一种数据安全共享方法、系统及装置

    公开(公告)号:CN111901309B

    公开(公告)日:2022-03-22

    申请号:CN202010636535.3

    申请日:2020-07-03

    IPC分类号: H04L67/104 H04L9/40 G06Q40/04

    摘要: 本发明实施例提供一种数据安全共享方法、系统及装置,该方法包括:基于多方数据安全共享架构,获取数据请求节点发送的数据共享请求,所述多方数据安全共享架构是由许可链节点和设备节点构建的;根据所述数据共享请求,通过许可链对多个数据提供节点进行多方数据检索,得到目标共享数据的本地数据模型,所述本地数据模型是基于联邦学习和预设学习指令,通过目标共享数据训练得到的;将所述本地数据模型发送到对应的数据请求节点。本发明实施例通过建立了一个去中心化的可信交易环境,使交易过程对交易双方透明化;并通过联邦学习技术,使数据共享过程中不再需要进行原始数据的传递,从源头上加大了对用户数据隐私的保护力度。

    面向大规模产业链隐私计算的联邦学习模型训练方法

    公开(公告)号:CN114169412A

    公开(公告)日:2022-03-11

    申请号:CN202111397160.0

    申请日:2021-11-23

    IPC分类号: G06K9/62 G06N20/00

    摘要: 本发明提供一种面向大规模产业链隐私计算的联邦学习模型训练方法。所述方法包括:由联邦学习中心服务器节点以非独立同分布为目标划分产业链业务训练数据集,并分发至多个联邦学习工人节点;联邦学习工人节点基于目标利润函数迭代训练本地模型;聚合服务器节点在聚合每个联邦学习工人节点发送的更新后的本地模型权重后,根据各个本地模型权重分布和整体本地模型权重分布,计算每个联邦学习工人节点对应的地动距离,并剔除超过预设距离阈值的联邦学习工人节点;由剩余的联邦学习工人节点继续进行模型训练。本发明在联邦学习模型训练过程中将分布差异过大的数据分布剔除,减少异质性数据带来的精度损失,提高了传统算法在产业链中的应用可靠性。