[发明专利]纵向联邦学习建模方法、系统、介质及设备

说明书

本发明涉及数据共享技术领域，特别涉及一种纵向联邦学习建模方法、系统、介质及设备，其中，一种纵向联邦学习建模方法，找出建模参与方共有的样本ID，应用于建模参与方包括如下步骤，接收信任第三方发送的公钥，利用公钥对中间数据进行加密；向信任第三方发送加密中间数据，以使所述信任第三方接收加密中间数据对其解密并运算，向所述建模参与方返回运算结果；接收运算结果并计算估计向量，用以利用共有的样本ID建立数据模型。与现有技术相比，本发明提供的一种纵向联邦学习建模方法，在保证各建模参与方的数据安全隐私的前提下，充分利用各建模参与方的特征数据共同建模，既能保证数据隐私又能提升模型表现。

技术领域

本发明涉及数据共享技术领域，特别涉及一种纵向联邦学习建模方法、系统、介质及设备。

背景技术

非线性状态估计技术(Nonlinear State Estimation Technique,NSET)是一种经典的模式识别技术，在工业界常用来解决异常检测问题。其基于海量历史高维样本向量形成的“记忆矩阵”并计算出“认知矩阵”，认知矩阵中蕴含了所有历史样本向量两两之间的某种“非线性模式”，最后只要计算输入样本向量与输出估计向量之间的相似性就可以评估样本异常情况。

但是，NSET也需要大量有效特征才能保证更好的评估效果，如果有几个公司或机构分别想利用自己的数据合作共建一个NSET模型，存在向其他人泄露自己数据的风险。

发明内容

为解决上述现有技术中建模时数据泄露的风险，本发明提供的一种纵向联邦学习建模方法，在建模时可以确保数据的隐私安全性。

第一方面，本申请实施例提供了一种纵向联邦学习建模方法，找出建模参与方共有的样本ID后，应用于建模参与方，所述方法包括：

接收信任第三方发送的公钥，利用公钥对中间数据进行加密；

向信任第三方发送加密中间数据，以使所述信任第三方接收加密中间数据对其解密并运算，向所述建模参与方返回运算结果；

接收运算结果并计算估计向量，用以建立数据模型。

进一步地，所述建模参与方包括多个，通过加密实体对齐找出全部所述建模参与方共有的样本ID。

进一步地，所述建模参与方包括第一建模参与方和第二建模参与方，所述中间数据包括第一中间数据和第二中间数据；所述第一建模参与方和所述第二建模参与方分别接收信任第三方发送的公钥；

所述第一建模参与方利用公钥对第一中间数据进行同态加密发送给所述第二建模参与方，所述第二建模参与方在加密的第一中间数据基础上利用公钥对第二中间数据进行同态加密后发送给信任第三方。

进一步地，加密的第一中间数据包括所述第一建模参与方记忆矩阵中样本向量和输入观测向量的二范数的同态加密的密文、及所述第一建模参与方记忆矩阵中两两样本向量之间的二范数的同态加密的密文；

加密的第二中间数据包括所述第一建模参与方和所述第二建模参与方各自记忆矩阵中样本向量和输入观测向量的二范数的同态加密的密文之和、以及所述第一建模参与方和所述第二建模参与方各自记忆矩阵中两两样本向量之间的二范数的同态加密的密文之和。

进一步地，所述第一建模参与方计算发送给第二建模参与方；所述第二建模参与方计算后将和发送给信任第三方。

进一步地，所述信任第三方利用私钥对加密的第二中间数据解密并运算，将运算结果发送给所述第一建模参与方和所述第二建模参与方。

进一步地，所述信任第三方利用私钥对和进行解密进行解密，并计算和将计算结果发送给第一建模参与方和第二建模参与方。

进一步地，所述第一建模参与方和所述第二建模参与方分别接收运算结果，各自其计算估计向量发送至对方，用以建立数据模型。