一种设备风险隐患的检测方法、装置、设备及介质制造方法及图纸

本公开涉及计算机技术技术领域，提供了一种设备隐患的检测方法、装置、设备及介质。该方法包括：获取各参与方的历史本地设备隐患数据，并将历史本地设备隐患数据输入对应的本地模型进行训练，获得本地模型；获取本地模型中各个参数的梯度向量；基于预设梯度选择算法选择预设数量的梯度向量；根据预设加密算法对预设数量的梯度向量进行加密得到梯度加密值，并查找到梯度加密值对应的索引信息；将查找到索引信息的梯度加密值所对应的梯度向量进行聚合得到聚合后的梯度向量；更新选择预设数量的梯度向量，并基于更新选择预设数量的梯度向量更新本地模型；根据更新后的本地模型对待检测设备的图像进行检测，以得到检测设备是否存在风险隐患。风险隐患。风险隐患。

【技术实现步骤摘要】
一种设备风险隐患的检测方法、装置、设备及介质


[0001]本公开涉及计算机
，尤其涉及一种设备风险隐患的检测方法、装置、设备及介质。

技术介绍

[0002]家庭燃气用气安全对于居民生命财产安全至关重要，燃气热水器设备在日常生活中使用较为广泛，它一般安装于室内，由于燃气热水器设备的能源采用天然气，其燃烧后的气体需通过接管排往室外，避免意外事故的发生。因此，热水器设备有无烟道是家庭入户燃气安全中的一个一级隐患，而对热水器设备有无烟道隐患进行自动审核可以有效提高安检的效率和准确率。
[0003]在基于训练模型对隐患进行识别时，标准的机器学习方法需要在一台机器上或一个数据中心中有集中的训练数据。每个参与方都有自己的训练集，在本地进行模型更新，然后中心节点对模型参数进行聚合。该过程中，每次训练的上传和下发都会形成通信，而对无烟道隐患识别则需要本地模型和中心节点进行大量的通信传输，因此该过程中的通信开销较大。
[0004]因此，本申请需要一种可以减少通信压力的检测设备隐患的方法。

