一种基于联合学习的私有云算法模型生成方法技术

本发明专利技术公开了一种基于联合学习的私有云算法模型生成方法，步骤一：在公有云中构建多通道结合的共享卷积神经网络模型；步骤二：私有云客户通过公有云中下载共享卷积神经网络模型；步骤三：通过私有云上的储存数据对初始卷积神经网络进行离线训练，得到个人端卷积神经网络模型；步骤四：将个人端卷积神经网络模型和共享卷积神经网络模型进行对比；当个人端卷积神经网络模型和共享卷积神经网络模型不同时；通过公有云中下载共享卷积神经网络模型，再根据私有云上的储存数据对初始卷积神经网络进行离线训练，得到充满个性化的个人端卷积神经网络模型，使得客户使用起来更加的得心应手，增加客户的体验感。增加客户的体验感。增加客户的体验感。

【技术实现步骤摘要】
一种基于联合学习的私有云算法模型生成方法


[0001]本专利技术属于云计算
，具体是一种基于联合学习的私有云算法模型生成方法。

技术介绍

[0002]私有云是为一个客户单独使用而构建的，因而提供对数据、安全性和服务质量的最有效控制。该公司拥有基础设施，并可以控制在此基础设施上部署应用程序的方式。私有云可部署在企业数据中心的防火墙内，也可以将它们部署在一个安全的主机托管场所，私有云的核心属性是专有资源。私有云可由公司自己的IT机构，也可由云提供商进行构建。对大型企业而言，流程是其管理的核心，如果没有完善的流程，企业将会成为一盘散沙。不仅与业务有关的流程非常繁多，而且IT部门的流程也不少，比如那些和Sarbanes
‑
Oxley相关的流程，并且这些流程对IT部门非常关键。在这方面，公有云很吃亏，因为假如使用公有云的话，将会对IT部门流程有很多的冲击，比如在数据管理方面和安全规定等方面。而在私有云，因为它一般在防火墙内的，所以对IT部门流程冲击不大。
[0003]虽然每个公有云的提供商都对外宣称，其服务在各方面都是非常安全，特别是对数据的管理。但是对企业而言，特别是大型企业而言，和业务有关的数据是其的生命线，是不能受到任何形式的威胁，所以短期而言，大型企业是不会将其Mission
‑
Critical的应用放到公有云上运行的。而私有云在这方面是非常有优势的，因为它一般都构筑在防火墙后。
[0004]但是为了使客户使用的更加方便，需要建立神经网络模型进行学习，提高客户的使用舒适性，增加产品的竞争力，但是建立神经网络模型进行学习需要大量的训练数据，单独的私有云客户并不能提供大量的训练数据进行训练；因此为了解决上述问题，本专利技术提供了一种基于联合学习的私有云算法模型生成方法。

