[发明专利]数据建模方法、装置、电子设备及存储介质

说明书

本公开提供了一种数据建模方法、装置、电子设备及存储介质，涉及机器学习技术领域。所述方法包括：在可信执行环境下，利用所述各参与方服务器的本地用户数据进行模型训练；在所述模型训练过程中，对模型训练数据和模型训练算法进行一致性验证；在验证一致性后，获得模型训练的模型参数；与聚合服务器构建安全传输层协议；根据所述安全传输层协议将所述模型参数传输至所述聚合服务器，以使所述聚合服务器根据所述模型参数进行联合建模。基于可信执行环境技术防范恶意节点攻击，对数据的可信和安全进行充分验证。同时实现多方原始数据不出域前提下的数据协作，能够充分发挥多方数据的优势和价值，大幅提升联合建模的准确度和精度。

技术领域

本公开涉及机器学习领域，尤其涉及一种数据建模方法、装置、电子设备及存储介质。

背景技术

联邦学习(Federated Learning)是一种特殊的分布式机器学习，能够实现多个机构在满足用户隐私保护、数据安全和政府法规的要求下进行数据使用和机器学习建模，让参与方在不共享数据的基础上联合建模，可以避免参与方的敏感数据出域和解决数据孤岛问题。

但是目前的联邦学习缺乏硬件层面的可信度量能力，无法充分防止恶意节点的攻击和参数汇聚过程导致的隐私泄露，且无法对参与方的机器学习建模过程进行直接控制，会影响最终联合建模所聚合模型的准确率。

因此，如何实现更加安全高效，且适用于多个数据提供方的联合建模，是一个亟待解决的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种数据建模方法、装置、电子设备及存储介质，至少在一定程度上克服由于相关技术的联合建模的准确性问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种数据建模方法，应用于各参与方服务器，包括：在可信执行环境下，利用所述各参与方服务器的本地用户数据进行模型训练；

在所述模型训练过程中，对模型训练数据和模型训练算法进行一致性验证；

在验证一致性后，获得模型训练的模型参数；

与聚合服务器构建安全传输层协议；

根据所述安全传输层协议将所述模型参数传输至所述聚合服务器，以使所述聚合服务器根据所述模型参数进行联合建模。

在本公开一个实施例中，所述在可信执行环境下，利用所述各参与方服务器的本地用户数据进行模型训练，包括：

获取所述聚合服务器的初始化模型参数，所述初始化模型参数为所述聚合服务器进行一致性校验后获得的具有可信度的联合建模模型参数；

初始化联合建模训练容器，并在可信执行环境下对初始化的联合建模训练容器进行一致性度量校验；

在所述初始化的联合建模训练容器中利用所述初始化模型参数和所述本地用户数据进行模型训练。

在本公开一个实施例中，所述在模型训练过程中，对模型训练数据和模型训练算法进行一致性验证步骤之前，包括：

基于可信执行环境，对所述模型训练数据和所述模型训练算法进行哈希计算，获取所述模型训练数据和所述模型训练算法对应的第一哈希度量值。

在本公开一个实施例中，所述在模型训练过程中，对模型训练数据和模型训练算法进行一致性验证步骤，包括：

在模型训练过程中，计算所述模型训练数据和所述模型训练算法的第二哈希度量值；

检验所述第一哈希度量值和所述第二哈希度量值的一致性。