基于树模型的两方联合分类方法、装置、设备及介质

    公开(公告)号:CN111639367A

    公开(公告)日:2020-09-08

    申请号:CN202010759206.8

    申请日:2020-07-31

    Inventor: 方文静 王力 周俊

    Abstract: 本说明书提出一种基于树模型的两方联合分类方法、装置、设备及介质,包括:将本方持有的目标对象的特征输入本方的部分树模型,预测得到与所述目标对象匹配的若干第一疑似叶节点;根据所述若干第一疑似叶节点和对方预测得到的若干第二疑似叶节点,确定为所述目标对象预测得到的目标叶节点;基于本方确定出的所述目标叶节点的本方权值分片的密文、以及对方发送的该目标叶节点的对方权值分片的密文,确定目标叶节点对应的分类权值;其中,所述本方权值分片的密文由本方采用本方公钥对该目标叶节点的本方权值分片进行同态加密得到;根据所述目标叶节点和所述分类权值确定所述目标对象的分类结果。

    用于联盟学习的方法、装置及联盟学习系统

    公开(公告)号:CN111340243B

    公开(公告)日:2020-09-08

    申请号:CN202010411922.7

    申请日:2020-05-15

    Inventor: 王力 周俊

    Abstract: 本说明书的实施例提供用于联盟学习的方法,所述联盟包括至少三个第一成员设备以及第二成员设备,每个第一成员设备具有本地数据。在该方法中,第二成员设备基于各个第一成员设备的硬件性能参数信息,对第一成员设备进行成员分组,得到各个第一成员设备分组,每个第一成员设备分组具有与各自的硬件性能参数适配的初始全局业务模型。针对各个第一成员设备分组,该第一成员设备分组中的各个第一成员设备使用各自的本地数据,与第二成员设备一起执行联盟学习来得到目标全局业务模型。

    基于容器集群的应用访问请求处理方法及装置

    公开(公告)号:CN111290838B

    公开(公告)日:2020-08-18

    申请号:CN202010384200.7

    申请日:2020-05-09

    Abstract: 本说明书实施例提供一种基于容器集群的应用访问请求处理方法及装置,该容器集群包括主节点和若干计算节点。部分计算节点中部署有第一应用,该第一应用对应容器运行在可信内存区域中。该方法由主节点执行,包括:接收用户的针对第一应用的访问请求。向各计算节点发送可信内存区域的使用量的获取请求。接收返回的可信内存区域的使用量。基于接收的使用量,确定各计算节点的可信内存区域的剩余量。若剩余量均小于预定阈值,则针对第一应用进行扩容,包括:在其它计算节点的可信内存区域中,启动第一应用的新建容器。将访问请求分配至其它计算节点,并由其它计算节点对访问请求进行响应。由此,可实现在可信执行环境中对私有数据的访问请求的处理。

    多方联合对隐私数据进行显著性检验的方法和装置

    公开(公告)号:CN111506922A

    公开(公告)日:2020-08-07

    申请号:CN202010307722.7

    申请日:2020-04-17

    Abstract: 本说明书实施例提供一种多方联合对隐私数据进行显著性检验的方法和装置,隐私数据分布在M个持有方中,M个持有方各自的原始矩阵能假定构成联合矩阵,联合矩阵对应于N个业务对象针对D项属性项的属性值构成的矩阵,检验方在获取到N个业务对象对应的N个预测值以及D项属性项对应的D个模型参数时,将对N个预测值的预定计算结果作为对角元素构建N*N维的预测值矩阵,利用秘密共享的矩阵乘法SMM,基于预测值矩阵以及M个持有方各自的原始矩阵进行乘操作,得到多个子矩阵,并构建中间矩阵,将中间矩阵的逆矩阵确定为预测值矩阵与联合矩阵形成的D*D维的方差协方差矩阵;基于方差协方差矩阵的对角元素,采用显著性检验法,确定属性项的显著性水平值。

    针对多方的隐私数据进行聚类的方法和装置

    公开(公告)号:CN111444545A

    公开(公告)日:2020-07-24

    申请号:CN202010536743.6

    申请日:2020-06-12

    Inventor: 陈超超 王力 周俊

    Abstract: 本说明书实施例提供一种针对多方的隐私数据进行聚类的方法和装置,方法包括:第一方确定第一类簇集合中各个类簇当前分别对应的第一中心数据;第二方具有第二类簇集合中各个类簇当前分别对应的第二中心数据;第一类簇集合和第二类簇集合构成总类簇集合;计算第一隐私数据和各个第一中心数据之间的第一明文距离;基于同态加密的方式,与第二方联合计算第一隐私数据和各个第二中心数据之间的第一密文距离;对第一密文距离解密,得到第一隐私数据和第二中心数据之间的第二明文距离;根据各第一明文距离,以及各第二明文距离,选择最短明文距离对应的类簇作为第一隐私数据当前归属的类簇。能够防止泄露隐私数据。