技术实现思路

[0005]有鉴于此，本公开实施例提供了一种设备风险隐患的检测方法、装置、设备及介质，以解决现有技术中模型训练的上传和下发过程通信开销过大的问题。
[0006]本公开实施例的第一方面，提供了一种设备风险隐患的检测方法，包括：
[0007]获取各参与方的历史本地设备隐患数据，并将所述历史本地设备隐患数据输入对应的本地模型进行训练，获得对应的初始本地模型；
[0008]获取所述对应的初始本地模型中各个参数的梯度向量；
[0009]基于预设梯度选择算法在所述各个参数的梯度向量中，选择预设数量的梯度向量；
[0010]根据预设加密算法对所述预设数量的梯度向量进行加密，以得到梯度向量加密值，并查找到所述梯度向量加密值对应的索引信息；
[0011]将查找到索引信息的梯度向量加密值所对应的梯度向量进行聚合，以得到聚合后的梯度向量；
[0012]基于聚合后的梯度向量和所述对应的索引信息，更新选择预设数量的梯度向量，并基于更新选择预设数量的梯度向量更新初始本地模型；
[0013]根据所述更新后的本地初始模型对待检测设备的图像进行检测，设备以得到检测设备是否存在风险隐患。
[0014]本公开实施例的第二方面，提供了一种检测设备烟道隐患的装置，包括：训练模块、获取模块、选择模块、加密模块、聚合模块、更新模块、检测模块；
[0015]所述训练模块，用于获取各参与方的历史本地设备隐患数据，并将所述历史本地设备隐患数据输入对应的本地模型进行训练，获得对应的初始本地模型；
[0016]所述获取模块，用于获取所述对应的初始本地模型中各个参数的梯度向量；
[0017]所述选择模块，用于基于预设梯度选择算法在所述各个参数的梯度向量中，选择预设数量的梯度向量；
[0018]所述加密模块，用于根据预设加密算法对所述预设数量的梯度向量进行加密，以得到梯度向量加密值，并查找到所述梯度向量加密值对应的索引信息；
[0019]所述聚合模块，用于将查找到索引信息的梯度向量加密值所对应的梯度向量进行聚合，以得到聚合后的梯度向量；
[0020]所述更新模块，用于基于聚合后的梯度向量和所述对应的索引信息，更新选择预设数量的梯度向量，并基于更新选择预设数量的梯度向量更新初始本地模型；
[0021]所述检测模块，用于根据所述更新后的本地初始模型对待检测设备的图像进行检测，设备以得到检测设备是否存在风险隐患。
[0022]本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0023]本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0024]本公开实施例与现有技术相比存在的有益效果是：通过基于梯度向量的加密共享与梯度的选择过程向结合，得到了高效安全的联合学习过程，实现了本地训练模型的更新。通过对梯度向量的加密，避免了本地隐私数据被服务器任意篡改的情况，同时通过对梯度向量的选择，避免了每次训练需要上传所有梯度的问题，减少了通信的开销，提高了模型训练的效率。
附图说明
[0025]为了更清楚地说明本公开实施例中的技术方案，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公开的一些实施例，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它的附图。
[0026]图1是本公开实施例提供的一种联合学习的基本架构示意图；
[0027]图2是本公开实施例提供的一种设备风险隐患的检测方法的流程示意图；
[0028]图3是本公开实施例提供的某应用场景下一种设备风险隐患的检测方法的框架示意图；
[0029]图4是本公开实施例提供的一种应用场景下烟道无隐患图片；
[0030]图5是本公开实施例提供的一种设备风险隐患的检测装置的结构示意图；
[0031]图6是本公开实施例提供的一种电子设备的结构示意图；
[0032]图7是本公开实施例提供的一种计算机可读存储介质的结构示意图。
具体实施方式
[0033]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
[0034]联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种AI(Artificial Intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：
[0035](1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。
[0036](2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。
[0037](3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。
[0038](4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。
[0039]基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。
[0040]目前，燃气热水器设备在日常生活中使用较为广本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设备风险隐患的检测方法，其特征在于，所述方法包括：获取各参与方的历史本地设备隐患数据，并将所述历史本地设备隐患数据输入对应的本地模型进行训练，获得对应的初始本地模型；获取所述对应的初始本地模型中各个参数的梯度向量；基于预设梯度选择算法在所述各个参数的梯度向量中，选择预设数量的梯度向量；根据预设加密算法对所述预设数量的梯度向量进行加密，以得到梯度向量加密值，并查找到所述梯度向量加密值对应的索引信息；将查找到索引信息的梯度向量加密值所对应的梯度向量进行聚合，以得到聚合后的梯度向量；基于聚合后的梯度向量和所述对应的索引信息，更新选择预设数量的梯度向量，并基于更新选择预设数量的梯度向量更新初始本地模型；根据所述更新后的本地初始模型对待检测设备的图像进行检测，设备以得到检测设备是否存在风险隐患。2.根据权利要求1所述的方法，其特征在于，所述基于预设梯度选择算法在所述各个参数的梯度向量中，选择预设数量的梯度向量，具体包括：计算所述梯度向量的绝对值，并将所述梯度向量的绝对值与所述梯度向量对应的索引信息存储于预设第一集合；根据所述绝对值对所述预设第一集合中的梯度向量进行排序；基于所述绝对值与预设梯度表，确定与所述绝对值相对应的预设阈值及预设数量；将所述各个参数的梯度向量的绝对值与所述预设阈值进行对比，若所述梯度向量的绝对值大于预设阈值，则将该梯度分量与所述对应的索引信息输入预设第二集合中；在所述预设第二集合中依次选择出预设数量的梯度向量。3.根据权利要求2所述的方法，其特征在于，所述根据预设加密算法对所述预设数量的梯度向量进行加密，以得到梯度向量加密值，并查找到所述梯度向量加密值对应的索引信息，具体包括：获取所述各参与方生成的包括第一本地私钥和第一基础公钥的本地密钥对；获取中心节点生成的包括第二本地私钥和第二基础公钥的本地密钥对；将所述中心节点的所述第二基础公钥与所述各参与方的所述第一基础公钥聚合，获得传输公钥；基于预先设定的加密算法与所述传输公钥，对所述预设数值的梯度向量进行加密，获得梯度向量加密值，并查找到所述梯度向量加密值对应的索引信息。4.根据权利要求3所述的方法，其特征在于，所述将查找到索引信息的梯度向量加密值所对应的梯度向量进行聚合，以得到聚合后的梯度向量；基于聚合后的梯度向量和所述对应的索引信息，更新选择预设数量的梯度向量，并基于更新选择预设数量的梯度向量更新初始本地模型，具体包括：将所述梯度向量加密值划分为第一梯度加密数据与第二梯度加密数据；其中，所述第一梯度加密数据与所述第二梯度加密数据包括第一本地私钥与第二本地私钥对应的数据；对所述第一梯度加密数据与所述第二梯度加密数据中对应所述第一本地私钥的数据进行求和，获得所述聚合结果的第一部分；
对所述第一梯度加密数据与所述第二梯度加密数据中对应所述第二本地私钥的数据进行求和，获得聚合结果的第二部分；根据所述第一本地私钥对所述聚合结果进行第一部分解密，获得第一部分结果，并根据所述第二本地私钥对所述聚合结果进行第二部分解密，获得第二部分结果；将所述第一部分结果与所述第二部分结果进行聚合运算，获得更新运算结果；根据所述对应的索引信息在所述更新运算结果中获取对应的更新梯度向量；将所述更新梯度向量下发到所述对应的本地模型，以使所述本地模型基于所述更新...

【专利技术属性】
技术研发人员：赵蕾，
申请(专利权)人：新智我来网络科技有限公司，
类型：发明
国别省市：