本申请涉及联合学习框架技术领域，特别涉及一种明火检测方法、装置、电子设备及存储介质，其中，方法包括以下步骤：获取一个或多个参与方的样本数据；根据每个参与方的样本数据进行本地知识的迭代蒸馏，在每次迭代过程中得到每个参与方对应本地模型的更新参数；对更新参数进行联合聚合加密得到加密数据，上传加密数据至联合学习引擎，利用联合学习引擎进行联合蒸馏，以对所有参与方的本地模型知识进行聚合迭代，直到迭代结束，利用参与方的本体模型进行明火检测。由此，解决了相关技术中采用联邦学习的方式容易造成用户的隐私泄露，安全性较差；对于数据量较大的参与方而言，联合学习的聚合效率较低，导致产生的模型效果较差等问题。题。题。
【技术实现步骤摘要】
明火检测方法、装置、电子设备及存储介质
[0001]本申请涉及联合学习框架
，特别涉及一种明火检测方法、装置、电子设备及存储介质。
技术介绍
[0002]随着人类社会数字化进程越来越快，产生了大量数据，通过机器学习技术可以自动化地挖掘数据中蕴藏的宝藏，经过大量数据训练出来的机器学习模型已经应用在各类场景中，例如精准医疗、临床辅助诊断、新药研发、人像识别、声纹识别、千人千面推荐算法、图片、语音、自然语言等多模态学习。在应用中，模型的精度、泛化能力等至关重要，而这些都赖于机器对大量数据的学习。。
[0003]明火检测是能源安全场景中的核心场景，及时发现并进行异常报警，能够很好的保障财产生命安全，但是由于特殊的作业场景，导致数据存在一定的集中性，数据表现的维度不全面。
[0004]相关技术中，采用联邦学习的方式将各个参与方数据联合起来共同训练获得一个大模型；但是容易导致用户的数据隐私泄露、安全性不高；对于数据量较大的参与方来说，联合学习的聚合效率较低；由于数据存在一定的集中性，数据表现的维度不全面，导致产生的模型效果较差。
技术实现思路
[0005]本申请提供一种明火检测方法、装置、电子设备及存储介质，以解决相关技术中采用联邦学习的方式容易造成用户的隐私泄露，安全性较差；对于数据量较大的参与方而言，联合学习的聚合效率较低，导致产生的模型效果较差等问题。
[0006]本申请第一方面实施例提供一种明火检测方法，包括以下步骤：获取一个或多个参与方的样本数据；根据每个参与方的样本数据进行本地知识的迭代蒸馏，在每次迭代过程中得到所述每个参与方对应本地模型的更新参数；对所述更新参数进行联合聚合加密得到加密数据，上传所述加密数据至联合学习引擎，利用所述联合学习引擎进行联合蒸馏，以对所有参与方的本地模型知识进行聚合迭代，直到迭代结束，利用所述参与方的本体模型进行明火检测。
[0007]可选地，所述对所述更新参数进行联合聚合加密得到加密数据，包括：以随机生成的伪随机数为种子，利用伪随机数生成器生成伪随机数数组；以密钥协商的各方公钥和己方的私钥生成共同钥匙，以所述共同钥匙为种子生成随机数组；根据所述伪随机数数组和所述随机数组进行混淆得到混淆矩阵，并聚合所述混淆矩阵得到聚合矩阵，利用所述聚合矩阵对所述更新参数进行加密得到所述加密数据。
[0008]可选地，所述聚合所述混淆矩阵得到聚合矩阵，包括：识别所有最终参与聚合的参与方的随机数数组；通过秘密分享还原所有聚合掉线参与方的随机数组，聚合所有随机数组得到所述聚合矩阵。
[0009]可选地，所述本地模型包括教师模型和学生模型，所述对所述所有参与方的本地模型知识进行聚合迭代，包括：对所述所有参与方的教师模型知识进行聚合迭代。
[0010]本申请第二方面实施例提供一种明火检测装置，包括：获取模块，用于获取一个或多个参与方的样本数据；蒸馏模块，用于根据每个参与方的样本数据进行本地知识的迭代蒸馏，在每次迭代过程中得到所述每个参与方对应本地模型的更新参数；加密模块，用于对所述更新参数进行联合聚合加密得到加密数据，上传所述加密数据至联合学习引擎，利用所述联合学习引擎进行联合蒸馏，以对所有参与方的本地模型知识进行聚合迭代，直到迭代结束，利用所述参与方的本体模型进行明火检测。
[0011]可选地，所述加密模块进一步用于：以随机生成的伪随机数为种子，利用伪随机数生成器生成伪随机数数组；以密钥协商的各方公钥和己方的私钥生成共同钥匙，以所述共同钥匙为种子生成随机数组；根据所述伪随机数数组和所述随机数组进行混淆得到混淆矩阵，并聚合所述混淆矩阵得到聚合矩阵，利用所述聚合矩阵对所述更新参数进行加密得到所述加密数据。
[0012]可选地，所述加密模块进一步用于：识别所有最终参与聚合的参与方的随机数数组；通过秘密分享还原所有聚合掉线参与方的随机数组，聚合所有随机数组得到所述聚合矩阵。
[0013]可选地，所述加密模块进一步用于：对所述所有参与方的教师模型知识进行聚合迭代。
