多方安全计算、学习模型的训练方法、系统、设备及介质技术方案

本发明专利技术公开了一种多方安全计算、学习模型的训练方法、系统、设备及介质，其中多方安全计算包括分别获取发起方对应的第一矩阵与参与方对应的第二矩阵；将第一矩阵划分为第一矩阵单元和第二矩阵单元，将第二矩阵划分为第三矩阵单元和第四矩阵单元；对第二矩阵单元进行碎片化处理得到第一碎片矩阵，对第四矩阵单元进行碎片化处理得到第二碎片矩阵；发起方获取第三矩阵单元并与第一矩阵单元进行计算得到第一计算结果，参与方获取第一碎片矩阵并与第二碎片矩阵进行计算得到第二计算结果；基于第一计算结果和第二计算结果得到聚合矩阵，能够将直方图部分进行计算效率和通讯量优化，在保证数据安全的前提下能大大提升模型训练性能。数据安全的前提下能大大提升模型训练性能。数据安全的前提下能大大提升模型训练性能。

【技术实现步骤摘要】
多方安全计算、学习模型的训练方法、系统、设备及介质


[0001]本专利技术涉及多方安全计算的
，特别涉及一种多方安全计算、学习模型的训练方法、系统、设备及介质。

技术介绍

[0002]随着人工智能技术的发展，人们为解决数据孤岛的问题，提出了“联邦学习”的概念，联邦学习本质上是一种分布式机器学习框架，其做到了在保障数据隐私安全及合法合规的基础上，实现数据共享，共同建模。它的核心思想是在多个数据源共同参与模型训练时，不需要进行原始数据流转的前提下，仅通过交互模型中间参数进行模型联合训练，原始数据可以不出本地。这种方式实现数据隐私保护和数据共享分析的平衡，即“数据可用不可见”的数据应用模式。
[0003]联邦学习中的发起方和参与方作为成员方，在不用给出己方数据的情况下，也可进行模型训练得到模型参数，并且可以避免数据隐私泄露的问题。由于联邦学习过程需要大量的数据来支持，而数据又大都分布于不同的数据持有方，所以需要联合各个数据持有方来进行模型构建。
[0004]XGBoost（Exterme Gradient Boosting）全称本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多方安全计算方法，其特征在于， 应用于至少一个发起方与至少一个参与方之间数据共享场景中，所述方法包括：分别获取所述发起方对应的第一矩阵与所述参与方对应的第二矩阵；将所述第一矩阵划分为第一矩阵单元和第二矩阵单元，将所述第二矩阵划分为第三矩阵单元和第四矩阵单元；对所述第二矩阵单元进行碎片化处理得到第一碎片矩阵，对所述第四矩阵单元进行碎片化处理得到第二碎片矩阵；所述发起方获取所述第三矩阵单元并与所述第一矩阵单元进行计算得到第一计算结果，所述参与方获取所述第一碎片矩阵并与所述第二碎片矩阵进行计算得到第二计算结果；基于所述第一计算结果和所述第二计算结果得到聚合矩阵。2.如权利要求1所述的多方安全计算方法，其特征在于，所述将所述第一矩阵划分为第一矩阵单元和第二矩阵单元包括：基于预设划分比例将所述第一矩阵进行划分得到所述第一矩阵单元和所述第二矩阵单元。3.如权利要求1所述的多方安全计算方法，其特征在于，所述将所述第二矩阵划分为第三矩阵单元和第四矩阵单元包括：将所述第二矩阵按列进行打乱处理，得到打乱后的第二矩阵，并记录打乱处理对应的乱序索引；基于预设划分比例将打乱后的所述第二矩阵进行划分，得到所述第三矩阵单元和所述第四矩阵单元。4.如权利要求1
‑
3任一项所述的多方安全计算方法，其特征在于，所述发起方获取所述第三矩阵单元并与所述第一矩阵单元进行计算得到第一计算结果包括：将所述第三矩阵单元进行压缩处理后发送至所述发起方；所述发起方将压缩后的所述第三矩阵单元与所述第一矩阵单元进行矩阵乘计算，得到所述第一计算结果。5.如权利要求1
‑
3任一项所述的多方安全计算方法，其特征在于，所述参与方获取所述第一碎片矩阵并与所述第二碎片矩阵进行计算得到第二计算结果包括：所述参与方将所述第一碎片矩阵与所述第二碎片矩阵进行矩阵乘计算，得到第三碎片矩阵；将所述第三碎片矩阵进行恢复处理，得到所述第二计算结果。6.如权利要求3所述的多方安全计算方法，其特征在于，所述基于所述第一计算结果和所述第二计算结果得到聚合矩阵包括：对所述第一计算结果和所述第二计算结果进行聚合处理得到聚合结果；利用所述乱序索引对所述聚合结果进行重排序处理，得到所述聚合矩阵。7.如权利要求6所述的多方安全计算方法，其特征在于，所述对所述第一计算结果和所述第二计算结果进行聚合得到聚合结果包括：对所述第一计算结果、...

【专利技术属性】
技术研发人员：尤志强，卞阳，王兆凯，赵东，陈立峰，
申请(专利权)人：富算科技上海有限公司，
类型：发明
国别省市：