[发明专利]个人隐私数据识别方法、装置、计算机设备及存储介质

权利要求书

1.个人隐私数据识别方法，其特征在于，包括：

加载数据自动采集插件；

通过所述数据自动采集插件获取WEB应用程序运行过程中的数据，以得到初始数据；

将所述初始数据输入至识别模型内进行个人隐私数据识别，以得到识别结果；

将所述初始数据与预设的数据识别策略进行匹配，以得到匹配分值；

根据所述匹配分值以及所述识别结果确定数据类别；

判断所述数据类别是否是个人隐私数据；

若所述数据类别是个人隐私数据，则输出所述数据类别；所述识别模型是通过若干个带有个人隐私数据具体类型标签的数据作为样本集且采用多GPU并行计算框架对深度学习网络进行训练所得的；

所述识别模型是通过若干个带有个人隐私数据具体类型标签的数据作为样本集且采用多GPU并行计算框架对深度学习网络进行训练所得的，包括：

获取若干个带有个人隐私数据具体类型标签的数据，以得到样本集，且将所述样本集划分为训练集；

构建ResNet深度学习网络；

将所述训练集装载到多个GPU节点，以进行梯度求导，得到所有节点的求导结果；

对所有节点的求导结果进行加权平均并更新ResNet深度学习网络的网络参数，同步更新所有GPU节点；

判断所述ResNet深度学习网络是否收敛；

若所述ResNet深度学习网络收敛，则确定所述ResNet深度学习网络为识别模型；

若所述ResNet深度学习网络未收敛，则执行所述将所述训练集装载到多个GPU节点，以进行梯度求导，得到所有节点的求导结果。

2.根据权利要求1所述的个人隐私数据识别方法，其特征在于，所述将所述初始数据与预设的数据识别策略进行匹配，以得到匹配分值，包括：

定义个人隐私类数据具体类型的正则表达式、字典、关键字识别规则，并对识别规则进行多模式组合，形成多种数据识别策略；

将所述初始数据与预设的数据识别策略进行匹配，以得到匹配分值。

3.根据权利要求2所述的个人隐私数据识别方法，其特征在于，所述根据所述匹配分值以及所述识别结果确定数据类别，包括：

将所述匹配分值以及所述识别结果进行加权平均，以得到各个具体类型的分值；

筛选出分值最高的具体类型，以得到数据类别。

4.个人隐私数据识别装置，其特征在于，包括：

插件加载单元，用于加载数据自动采集插件；

数据获取单元，用于通过所述数据自动采集插件获取WEB应用程序运行过程中的数据，以得到初始数据；

模型识别单元，用于将所述初始数据输入至识别模型内进行个人隐私数据识别，以得到识别结果；

匹配单元，用于将所述初始数据与预设的数据识别策略进行匹配，以得到匹配分值；

加权平均单元，用于根据所述匹配分值以及所述识别结果确定数据类别；

判断单元，用于判断所述数据类别是否是个人隐私数据；

输出单元，用于若所述数据类别是个人隐私数据，则输出所述数据类别；

还包括：

模型生成单元，用于通过若干个带有个人隐私数据具体类型标签的数据作为样本集且采用多GPU并行计算框架对深度学习网络进行训练，以得到识别模型；

所述模型生成单元包括：

样本集获取子单元，用于获取若干个带有个人隐私数据具体类型标签的数据，以得到样本集，且将所述样本集划分为训练集；

网络构建子单元，用于构建ResNet深度学习网络；

求导子单元，用于将所述训练集装载到多个GPU节点，以进行梯度求导，得到所有节点的求导结果；

参数更新子单元，用于对所有节点的求导结果进行加权平均并更新ResNet深度学习网络的网络参数，同步更新所有GPU节点；

判断子单元，用于判断所述ResNet深度学习网络是否收敛；若所述ResNet深度学习网络收敛，则确定所述ResNet深度学习网络为识别模型；若所述ResNet深度学习网络未收敛，则执行所述将所述训练集装载到多个GPU节点，以进行梯度求导，得到所有节点的求导结果。