技术实现思路

[0005]为了解决上述方案存在的问题，本专利技术提供了一种基于联合学习的私有云算法模型生成方法；通过将所有的个人更新点加密上传到公有云上，仅仅上传了个人更新点，并没有上传训练数据，同时对个人更新点也是进行加密传输的，保障私有云客户的数据隐私，增加客户的安全感，因为对企业而言，特别是大型企业而言，和业务有关的数据是其的生命线，是不能受到任何形式的威胁，而通过本专利技术就可以解决这个问题，即为共享卷积神经网络模型提供了大量的训练数据，又保护了客户的数据隐私。
[0006]本专利技术的目的可以通过以下技术方案实现：
[0007]一种基于联合学习的私有云算法模型生成方法，具体方法包括以下步骤：
[0008]步骤一：在公有云中构建多通道结合的共享卷积神经网络模型；
[0009]步骤二：私有云客户通过公有云中下载共享卷积神经网络模型；
[0010]步骤三：通过私有云上的储存数据对初始卷积神经网络进行离线训练，得到个人端卷积神经网络模型；
[0011]步骤四：将个人端卷积神经网络模型和共享卷积神经网络模型进行对比；
[0012]当个人端卷积神经网络模型和共享卷积神经网络模型不同时；获取个人端卷积神经网络模型和共享卷积神经网络模型之间不同的个人更新点；将个人更新点加密上传到公有云上。
[0013]进一步地，还包括：
[0014]步骤五：在公有云上构建更新模型，获取更新标准，将更新标准和个人更新点整合标记为更新输入数据，将更新输入数据输入到更新模型中，获得更新训练数据；
[0015]步骤六：通过更新训练数据对共享卷积神经网络模型进行更新。
[0016]进一步地，步骤四中当个人端卷积神经网络模型和共享卷积神经网络模型相同时；不进行操作。
[0017]进一步地，步骤一中构建多通道结合的共享卷积神经网络模型包括行为通道和建议通道。
[0018]进一步地，所述行为通道和建议通道分别包括独立的第一层网络、第二层网络、第三层网络和第四层网络，所述行为通道和建议通道还包括共有的第五层网络、第六层网络、第七层网络、第八层网络和第九层网络。
[0019]进一步地，所述行为通道和建议通道的第一层网络均为输入层，所述行为通道的输入层接收私有云客户的操作数据；所述建议通道的输入层接收私有云客户的优化建议。
[0020]进一步地，所述行为通道和建议通道的第二层网络分别包括两个二维卷积层和两个下采样层；所述行为通道和建议通道的第二层网络中，二维卷积层采用数量为n、尺度为cw*ch的卷积核分别对第一层网络输入的图像和光流进行卷积运算，下采样层采用尺度为pw*ph的采样核对二维卷积层的输出进行最大池化。
[0021]进一步地，所述行为通道和建议通道的第三层网络、第四层网络、第五层网络和第六层网络均包括两个二维卷积层和两个下采样层。
[0022]进一步地，所述第七层网络为全连接层，用于将第六层网络的输出映射到fn维向量空间；fn为第七层网络的节点个数；
[0023]所述第八层网络为全连接层，用于将第七层网络的输出重映射到fn维向量空间；
[0024]所述第九层网络为全连接层，用于将第八层网络的输出映射到样本种类空间，形成与类别数相同的特征向量。
[0025]与现有技术相比，本专利技术的有益效果是：通过在公有云中构建多通道结合的共享卷积神经网络模型；私有云客户通过公有云中下载共享卷积神经网络模型；通过私有云上的储存数据对初始卷积神经网络进行离线训练，得到个人端卷积神经网络模型；得到充满个性化的个人端卷积神经网络模型，使得客户使用起来更加的得心应手，增加客户的体验感；通过在公有云上构建更新模型，获取更新标准，将更新标准和个人更新点整合标记为更新输入数据，将更新输入数据输入到更新模型中，获得更新训练数据，对上传到公有云上的个人更新点进行筛选，剔除掉不合规的数据，并将更新输入数据转化为更新训练数据，为共享卷积神经网络模型提供训练数据；保证初始用户下载的共享卷积神经网络模型是最新版的；
[0026]通过将个人端卷积神经网络模型和共享卷积神经网络模型进行对比；当个人端卷积神经网络模型和共享卷积神经网络模型不同时；获取个人端卷积神经网络模型和共享卷
积神经网络模型之间不同的个人更新点；将个人更新点加密上传到公有云上；当个人端卷积神经网络模型和共享卷积神经网络模型相同时；不进行操作；将所有的个人更新点加密上传到公有云上，仅仅上传了个人更新点，并没有上传训练数据，同时对个人更新点也是进行加密传输的，保障私有云客户的数据隐私，增加客户的安全感，因为对企业而言，特别是大型企业而言，和业务有关的数据是其的生命线，是不能受到任何形式的威胁，而通过本专利技术就可以解决这个问题，即为共享卷积神经网络模型提供了大量的训练数据，又保护了客户的数据隐私。
附图说明
[0027]为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联合学习的私有云算法模型生成方法，其特征在于，具体方法包括以下步骤：步骤一：在公有云中构建多通道结合的共享卷积神经网络模型；步骤二：私有云客户通过公有云中下载共享卷积神经网络模型；步骤三：通过私有云上的储存数据对初始卷积神经网络进行离线训练，得到个人端卷积神经网络模型；步骤四：将个人端卷积神经网络模型和共享卷积神经网络模型进行对比；当个人端卷积神经网络模型和共享卷积神经网络模型不同时；获取个人端卷积神经网络模型和共享卷积神经网络模型之间不同的个人更新点；将个人更新点加密上传到公有云上。2.根据权利要求1所述的一种基于联合学习的私有云算法模型生成方法，其特征在于，还包括：步骤五：在公有云上构建更新模型，获取更新标准，将更新标准和个人更新点整合标记为更新输入数据，将更新输入数据输入到更新模型中，获得更新训练数据；步骤六：通过更新训练数据对共享卷积神经网络模型进行更新。3.根据权利要求1所述的一种基于联合学习的私有云算法模型生成方法，其特征在于，步骤四中当个人端卷积神经网络模型和共享卷积神经网络模型相同时；不进行操作。4.根据权利要求1所述的一种基于联合学习的私有云算法模型生成方法，其特征在于，步骤一中构建多通道结合的共享卷积神经网络模型包括行为通道和建议通道。5.根据权利要求4所述的一种基于联合学习的私有云算法模型生成方法，其特征在于，所述行为通道和建议通道分别包括独立的第一层网络、第二层网络、第三层网...

【专利技术属性】
技术研发人员：刘英男，龙丕荣，张金涛，郁聪，肖钢，
申请(专利权)人：时代云英深圳科技有限公司，
类型：发明
国别省市：