    针对多方的隐私数据进行聚类的方法和装置

    公开(公告)号:CN111444544A

    公开(公告)日:2020-07-24

    申请号:CN202010536190.4

    申请日:2020-06-12

    Inventor: 陈超超 周俊 王力

    Abstract: 本说明书实施例提供一种针对多方的隐私数据进行聚类的方法和装置,方法包括:第一方确定各个类簇当前分别对应的各中心数据的第一分片;分别将所述各中心数据作为目标中心数据,基于本地的第一隐私数据和目标中心数据的第一分片,利用秘密共享的方式,与第二方中的目标中心数据的第二分片进行第一联合计算,得到第一隐私数据和目标中心数据的第一目标距离的第一分片;基于各第一目标距离的第一分片,利用秘密共享的方式,与第二方中的各第一目标距离的第二分片进行联合比较,确定各第一目标距离中的最近的第一目标距离;将最近的第一目标距离对应的类簇,确定为第一隐私数据当前归属的类簇。能够防止泄露隐私数据。

    业务处理方法及装置
    77.
    发明公开

    公开(公告)号:CN111414536A

    公开(公告)日:2020-07-14

    申请号:CN202010188687.1

    申请日:2020-03-17

    Inventor: 王力

    Abstract: 本说明书提供业务处理方法及装置,其中,所述业务处理方法包括:获取用户群体中用户在业务维度的业务标识;根据所述业务标识获取所述用户的位置数据以及对应的时间数据;基于所述位置数据、所述时间数据、所述业务维度的样本用户路径网络和业务参数,在所述业务维度对所述用户进行群体时移接触计算;所述样本用户路径网络基于所述业务维度下样本用户的用户路径构建;根据计算获得的所述用户的业务接触度,在所述用户群体中筛选满足所述业务维度的业务条件的目标用户。

    一种隐私数据保护方法、系统及装置

    公开(公告)号:CN111324911A

    公开(公告)日:2020-06-23

    申请号:CN202010409778.3

    申请日:2020-05-15

    Inventor: 王力 周俊

    Abstract: 本说明书实施例公开了一种隐私数据保护方法、系统及装置。该方法包括:分别从至少两个数据源处获取隐私数据。对所述至少两个数据源的隐私数据执行第一处理操作,以获取至少两份第一处理数据,其中,所述第一处理操作用于对隐私数据的至少一部分进行隐匿。对第一处理数据执行第二处理操作,以获取第二处理数据,其中,所述第二处理操作用于将源自至少两个数据源的第一处理数据进行混合后划分为至少两个批次。依次传输所述第二处理数据中的至少两个批次至可信执行环境执行第三处理操作,其中,所述第三处理操作用于基于第二处理数据恢复出至少一份隐私数据中的至少一部分,并对所述至少一部分进行数据处理。

    保护数据隐私的多方联合训练对象推荐模型的方法及装置

    公开(公告)号:CN111291417A

    公开(公告)日:2020-06-16

    申请号:CN202010384206.4

    申请日:2020-05-09

    Abstract: 本说明书实施例提供一种保护数据隐私的多方联合训练对象推荐模型的方法,其中多方为N方,共同维护M个用户对P个对象的总评分矩阵。该方法由N方中任意的第k方执行,包括:先通过秘密分享,获取以下矩阵分片:该总评分矩阵的第k评分矩阵分片、初始化的该P个对象的对象特征矩阵的第k对象矩阵分片和初始化的该M个用户的用户特征矩阵的第k用户矩阵分片;再执行多次迭代更新,具体地,基于上述矩阵分片,通过与其他N-1方进行秘密分享矩阵运算,得到对象更新梯度和用户更新梯度的第k分片,进而更新第k对象矩阵分片和第k用户矩阵分片。如此在多次迭代更新结束后,N方各自交换更新后的矩阵分片,进行矩阵重构,进而建立各自的对象推荐模型。

    使用可信执行环境来进行神经网络模型训练的方法和装置

    公开(公告)号:CN111260053A

    公开(公告)日:2020-06-09

    申请号:CN202010030931.1

    申请日:2020-01-13

    Inventor: 陆宇飞 王磊 王力

    Abstract: 本说明书实施例提供使用可信执行环境的神经网络模型训练方法及装置。在该方法中,神经网络模型被依序分割为位于第一设备的可信执行环境中的第一部分神经网络模型和位于第二设备的非可信执行环境中的第二部分神经网络模型。在每轮模型训练时,当前第一部分神经网络模型在可信执行环境中对训练样本数据进行处理以得到中间结果,当前第二部分神经网络模型在非可信执行环境中对中间结果进行处理以得到当前预测值,并确定出预测差值。在不满足循环结束条件时,根据当前预测差值,调整当前第一部分神经网络模型和当前第二部分神经网络模型的各层模型参数。利用该方法,能够在确保隐私数据安全的情况下实现神经网络模型训练。

Patent Agency Ranking