基于联邦学习的网络构建方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种基于联邦学习的网络构建方法、装置、设备和存储介质，该方法包括：在检测到任意网络请求时，将所述任意网络请求输入至预设风险模型中，基于预设风险模型对所述任意网络请求进行风险识别，得到风险识别结果；其中，所述预设风险模型是基于具有预设风险标签的预设训练数据，对待训练模型执行预设联邦学习流程，得到的目标模型；基于所述风险识别结果，确定是否处理所述任意网络请求。本申请对于任意网络请求，均进行安全认证校验，实现了保证请求链路的安全性，且由于借助于联邦学习机制使得不同区域内的风险特征可以相互学习，从而促使更好的对风险行为做出更好的防范。防范。防范。

【技术实现步骤摘要】
基于联邦学习的网络构建方法、装置、设备及存储介质


[0001]本申请涉及金融科技(Fintech)的人工智能
，尤其涉及一种基于联邦学习的网络构建方法、装置、设备及存储介质。

技术介绍

[0002]随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术应用在金融领域，但金融业也对技术提出了更高的要求，如金融业对基于联邦学习的网络构建也有更高的要求。
[0003]安全性一直是互联网的重要研究课题，目前互联网在安全设计上，主要基于网络边界进行设计，即一般将线上的it系统规划为几个独立的区域，如隔离区、内网区、数据区等，每个区采用不同的安全策略，不同的区域之间采用严格的防火墙策略保护区域内的基础设施，区域内部则相互信任，不采取任何安全防护措施，这种部署方式极易因为一台机器沦陷而导致区域内的其他机器完全暴漏在风险之中，降低了互联网的安全性能。

