网络诈骗的预警方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例公开了一种网络诈骗的预警方法、装置、设备及介质。该方法包括：第一数据方获取权限范围内的第一用户数据，并使用第一用户数据预训练得到第一中间模型；第一数据方使用第一中间模型的第一模型参数，与第二数据方训练得到的第二中间模型的第二模型参数进行联邦学习，得到全局梯度值；第一数据方根据全局梯度值对第一中间模型进行修正并使用修正后的第一中间模型继续训练得到第一网络诈骗预警模型；第一数据方将待识别的目标第一用户数据输入至第一网络诈骗预警模型，得到目标第一用户数据的网络诈骗预警结果。上述技术方案中，通过联邦学习得到网络诈骗预警模型，避免了数据泄露，解决了数据孤岛的问题，提高了网络诈骗的预警精准度。

Early warning method, device, equipment and medium of network fraud

【技术实现步骤摘要】
网络诈骗的预警方法、装置、设备及介质
本专利技术实施例涉及网络安全
，尤其涉及一种网络诈骗的预警方法、装置、设备及介质。
技术介绍
随着信息技术的飞速发展，电信诈骗、钓鱼网站等利用网络开展违法犯罪活动的行为越来越多，网络诈骗也随着社会的发展一直呈现出新的变化和新的特点，其作案手段更为隐蔽，诈骗手段逐渐升级。网络诈骗预警始终是网络安全治理的重要议题。目前，在网络诈骗的预警过程中，可以使用基于机器学习算法的网络诈骗预警模型识别受害人，并向受害人发出预警，其中，网络诈骗预警模型可以使用多种数据来源的网络数据训练而成。但是，在实际情况中，由于行业竞争、数据隐私安全、行政流程复杂等原因，导致不同数据源之间的数据交互、数据共享难以实现；而仅使用本地数据完成网络诈骗预警模型的训练，可能由于训练数据的数量较少且内容单一，导致通过训练后的网络诈骗预警模型识别的受害人准确度较低，进而降低了网络诈骗的预警精准度。因此，如何避免数据泄露，解决数据孤岛的问题，并提高网络诈骗的预警精准度是亟待解决的问题。
技术实现思路
本专利技术实施例提供一种网络诈骗的预警方法、装置、设备及介质，以避免数据泄露，解决数据孤岛的问题，并提高训练后的模型的识别精准度。第一方面，本专利技术实施例提供了一种网络诈骗的预警方法，包括：第一数据方获取权限范围内的第一用户数据，并使用第一用户数据预训练得到第一中间模型；第一数据方使用第一中间模型的第一模型参数，与第二数据方训练得到的第二中间模型的第二模型参数进行联邦学习，得到全局梯度值，其中，第二中间模型为第二数据方根据权限范围内的第二用户数据预训练得到的；第一数据方根据全局梯度值对第一中间模型进行修正，并使用修正后的第一中间模型，继续训练得到第一网络诈骗预警模型；第一数据方将待识别的目标第一用户数据输入至第一网络诈骗预警模型，得到目标第一用户数据的网络诈骗预警结果。第二方面，本专利技术实施例还提供了一种网络诈骗的预警装置，包括：第一中间模型生成模块，用于第一数据方获取权限范围内的第一用户数据，并使用第一用户数据预训练得到第一中间模型；联邦学习模块，用于第一数据方使用第一中间模型的第一模型参数，与第二数据方训练得到的第二中间模型的第二模型参数进行联邦学习，得到全局梯度值，其中，第二中间模型为第二数据方根据权限范围内的第二用户数据预训练得到的；第一网络诈骗预警模型生成模块，用于第一数据方根据全局梯度值对第一中间模型进行修正，并使用修正后的第一中间模型，继续训练得到第一网络诈骗预警模型；网络诈骗预警模块，用于第一数据方将待识别的目标第一用户数据输入至第一网络诈骗预警模型，得到对目标第一用户数据的网络诈骗预警结果。第三方面，本专利技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本专利技术任意实施例所述的网络诈骗的预警方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任意实施例所述的网络诈骗的预警方法。本专利技术实施例提供的技术方案中，第一数据方获取权限范围内的第一用户数据并进行预训练得到第一中间模型，然后第一数据方使用第一中间模型的第一模型参数，与第二数据方训练得到的第二中间模型的第二模型参数进行联邦学习，得到全局梯度值，再根据全局梯度值对第一中间模型进行修正，并使用修正后的第一中间模型继续训练得到第一网络诈骗预警模型，第一数据方可以将待识别的目标第一用户数据输入至第一网络诈骗预警模型，从而得到目标第一用户数据的网络诈骗预警结果，通过在不交换两个数据方的用户数据的基础上进行联邦学习并得到网络诈骗预警模型，避免了在模型训练过程中出现数据泄露，解决了数据孤岛的问题，并且提高了网络诈骗的预警精准度。附图说明图1是本专利技术实施例一中的一种网络诈骗的预警方法的流程示意图；图2是本专利技术实施例二中的一种网络诈骗的预警方法的流程示意图；图3是本专利技术实施例三中的一种网络诈骗的预警装置的结构示意图；图4是本专利技术实施例四中的一种计算机设备的硬件结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。实施例一图1是本专利技术实施例一提供的一种网络诈骗的预警方法的流程图，本专利技术实施例可适用于网络诈骗预警模型训练的优化，避免数据泄露并解决数据孤岛问题的情况，该方法可以由本专利技术实施例提供的网络诈骗的预警装置来执行，该装置可采用软件和/或硬件的方式实现，并一般可集成在计算机设备中。如图1所示，本实施例提供的一种网络诈骗的预警方法，具体包括：S110、第一数据方获取权限范围内的第一用户数据，并使用第一用户数据预训练得到第一中间模型。中间模型，指的是与各数据方分别对应的一个本地机器学习模型(如决策树模型)，各数据方可以分别使用与之对应的本地数据对中间模型进行训练。所谓第一中间模型，指的是第一数据方的本地模型，并使用第一用户数据进行训练。第一数据方可以根据在其权限范围内的第一用户数据，对机器学习模型进行预训练，并得到第一中间模型。S120、第一数据方使用第一中间模型的第一模型参数，与第二数据方训练得到的第二中间模型的第二模型参数进行联邦学习，得到全局梯度值。其中，第二中间模型为第二数据方根据权限范围内的第二用户数据预训练得到的。第二中间模型，指的是第二数据方的本地模型，并使用第二用户数据进行训练。模型参数，指的是机器学习模型在训练过程中，自学习产生的参数。所谓第一模型参数和第二模型参数，分别为第一中间模型和第二中间模型在训练过程中产生的中间结果，用于计算各自对应的中间模型的梯度以及损失函数。联邦学习(FederatedLearning)，指的是使用不同数据方提供的数据，通过分布式训练进行机器学习建模的方法，它可以在保护数据隐私的情况下，解决数据孤岛的问题。针对不同数据方提供的训练数据，联邦学习可以划分为横向联邦学习(HorizontalFederatedLearning)、纵向联邦学习(VerticalFederatedLearning)以及联邦迁移学习(FederatedTransferLearning)，其中，横向联邦学习适用于不同数据方提供的训练数据的特征重本文档来自技高网...

