数据加密、机器学习模型训练方法、装置以及电子设备制造方法及图纸

本说明书实施例公开了数据加密、机器学习模型训练方法、装置以及电子设备。所述数据加密方法包括：将待加密数据输入自编码器进行处理，提取自编码器对应生成的隐层数据，作为该待加密数据对应的加密数据。

Data Encryption, Machine Learning Model Training Method, Device and Electronic Equipment

The embodiments of this specification disclose data encryption, machine learning model training methods, devices and electronic devices. The data encryption method includes: input the data to be encrypted into the self-encoder for processing, extract the hidden layer data corresponding to the self-encoder, and act as the encrypted data corresponding to the data to be encrypted.

【技术实现步骤摘要】
数据加密、机器学习模型训练方法、装置以及电子设备
本说明书涉及计算机软件
，尤其涉及数据加密、机器学习模型训练方法、装置以及电子设备。
技术介绍
随着信息时代的来临，各个行业巨头公司都存储了大量宝贵的数据，比如，银行的金融数据、电商的电子商务数据、社交应用服务商的用户社交数据等。这样的现状无疑对数据的管理提出了更大的挑战，不论是公司内部员工，还是竞争对手以及合作伙伴，数据在对外展现时如果直接以原始数据的形式出现，往往后面面临数据泄露的风险。一般可以采用数据加密技术对数据的隐私进行保护，以降低数据泄露的风险。但是，现有技术中的数据加密技术一般是用于存储目的的，用于存储目的的数据加密技术必须是双向的，即数据既可加密也可解密。这样的加密技术加密后的数据与其对应的原始数据一般差异较大，在未解密的情况下，加密数据难以反映原始数据中的有用信息。所以，现在需要一种技术，能对原始数据进行加密，并且加密后的数据在输出给其他方后，其他方能对该加密的数据在不解密的情况下进行使用。
技术实现思路
本说明书实施例提供数据加密、机器学习模型训练方法、装置以及电子设备，用以解决如下技术问题：现在需要一种技术，能对原始数据进行加密，并且加密后的数据在输出给其他方后，其他方能对该加密的数据在不解密的情况下进行使用。为解决上述技术问题，本说明书实施例是这样实现的：本说明书实施例提供的一种数据加密方法，包括：将待加密数据输入自编码器进行处理；获取在所述处理过程中所述自编码器生成的神经网络隐层数据；根据所述神经网络隐层数据，得到所述待加密数据对应的加密数据。本说明书实施例提供的一种数据加密装置，包括：处理模块，将待加密数据输入自编码器进行处理；获取模块，获取在所述处理过程中所述自编码器生成的神经网络隐层数据；得到模块，根据所述神经网络隐层数据，得到所述待加密数据对应的加密数据。本说明书实施例提供的一种机器学习模型训练方法，包括：获取加密数据，所述加密数据通过将其对应的待加密数据输入自编码器进行处理，根据在所述处理过程中所述自编码器生成的神经网络隐层数据得到；利用所述加密数据训练机器学习模型。本说明书实施例提供的一种机器学习模型训练装置，包括：获取模块，获取加密数据，所述加密数据通过将其对应的待加密数据输入自编码器进行处理，根据在所述处理过程中所述自编码器生成的神经网络隐层数据得到；训练模块，利用所述加密数据训练机器学习模型。本说明书实施例提供的一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：将待加密数据输入自编码器进行处理；获取在所述处理过程中所述自编码器生成的神经网络隐层数据；根据所述神经网络隐层数据，得到所述待加密数据对应的加密数据。本说明书实施例提供的另一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：获取模块，获取加密数据，所述加密数据通过将其对应的待加密数据输入自编码器进行处理，根据在所述处理过程中所述自编码器生成的神经网络隐层数据得到；训练模块，利用所述加密数据训练机器学习模型。本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：待加密数据可以是原始数据本身或者对原始数据进行格式化处理得到的数据，对应得到的加密数据能够包含待加密数据的有用信息，则这样的加密数据在输出给其他方后，其他方能对该加密数据在不解密的情况下进行使用。附图说明为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本说明书的方案在一种实际应用场景下涉及的一种整体架构示意图；图2为本说明书实施例提供的一种数据加密方法的流程示意图；图3为本说明书实施例提供的一种自编码器的结构示意图；图4为本说明书实施例提供的另一种自编码器的结构示意图；图5a为本说明书实施例提供的一种实际应用场景下，训练自编码器的流程示意图；图5b为本说明书实施例提供的一种实际应用场景下，基于训练好的自编码器，进行数据加密的流程示意图；图6为本说明书实施例提供的一种机器学习模型训练方法的流程示意图；图7为本说明书实施例提供的对应于图2的一种数据加密装置的结构示意图；图8为本说明书实施例提供的对应于图6的一种机器学习模型训练装置的结构示意图。具体实施方式本说明书实施例提供数据加密、机器学习模型训练方法、装置以及电子设备。为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。图1为本说明书的方案在一种实际应用场景下涉及的一种整体架构示意图。该整体架构中，主要涉及三部分：待加密数据、自编码器所在的设备，待加密数据对应的加密数据。通过将待加密数据输入自编码器所在的设备进行处理，可以得到待加密数据对应的加密数据。图2为本说明书实施例提供的一种数据加密方法的流程示意图。该流程可能的执行主体包括但不限于可作为服务器或者终端的以下设备：个人计算机、中型计算机、计算机集群、手机、平板电脑、智能可穿戴设备、车机等。图2中的流程可以包括以下步骤：S202：将待加密数据输入自编码器进行处理。在本说明书实施例中，自编码器基于神经网络实现，其即为一个神经网络模型，通过对自编码器进行训练，可以实现一种输入等于输出(在实际应用中，允许一定的误差)的非线性机器学习算法。在所述输入与输出间的中间状态能够包含输入的有用信息，根据这样的原理，可以基于自编码器以及所述中间状态实现数据加密。在本说明书实施例中，待加密数据可以是
技术介绍
中所述的原始数据本身；待加密数据也可以是为了适应于本说明书的方案对该原始数据进行相应的预处理后得到的数据，预处理比如可以是格式化处理、数据清洗处理、特征提取处理等。S204：获取在所述处理过程中所述自编码器生成的神经网络隐层数据。在本说明书实施例中，自编码器可以包含至少一个神经网络隐层，在所述处理过程中，输入的待加密数据会在依次经过自编码器的输入层、各隐层，输出层，每层都可能包含多个节点，节点会对来自上层节点的数据进行计算，比如，为各数据分别赋予权重，并进行线性或者非线性的运算等。隐层的节点计算得到的数据即为所述神经网络隐层数据，其反应了上述的中间状态。需要说明的是，步骤S204未必要获取在处理过程中自编码器生成的所有的神经网络隐层数据。比如，若自编码器包含多个隐层，可以只获取其中一个隐层生成的神经网络隐层数据。S206：根据所述神经网络隐层数据，得到所述待加密数据对应的加密数据。在本说明书实施例中，可以将神经网络隐本文档来自技高网...

