[发明专利]联邦学习方法、装置和系统

说明书

本公开提供了一种联邦学习方法、装置和系统，涉及联邦学习技术领域以及计算机技术领域。具体实现方案为:根据开发任务调用目标函数，目标函数用于配置算法模型及可信执行环境；在目标函数鉴权通过的情况下，获取来自至少一个数据拥有方的加密样本数据；响应于数据解密请求，可信执行环境利用密钥对加密样本数据进行解密，得到解密后的样本数据；将解密后的样本数据输入算法模型，得到输出结果。通过以上过程，能够通过目标函数配置算法程序及可信执行环境，分别获取来自数据拥有方的加密数据以及密钥，如此提高了算法的可扩展性及性能，在此基础上能够实现明文数据不出域，进而实现了算力平台与数据拥有方的端到端加密。

技术领域

本公开涉及联邦学习技术领域以及计算机技术领域，具体涉及一种联邦学习方法、装置和系统。

背景技术

联邦学习(Federated Learning)是一种打破数据孤岛、释放人工智能应用潜能的分布式机器学习技术。现有的联邦学习技术中，一般通过多个拥有样本数据的分布式边缘设备或者服务器，联合多个参与者构建通用鲁棒的机器学习模型。相比于传统的集中式机器学习算法，联邦学习技术在学习过程中不交换数据，数据安全性较高，但这种方式存在系统开销大、性能较差的问题。

因此，如何开发一种新的联邦学习方法和系统，在提升算法性能的同时保证数据安全，成为亟待解决的问题。

发明内容

本公开提供了一种联邦学习方法、装置和系统。

根据本公开的一方面，提供了一种联邦学习方法，该方法可以包括以下步骤：

根据开发任务调用目标函数，目标函数用于配置算法模型及可信执行环境；

在目标函数鉴权通过的情况下，获取来自至少一个数据拥有方的加密样本数据；

响应于数据解密请求，可信执行环境利用密钥对加密样本数据进行解密，得到解密后的样本数据；

将解密后的样本数据输入算法模型，得到输出结果。

根据本公开的另一方面，提供了一种联邦学习装置，该装置可以包括：

函数调用模块，用于根据开发任务调用目标函数，目标函数用于配置算法模型及可信执行环境；

数据获取模块，用于在目标函数鉴权通过的情况下，获取来自至少一个数据拥有方的加密样本数据；

数据解密模块，用于响应于数据解密请求，可信执行环境利用密钥对加密样本数据进行解密，得到解密后的样本数据；

算法执行模块，用于将解密后的样本数据输入算法模型，得到输出结果。

根据本公开的另一方面，提供了一种联邦学习系统，该系统可以包括：

算力平台，用于根据开发任务调用目标函数，目标函数用于配置算法程序及可信执行环境；在目标函数鉴权通过的情况下，获取来自至少一个数据拥有方的加密样本数据；响应于数据解密请求，可信执行环境利用密钥对加密样本数据进行解密，得到解密后的样本数据；将解密后的样本数据输入算法模型，得到输出结果；

业务开发方，用于向算力平台发送开发请求；

数据拥有方，用于存储加密样本数据以及与加密样本数据对应的密钥；在目标函数鉴权通过的情况下，向算力平台提供加密样本数据，并向可信执行环境发送密钥。

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

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。