【技术保护点】
1.一种网络诈骗的预警方法，其特征在于，包括：/n第一数据方获取权限范围内的第一用户数据，并使用第一用户数据预训练得到第一中间模型；/n第一数据方使用第一中间模型的第一模型参数，与第二数据方训练得到的第二中间模型的第二模型参数进行联邦学习，得到全局梯度值，其中，第二中间模型为第二数据方根据权限范围内的第二用户数据预训练得到的；/n第一数据方根据全局梯度值对第一中间模型进行修正，并使用修正后的第一中间模型，继续训练得到第一网络诈骗预警模型；/n第一数据方将待识别的目标第一用户数据输入至第一网络诈骗预警模型，得到目标第一用户数据的网络诈骗预警结果。/n

【技术特征摘要】
1.一种网络诈骗的预警方法，其特征在于，包括：
第一数据方获取权限范围内的第一用户数据，并使用第一用户数据预训练得到第一中间模型；
第一数据方使用第一中间模型的第一模型参数，与第二数据方训练得到的第二中间模型的第二模型参数进行联邦学习，得到全局梯度值，其中，第二中间模型为第二数据方根据权限范围内的第二用户数据预训练得到的；
第一数据方根据全局梯度值对第一中间模型进行修正，并使用修正后的第一中间模型，继续训练得到第一网络诈骗预警模型；
第一数据方将待识别的目标第一用户数据输入至第一网络诈骗预警模型，得到目标第一用户数据的网络诈骗预警结果。


2.根据权利要求1所述的方法，其特征在于，所述第一数据方为公安侧数据平台，第二数据方为运营商侧数据平台。


3.根据权利要求2所述的方法，其特征在于，与公安侧数据平台对应的第一用户数据包括下述至少一项数据项：
诈骗时间、诈骗地点、诈骗方式以及受害人信息。


4.根据权利要求2所述的方法，其特征在于，与运营商侧数据平台对应的第二用户数据包括下述至少一项数据项：
用户上网行为以及客户识别模块SIM注册信息。


5.根据权利要求1-4任一项所述的方法，其特征在于，第一数据方使用第一中间模型的第一模型参数，与第二数据方训练得到的第二中间模型的第二模型参数进行联邦学习，得到全局梯度值，包括：
第一数据方根据从中央客户端获取的公钥，对所述第一模型参数进行公钥加密，并将加密后的第一模型参数发送至第二数据方，以供第二数据方计算得到与第二中间模型对应的本地加密梯度值和损失函数并发送至中央客户端；
第一数据方根据第二数据方发送的，经由所述公钥加密后的第二模型参数，计算得到与第一中间模型对应的本地加密梯度值和损失函数并发送至中央客户端；
第一数据方接收中央客户端根据与第一中间模型和第二中间模型分别对应的本地加密梯度值和损失函数，使用与公钥对应的私钥所计算出的全局梯度值。


6.根据权利要求5所述的方法，其特征在于，在第一数据方使用第一中间模型的第一模型参数，与第二数据方训练得到的第二中间模型的第二模型参数进行联邦学习，得到全局梯度值之前，还包括：
第一数据方将第一用户数据的第一身份标识集发送至中央客户端，以供中央客户端分别根据第一身份标识集以及第二数据方发送的各第...

【专利技术属性】
技术研发人员：刘志强，王方圆，尚程，阿曼太，梁彧，蔡琳，杨满智，王杰，田野，金红，陈晓光，傅强，
申请(专利权)人：恒安嘉新北京科技股份公司，
类型：发明
国别省市：北京;11