【技术实现步骤摘要】
本申请属于大数据安全领域，具体涉及一种个性化差分隐私联邦学习方法及系统。
技术介绍
1、联邦学习是大数据场景下的一种数据共享方案，旨在解决大企业中广泛出现的数据孤岛问题，即因为数据安全，数据价值等原因无法进行数据共享和数据挖掘。通过在分布式集群中布署联邦学习架构，可以有效推动集团内部的数据共享。
2、在相关技术中，针对联邦学习数据共享的混合差分隐私算法，是将用户分为两部分，一部分是普通用户，算法默认该部分用户有很高的隐私需求，所以采用本地化差分隐私算法对数据进行保护，另一部分是信任用户，该部分用户已经向服务器确认了自己对服务器无条件信任，算法认为该部分用户信任服务器，故而减少对他们的数据保护，甚至不对他们采用数据保护，直接使用原始数据。上述划分较为简单，易造成大量的隐私预算浪费，降低数据效能。
技术实现思路
1、本申请实施例提供一种个性化差分隐私联邦学习方法及系统，能够解决相关技术统一化的隐私保护造成数据浪费，数据效能较低的问题。
2、第一方面，本申请实施例提供了一种个性化差分隐私联邦学习方法，应用于服务器，所述方法包括：
3、将全局模型参数和隐私类型下发给预先选择的客户端；
4、接收所述客户端发送的本地模型参数和隐私保护等级，所述本地模型参数为所述客户端将本地数据进行扰动处理后得到的模型参数，所述隐私保护等级为所述隐私类型中的一个等级；
5、将所述本地模型参数和所述隐私保护等级进行参数聚合，得到聚合模型参数和聚合隐私保护
6、根据所述聚合隐私保护等级，对所述聚合模型参数进行处理，得到目标全局模型参数；
7、根据所述目标全局模型参数，得到目标全局模型。
8、第二方面，本申请实施例提供了一种个性化差分隐私联邦学习系统，应用于客户端，所述方法包括：
9、接收服务器发送的全局模型参数和隐私类型；
10、根据所述全局模型参数和所述隐私类型，利用本地数据对所述全局模型参数进行扰动处理，得到本地模型参数和隐私保护等级；
11、将所述本地模型参数和所述隐私保护等级发送至所述客户端。
12、第三方面，本申请实施例提供了一种个性化差分隐私联邦学习系统，应用于服务器，所述系统包括：
13、第一发送模块，用于将全局模型参数和隐私类型下发给预先选择的客户端；
14、第一接收模块，用于接收所述客户端发送的本地模型参数和隐私保护等级，所述本地模型参数为所述客户端将本地数据进行扰动处理后得到的模型参数，所述隐私保护等级为所述隐私类型中的一个等级；
15、聚合模块，用于将所述本地模型参数和所述隐私保护等级进行参数聚合，得到聚合模型参数和聚合隐私保护等级；
16、处理模块，用于根据所述聚合隐私保护等级，对所述聚合模型参数进行处理，得到目标全局模型参数；
17、确定模块，用于根据所述目标全局模型参数，得到目标全局模型。
18、第四方面，本申请实施例提供了一种个性化差分隐私联邦学习系统，应用于客户端，所述系统包括：
19、第二接收模块，用于接收服务器发送的全局模型参数和隐私类型；
20、扰动模块，用于根据所述全局模型参数和所述隐私类型，利用本地数据对所述全局模型参数进行扰动处理，得到本地模型参数和隐私保护等级；
21、第二发送模块，用于将所述本地模型参数和所述隐私保护等级发送至所述客户端。
22、第五方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤。
23、在本申请实施例中，首先将全局模型参数和隐私类型下发给预先选择的客户端；然后接收客户端发送的本地模型参数和隐私保护等级，本地模型参数为客户端将本地数据进行扰动处理后得到的模型参数，隐私保护等级为隐私类型中的一个等级；再将本地模型参数和隐私保护等级进行参数聚合，得到聚合模型参数和聚合隐私保护等级；根据聚合隐私保护等级，对聚合模型参数进行处理，得到目标全局模型参数；最后根据目标全局模型参数，得到目标全局模型。本申请实施例获取用户使用隐私保护算法对用户本地数据进行扰动后的本地模型参数，使得扰动后的数据满足用户个性化隐私需求，以减少统一的保护水平造成的数据可用性的浪费。
本文档来自技高网...【技术保护点】
1.一种个性化差分隐私联邦学习方法，其特征在于，应用于服务器，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述将全局模型参数和隐私类型下发给预先选择的客户端之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述本地模型参数和所述隐私保护等级进行参数聚合，得到聚合模型参数和聚合隐私保护等级，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述聚合隐私保护等级，对所述聚合模型参数进行处理，得到目标全局模型参数，包括：
5.根据权利要求4所述的方法，其特征在于，所述在所述聚合隐私保护等级大于全局差分隐私预算阈值的情况下，在所述聚合模型参数中添加所述全局差分隐私预算阈值的噪声，包括：
6.一种个性化差分隐私联邦学习方法，其特征在于，应用于客户端，所述方法包括：
7.根据权利要求6所述的方法，其特征在于，所述根据所述全局模型参数和所述隐私类型，利用本地数据对所述全局模型参数进行扰动处理，得到本地模型参数和隐私保护等级，包括：
8.根据权利要求7所述的方法，其特
9.一种个性化差分隐私联邦学习系统，其特征在于，应用于服务器，所述系统包括：
10.一种个性化差分隐私联邦学习系统，其特征在于，应用于客户端，所述系统包括：
...【技术特征摘要】
1.一种个性化差分隐私联邦学习方法，其特征在于，应用于服务器，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述将全局模型参数和隐私类型下发给预先选择的客户端之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述本地模型参数和所述隐私保护等级进行参数聚合，得到聚合模型参数和聚合隐私保护等级，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述聚合隐私保护等级，对所述聚合模型参数进行处理，得到目标全局模型参数，包括：
5.根据权利要求4所述的方法，其特征在于，所述在所述聚合隐私保护等级大于全局差分隐私预算阈值的情况下，在所述聚合模型参数中添...
【专利技术属性】
技术研发人员：屈锐，常宇航，
申请(专利权)人：人保信息科技有限公司，
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。