[0014]本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的明火检测方法。
[0015]本申请第四方面实施例提供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，以用于实现如上述实施例所述的明火检测方法。
[0016]由此，本申请至少具有如下有益效果：
[0017]本申请实施例在联合学习框架下，融合了隐私保护技术和知识蒸馏技术，通过采用安全聚合算法，使得对于参与方的数目不做限制，融合效率高，在模型参数增加时接近非安全聚合，在聚合过程中允许部分参与方掉线；在联合知识蒸馏过程中，增加了对教师模型知识的聚合迭代，使得模型效果得到进一步提升。
[0018]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0019]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0020]图1为根据本申请实施例提供的一种明火检测方法的流程图；
[0021]图2为根据本申请实施例提供的联合学习整个框架示意图；
[0022]图3为根据本申请实施例提供的知识蒸馏示意图；
[0023]图4为根据本申请实施例的明火检测装置的示例图；
[0024]图5为根据本申请实施例的电子设备的结构示意图。
具体实施方式
[0025]下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0026]下面参考附图描述本申请实施例的明火检测方法、装置、电子设备及存储介质。针对上述
技术介绍
中提到的相关技术中采用联邦学习的方式容易造成用户的隐私泄露，安全性较差；对于数据量较大的参与方而言，联合学习的聚合效率较低，导致产生的模型效果较差等问题，本申请提供了一种明火检测方法，在该方法中，对每个参与方的样本数据进行迭代蒸馏，在每次迭代过程中得到参与方对应的本地模型的更新参数，对更新参数进行联合聚合加密得到加密数据，上传加密数据至联合学习引擎进行联合蒸馏，对所有参与方的本地模型知识进行聚合迭代，直至迭代结束，并利用迭代后的参与方本体模型进行明火检测，因此在联合学习的框架下，融合了隐私保护技术和知识蒸馏技术，既能够保护用户的数据隐私，又能够获取高效高精度的明火检测模型。由此，解决了相关技术中采用联邦学习的方式容易造成用户的隐私泄露，安全性较差；对于数据量较大的参与方而言，联合学习的聚合效率较低，导致产生的模型效果较差等问题。
[0027]具体而言，图1为本申请实施例所提供的明火检测方法的流程示意图。
[0028]如图1所本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种明火检测方法，其特征在于，包括以下步骤：获取一个或多个参与方的样本数据；根据每个参与方的样本数据进行本地知识的迭代蒸馏，在每次迭代过程中得到所述每个参与方对应本地模型的更新参数；对所述更新参数进行联合聚合加密得到加密数据，上传所述加密数据至联合学习引擎，利用所述联合学习引擎进行联合蒸馏，以对所有参与方的本地模型知识进行聚合迭代，直到迭代结束，利用所述参与方的本体模型进行明火检测。2.根据权利要求1所述的方法，其特征在于，所述对所述更新参数进行联合聚合加密得到加密数据，包括：以随机生成的伪随机数为种子，利用伪随机数生成器生成伪随机数数组；以密钥协商的各方公钥和己方的私钥生成共同钥匙，以所述共同钥匙为种子生成随机数组；根据所述伪随机数数组和所述随机数组进行混淆得到混淆矩阵，并聚合所述混淆矩阵得到聚合矩阵，利用所述聚合矩阵对所述更新参数进行加密得到所述加密数据。3.根据权利要求2所述的方法，其特征在于，所述聚合所述混淆矩阵得到聚合矩阵，包括：识别所有最终参与聚合的参与方的随机数数组；通过秘密分享还原所有聚合掉线参与方的随机数组，聚合所有随机数组得到所述聚合矩阵。4.根据权利要求1所述的方法，其特征在于，所述本地模型包括教师模型和学生模型，所述对所述所有参与方的本地模型知识进行聚合迭代，包括：对所述所有参与方的教师模型知识进行聚合迭代。5.一种明火检测装置，其特征在于，包括：获取模块，用于获取一个或多个参与方的样本数据；蒸馏模块，用于根据每个参与方的样本数据进行本地知识的迭代蒸馏，在每次迭代过...
【专利技术属性】
技术研发人员：赵蕾，
申请(专利权)人：新奥新智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。