【技术保护点】
1.一种数据加密方法，包括：将待加密数据输入自编码器进行处理；获取在所述处理过程中所述自编码器生成的神经网络隐层数据；根据所述神经网络隐层数据，得到所述待加密数据对应的加密数据。

【技术特征摘要】
1.一种数据加密方法，包括：将待加密数据输入自编码器进行处理；获取在所述处理过程中所述自编码器生成的神经网络隐层数据；根据所述神经网络隐层数据，得到所述待加密数据对应的加密数据。2.如权利要求1所述的方法，所述加密数据被用来训练机器学习模型。3.如权利要求1所述的方法，所述将待加密数据输入自编码器进行处理前，所述方法还包括：获取原始数据；对所述原始数据进行格式化处理，得到表示所述原始数据的向量；所述待加密数据包括所述表示所述原始数据的向量。4.如权利要求1所述的方法，所述待加密数据输入的所述自编码器是训练好的自编码器。5.如权利要求4所述的方法，所述获取在所述处理过程中所述自编码器生成的神经网络隐层数据，具体包括：确定所述自编码器包含的各隐层中的目标隐层；获取在所述处理过程中所述目标隐层生成的神经网络隐层数据。6.如权利要求5所述的方法，所述目标隐层的维度低于所述自编码器的输入层的维度。7.如权利要求1所述的方法，所述获取在所述处理过程中所述自编码器生成的神经网络隐层数据，具体包括：获取在所述处理过程中，所述自编码器中最靠近输出层的隐层生成的神经网络隐层数据。8.如权利要求1～7任一项所述的方法，所述神经网络隐层数据为向量。9.一种数据加密装置，包括：处理模块，将待加密数据输入自编码器进行处理；获取模块，获取在所述处理过程中所述自编码器生成的神经网络隐层数据；得到模块，根据所述神经网络隐层数据，得到所述待加密数据对应的加密数据。10.如权利要求9所述的装置，所述加密数据被用来训练机器学习模型。11.如权利要求9所述的装置，所述装置还包括：格式化模块，在所述处理模块将待加密数据输入自编码器进行处理前，获取原始数据，对所述原始数据进行格式化处理，得到表示所述原始数据的向量；所述待加密数据包括所述表示所述原始数据的向量。12.如权利要求9所述的装置，所述待加密数据输入的所述自编码器是训练好的自编码器。13.如权利要求12所述的装置，所述获取模块获取在所述处理过...

【专利技术属性】
技术研发人员：陈超超，周俊，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY