基础数据为机构车辆保单数据,所述机构业务利率数据为机构车辆保单费率数据;
加密数据生成模块,用于获取模型训练指令,根据所述模型训练指令、所述多个机构业务基础数据和所述多个机构业务利率数据进行同态加密和计算,生成多个目标同态加密业务数据;
学习模型生成模块,用于结合所述模型训练指令调用多个机构业务基础加密数据、多个机构业务利率加密数据和所述多个目标同态加密业务数据进行模型训练与模型收敛,生成目标车辆业务联邦学习模型;
业务数据生成模块,用于获取待识别车辆基础数据,将所述待识别车辆基础数据输入所述目标车辆业务联邦学习模型中进行计算,生成目标车辆业务数据;
加密数据生成模块,还用于根据所述模型训练指令在所述多个机构业务基础数据和与所述多个机构业务基础数据对应的多个机构业务利率数据中确定与所述模型训练指令相匹配的多个机构业务基础数据和相匹配的所述多个机构业务利率数据,对所述机构业务利率数据进行同态加密以及在同态加密的基础上进行业务数据的计算,生成所述多个目标同态加密业务数据。
9.一种基于联邦学习的数据生成设备,其特征在于,所述基于联邦学习的数据生成设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于联邦学习的数据生成设备执行如权利要求1-7中任意一项所述的基于联邦学习的数据生成方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述基于联邦学习的数据生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111304096.7A CN113887741B (zh) | 2021-11-05 | 2021-11-05 | 基于联邦学习的数据生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111304096.7A CN113887741B (zh) | 2021-11-05 | 2021-11-05 | 基于联邦学习的数据生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113887741A CN113887741A (zh) | 2022-01-04 |
CN113887741B true CN113887741B (zh) | 2022-09-30 |
Family
ID=79016421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111304096.7A Active CN113887741B (zh) | 2021-11-05 | 2021-11-05 | 基于联邦学习的数据生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887741B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846491A (zh) * | 2018-08-08 | 2018-11-20 | 中链科技有限公司 | 基于区块链的车辆事故处理方法及装置 |
CN110059952A (zh) * | 2019-04-12 | 2019-07-26 | 中国人民财产保险股份有限公司 | 车险风险评估方法、装置、设备和存储介质 |
CN110572253A (zh) * | 2019-09-16 | 2019-12-13 | 济南大学 | 一种联邦学习训练数据隐私性增强方法及*** |
CN110969861A (zh) * | 2019-12-20 | 2020-04-07 | ***通信集团黑龙江有限公司 | 一种车辆识别方法、装置、设备及计算机存储介质 |
CN111010367A (zh) * | 2019-11-07 | 2020-04-14 | 深圳市电子商务安全证书管理有限公司 | 数据存证方法、装置、计算机设备和存储介质 |
CN111046857A (zh) * | 2020-03-13 | 2020-04-21 | 同盾控股有限公司 | 基于知识联邦的人脸识别方法、装置、设备、介质及*** |
CN111143308A (zh) * | 2019-12-26 | 2020-05-12 | 许昌中科森尼瑞技术有限公司 | 基于联邦学习的高低压电动机数据处理方法、***及装置 |
CA3069920A1 (en) * | 2019-01-28 | 2020-07-28 | The Toronto-Dominion Bank | Homomorphic computations on encrypted data within a distributed computing environment |
CN111598664A (zh) * | 2020-05-18 | 2020-08-28 | 广州朗道信息科技有限公司 | 一种基于车辆信息识别的预报价方法及装置 |
CN112256874A (zh) * | 2020-10-21 | 2021-01-22 | 平安科技(深圳)有限公司 | 模型训练方法、文本分类方法、装置、计算机设备和介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170124497A1 (en) * | 2015-10-28 | 2017-05-04 | Fractal Industries, Inc. | System for automated capture and analysis of business information for reliable business venture outcome prediction |
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
CN111160572B (zh) * | 2020-04-01 | 2020-07-17 | 支付宝(杭州)信息技术有限公司 | 一种基于多标签的联邦学习方法、装置和*** |
CN112287377A (zh) * | 2020-11-25 | 2021-01-29 | 南京星环智能科技有限公司 | 基于联邦学习的模型训练方法、计算机设备及存储介质 |
CN113011632B (zh) * | 2021-01-29 | 2023-04-07 | 招商银行股份有限公司 | 企业风险评估方法、装置、设备及计算机可读存储介质 |