技术实现思路

[0004]本申请的主要目的在于提供一种基于联邦学习的网络构建方法、装置、设备和存储介质，旨在解决现有基于网络边界进行安全设计，对于区域内部不采取任何安全防护措施，致使互联网网络安全风险高的的技术问题。
[0005]为实现上述目的，本申请提供一种基于联邦学习的网络构建方法，应用于软件中的第一组件，所述基于联邦学习的网络构建方法包括：
[0006]在检测到任意网络请求时，将所述任意网络请求输入至预设风险模型中，基于预设风险模型对所述任意网络请求进行风险识别，得到风险识别结果；
[0007]其中，所述预设风险模型是基于具有预设风险标签的预设训练数据，对待训练模型执行预设联邦学习流程，得到的目标模型；
[0008]基于所述风险识别结果，确定是否处理所述任意网络请求。
[0009]可选地，所述第一组件中包括预设安全套件；
[0010]所述基于预设风险模型对所述任意网络请求进行风险识别，得到风险识别结果的步骤之前，所述方法包括：
[0011]获取具有预设风险标签的预设训练数据，并获取预设安全套件中的待训练模型，基于所述具有预设风险标签的预设训练数据，对待训练模型执行预设联邦学习流程，得到的目标模型；
[0012]将所述目标模型设置为所述预设风险模型。
[0013]可选地，所述待训练模型是置于预设安全套件中的模型，所述预设安全套件中包括策略引擎子组件、策略子组件、信任引擎子组件、策略存储子组件；
[0014]所述在检测到任意网络请求时，将所述任意网络请求输入至预设风险模型中，基于预设风险模型对所述任意网络请求进行风险识别，得到风险识别结果的步骤，包括：
[0015]在检测到任意网络请求时，基于所述策略子组件接收所述任意网络请求，并将所述任意网络请求输入至所述信任引擎子组件中；
[0016]基于所述信任引擎子组件中的所述预设风险模型对所述任意网络请求进行风险评分，得到风险评分结果；
[0017]基于所述策略引擎子组件和所述策略存储子组件，对所述风险评分结果进行识别判定，得到所述风险识别结果。
[0018]可选地，所述基于所述策略引擎子组件和所述策略存储子组件，对所述风险评分结果进行识别判定，得到所述风险识别结果的步骤，包括：
[0019]从所述策略存储子组件中提取得到预设风险规则，其中，所述预设风险规则是动态的；
[0020]基于所述策略引擎子组件，将所述风险评分结果和所述预设风险规则中的风险下限值进行比对，得到比对结果；
[0021]基于所述比对结果，得到所述风险识别结果；
[0022]将所述风险识别结果反馈给所述信任引擎子组件，以供所述信任引擎子组件进行模型参数的更新，并将更新的模型参数发送给其他第二组件，以供其他第二组件进行联邦学习。
[0023]可选地，所述基于所述具有预设风险标签的预设训练数据，对待训练模型执行预设联邦学习流程，得到的目标模型的步骤，包括：
[0024]基于所述具有预设风险标签的预设训练数据，对所述待训练模型进行迭代训练，以训练更新所述待训练模型的模型变量；
[0025]判断迭代训练的所述待训练模型是否达到预设替换更新条件，若所述迭代训练的待训练模型达到预设替换更新条件，则通过执行预设联邦学习流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述待训练模型；
[0026]持续对替换更新的所述待训练模型进行迭代训练和替换更新，直至所述待训练模型满足预设训练完成条件，得到目标模型。
[0027]可选地，所述若所述迭代训练的待训练模型达到预设替换更新条件，则通过执行预设联邦学习流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述待训练模型的步骤，包括：
[0028]若所述迭代训练的待训练模型达到预设替换更新条件，则基于预设通信协议，将训练更新的所述模型变量加密发送至与所述第一组件关联的第三方，以供所述第三方对多个其他第二组件发送的模型变量进行聚合处理，获得聚合模型变量，并将所述聚合模型变量反馈至所述第一组件以及各第二组件；
[0029]接收所述第三方反馈的所述聚合模型变量，并将训练更新的所述模型变量替换更新为所述聚合模型变量，获得替换更新的所述待训练模型。
[0030]可选地，所述基于所述具有预设风险标签的预设训练数据，对待训练模型执行预设联邦学习流程，得到的目标模型的步骤，包括：
[0031]基于所述具有预设风险标签的预设训练数据，对待训练模型进行本地迭代训练，得到中间训练结果；
[0032]基于预设私有损失函数因子以及预设扰动幅度，确定扰动损失函数；
[0033]基于所述扰动损失函数随机或者自适应对本地迭代训练过程中的预设损失函数进行私有扰动调整，得到目标损失函数；
[0034]基于所述中间训练结果，所述预设风险标签以及所述目标损失函数，对待训练模型进行迭代训练，以得到目标模型。
[0035]本申请还提供一种基于联邦学习的网络构建装置，应用于第一组件，所述基于联邦学习的网络构建装置包括：
[0036]检测模块，用于在检测到任意网络请求时，将所述任意网络请求输入至预设风险模型中，基于预设风险模型对所述任意网络请求进行风险识别，得到风险识别结果；
[0037]其中，所述预设风险模型是基于具有预设风险标签的预设训练数据，对待训练模型执行预设联邦学习流程，得到的目标模型；
[0038]确定模块，用于基于所述风险识别结果，确定是否处理所述任意网络请求。
[0039]可选地，所述第一组件中包括预设安全套件；
[0040]所述基于联邦学习的网络构建装置包括：
[0041]获取模块，用于获取具有预设风险标签的预设训练数据，并获取预设安全套件中的待训练模型，基于所述具有预设风险标签的预设训练数据，对待训练模型执行预设联邦学习流程，得到的目标模型；
[0042]设置模块，用于将所述目标模型设置为所述预设风险模型。
[0043]可选地，所述待训练模型是置于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的网络构建方法，其特征在于，应用于软件中的第一组件，所述基于联邦学习的网络构建方法包括：在检测到任意网络请求时，将所述任意网络请求输入至预设风险模型中，基于预设风险模型对所述任意网络请求进行风险识别，得到风险识别结果；其中，所述预设风险模型是基于具有预设风险标签的预设训练数据，对待训练模型执行预设联邦学习流程，得到的目标模型；基于所述风险识别结果，确定是否处理所述任意网络请求。2.如权利要求1所述的基于联邦学习的网络构建方法，其特征在于，所述第一组件中包括预设安全套件；所述基于预设风险模型对所述任意网络请求进行风险识别，得到风险识别结果的步骤之前，所述方法包括：获取具有预设风险标签的预设训练数据，并获取预设安全套件中的待训练模型，基于所述具有预设风险标签的预设训练数据，对待训练模型执行预设联邦学习流程，得到的目标模型；将所述目标模型设置为所述预设风险模型。3.如权利要求1
‑
2任一项所述的基于联邦学习的网络构建方法，其特征在于，所述待训练模型是置于预设安全套件中的模型，所述预设安全套件中包括策略引擎子组件、策略子组件、信任引擎子组件、策略存储子组件；所述在检测到任意网络请求时，将所述任意网络请求输入至预设风险模型中，基于预设风险模型对所述任意网络请求进行风险识别，得到风险识别结果的步骤，包括：在检测到任意网络请求时，基于所述策略子组件接收所述任意网络请求，并将所述任意网络请求输入至所述信任引擎子组件中；基于所述信任引擎子组件中的所述预设风险模型对所述任意网络请求进行风险评分，得到风险评分结果；基于所述策略引擎子组件和所述策略存储子组件，对所述风险评分结果进行识别判定，得到所述风险识别结果。4.如权利要求3所述的基于联邦学习的网络构建方法，其特征在于，所述基于所述策略引擎子组件和所述策略存储子组件，对所述风险评分结果进行识别判定，得到所述风险识别结果的步骤，包括：从所述策略存储子组件中提取得到预设风险规则，其中，所述预设风险规则是动态的；基于所述策略引擎子组件，将所述风险评分结果和所述预设风险规则中的风险极值进行比对，得到比对结果；基于所述比对结果，得到所述风险识别结果；将所述风险识别结果反馈给所述信任引擎子组件，以供所述信任引擎子组件进行模型参数的更新，并将更新的模型参数发送给其他第二组件，以供其他第二组件进行联邦学习。5.如权利要求2所述的基于联邦学习的网络构建方法，其特征在于，所述基于所述具有预设风险标签的预设训练数据，对待训练模型执行预设联邦学习流程，得到的目标模型的步骤，包括：基于所述具有预设风险标签的预设训练数据，对所述待训练模型进行迭代训练，以训
练更新所述待训练模型的模型变量；判断迭代训练的所述待训练模型是否达到预设替换更新条件，若所述迭代训练的待训练模型达到预设替换更新条件，则通过执行预设联邦学习流程，对训练更新的所述模型变量进行...

【专利技术属性】
技术研发人员：魏帅超，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：