CN113065843B (zh) * | 2021-03-15 | 2024-05-14 | 腾讯科技(深圳)有限公司 | 一种模型处理方法、装置、电子设备和存储介质 |
CN112990484B (zh) * | 2021-04-21 | 2021-07-20 | 腾讯科技(深圳)有限公司 | 基于非对称联邦学习的模型联合训练方法、装置及设备 |
-
2021
- 2021-11-05 CN CN202111304096.7A patent/CN113887741B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846491A (zh) * | 2018-08-08 | 2018-11-20 | 中链科技有限公司 | 基于区块链的车辆事故处理方法及装置 |
CA3069920A1 (en) * | 2019-01-28 | 2020-07-28 | The Toronto-Dominion Bank | Homomorphic computations on encrypted data within a distributed computing environment |
CN110059952A (zh) * | 2019-04-12 | 2019-07-26 | 中国人民财产保险股份有限公司 | 车险风险评估方法、装置、设备和存储介质 |
CN110572253A (zh) * | 2019-09-16 | 2019-12-13 | 济南大学 | 一种联邦学习训练数据隐私性增强方法及*** |
CN111010367A (zh) * | 2019-11-07 | 2020-04-14 | 深圳市电子商务安全证书管理有限公司 | 数据存证方法、装置、计算机设备和存储介质 |
CN110969861A (zh) * | 2019-12-20 | 2020-04-07 | ***通信集团黑龙江有限公司 | 一种车辆识别方法、装置、设备及计算机存储介质 |
CN111143308A (zh) * | 2019-12-26 | 2020-05-12 | 许昌中科森尼瑞技术有限公司 | 基于联邦学习的高低压电动机数据处理方法、***及装置 |
CN111046857A (zh) * | 2020-03-13 | 2020-04-21 | 同盾控股有限公司 | 基于知识联邦的人脸识别方法、装置、设备、介质及*** |
CN111598664A (zh) * | 2020-05-18 | 2020-08-28 | 广州朗道信息科技有限公司 | 一种基于车辆信息识别的预报价方法及装置 |
CN112256874A (zh) * | 2020-10-21 | 2021-01-22 | 平安科技(深圳)有限公司 | 模型训练方法、文本分类方法、装置、计算机设备和介质 |
Non-Patent Citations (1)
Title |
---|
联邦学习及其在电信行业的应用;李鉴等;《信息通信技术与政策》;20200915(第09期);第35-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113887741A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109257342B (zh) | 区块链跨链的认证方法、***、服务器及可读存储介质 | |
CN110493202B (zh) | 登录令牌的生成及验证方法、装置和服务器 | |
CN110555029B (zh) | 基于区块链的票务管理方法、装置及存储介质 | |
CN110569658B (zh) | 基于区块链网络的用户信息处理方法、装置、电子设备及存储介质 | |
CN112926092A (zh) | 保护隐私的身份信息存储、身份认证方法及装置 | |
CN110990827A (zh) | 一种身份信息验证方法、服务器及存储介质 | |
EP3933624B1 (en) | Blockchain-based identity verification method and related hardware | |
CN110932859B (zh) | 用户信息的处理方法、装置、设备及可读存储介质 | |
CN110381075B (zh) | 基于区块链的设备身份认证方法和装置 | |
CN112165382A (zh) | 软件授权方法、装置、授权服务端及终端设备 | |
CN114519206B (zh) | 一种匿名签署电子合同的方法及签名*** | |
CN112153638B (zh) | 车载移动终端安全认证方法及设备 | |
CN113872751B (zh) | 业务数据的监控方法、装置、设备及存储介质 | |
CN114418380A (zh) | 基于联邦学习的用户评分方法、服务器及存储介质 | |
Feng et al. | Autonomous vehicles' forensics in smart cities | |
CN113887741B (zh) | 基于联邦学习的数据生成方法、装置、设备及存储介质 | |
US11362806B2 (en) | System and methods for recording codes in a distributed environment | |
CN105072136B (zh) | 一种基于虚拟驱动的设备间安全认证方法和*** | |
CN115240298B (zh) | 车辆数字钥匙获取方法、装置、计算机设备和存储介质 | |
CN112307445B (zh) | 一种基于区块链的身份管理方法及装置 | |
CN115865495A (zh) | 数据传输控制方法、装置、电子设备和可读存储介质 | |
CN114297672A (zh) | 一种防伪标签防伪验证方法、***及存储介质 | |
CN113836239A (zh) | 交易数据监管方法、存储介质及计算机设备 | |
CN114329610A (zh) | 区块链隐私身份保护方法、装置、存储介质及*** | |
CN113326527A (zh) | 一种基于区块链的可信数字签名***及方法 |
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 |