【技术实现步骤摘要】
本专利技术涉及数据安全技术，具体涉及一种智能化金融大数据安全保护方法。
技术介绍
1、随着区块链技术的不断发展和普及，在金融领域，银行和金融机构希望通过区块链降低数据维护成本，提高数据安全性。同时，由于区块链是基于对等网络的，这意味着区块链机制不处理和存储来自中心节点的数据，因此所有的交易记录都必须向所有节点公开，这对用户隐私非常不利。特别是在金融领域，用户数据是企业的核心竞争力之一，金融机构不希望看到用户的交易信息暴露在链上。
2、交易记录可以反映一些敏感知识，可能会泄露用户的隐私，比如用户的交易记录可以反映用户的消费水平和生活状况。在区块链中，转发交易的第一个节点可能是交易的发起节点，这意味着只需要尽可能多地连接到服务器并记录从不同服务器接收交易的时间，这样就可以推断交易的发起节点，从而可以知道匿名地址的真实身份。
3、隐私保护通常被视为金融安全领域最重要的方面之一，而保护数据隐私是制定隐私保护政策的一项关键任务。在基于联盟链的银行交易系统中，交易数据同样重要。双方都不希望交易以外的银行知道交易数据，一些上级银行希望管理下级银行的数据。例如，上级节点可以审核下级节点，它可以决定下级节点是否有权查看交易数据等。一种简便的方法是对所有的交易数据进行加密，可以隐藏交易双方的身份信息和交易信息，但是，这种方法不是实际应用中可行的选择。因此，在保证隐私的同时也需要一些监督手段
4、目前金融大数据在进行安全保护时，隐私模型在不同样本时起到的作用效果不同，不能保证在进行安全保护时对不同样本都起到最优的安
技术实现思路
1、本专利技术的目的是提供一种智能化金融大数据安全保护方法，以解决现有技术中的上述不足之处。
2、为了实现上述目的，本专利技术提供如下技术方案：一种智能化金融大数据安全保护方法，包括以下步骤：
3、s1，对大数据状态下的金融数据进行采集；
4、s2，将步骤s1中采集的金融数据进行数据隐私评估；
5、s3，通过对抗样本生成算法生成对抗样本；
6、s4，通过隐私泄露风险量化指标对金融数据进行分类标签；
7、s5，提升隐私模型可用性；
8、s6，隐私模型可用性检测，其中对检测结果合格的隐私模型进行数据存储调用并执行步骤s7，对检测结果不合格的隐私模型进行丢弃并返回步骤s3；
9、s7，金融大数据安全检测，其中对检测结果合格的金融数据进行存储调用，对检测结果不合格的金融数据进行丢弃。
10、进一步地，所述步骤s4中提升隐私模型可用性的具体方法为：
11、a1，设目标隐私模型为隐私深度学习隐私模型，通过隐私评估得到该隐私模型的隐私泄露风险p0；
12、a2，改隐私模型架构，将隐私模型原有的激活函数更换为可调sigmoid激活函数；
13、a3，计算输入样本的第二范式，然后设置可调激活函数中可调参数t的大小；
14、a4，再次对隐私模型进行隐私评估，得到隐私模型的隐私泄露风险p1，若隐私泄露风险p1大于隐私泄露风险p0，则保持梯度裁剪范数c大小不变，增大算法的加噪强度，最终保持隐私保护效果不变。
15、进一步地，所述步骤a2中激活函数的更换方法为：
16、一个参数可调的sigmoid激活函数，该激活函数的形式如下所示：
17、
18、其中t为可调参数，通过调节t实现对神经元输入的放缩。
19、进一步地，所述步骤a3中设置可调激活函数中激活函数参数t的方法为：
20、在隐私模型中为了提升隐私模型的可用性，应该尽量避免梯度信息的损失，因此梯度模应该尽量小于梯度裁剪范数，其中梯度模和裁剪范数在理性情况下应该满足如下关系式：
21、
22、且
23、其中l代表损失函数，θ表示损失函数的偏转角：
24、结合上述关系式，可以得到t的取值如下时，可以最大程度提升隐私模型的可用性：
25、
26、进一步地，所述步骤s5中隐私评估的具体方法为：
27、b1，从数据集dn中抽样k个样本组成数据集dk；
28、b2，敌手对dk中样本进行操作，得到对抗样本；
29、b3，将数据集dn与对抗样本合并，构造对抗数据集；
30、b4，分别将数据集dn和对抗数据集作为训练集，使用隐私的深度学习算法训练隐私模型，得到对应隐私模型f0和f1；
31、b5，随机选择隐私模型f0或f1作为测试隐私模型f，得到测试样本的输出p(y|x)；
32、b6，敌手通过判别函数判断输出p(y|x)的来源。
33、进一步地，所述步骤b6中判别函数的功能定义为：
34、
35、其中adv(.)为判别函数。
36、进一步地，所述步骤s4中隐私泄露风险量化指标的具体算法为：
37、c1，设有如下假设：
38、h0：p(y|x)来自隐私模型f0，即隐私模型所用的训练集为对抗数据集：
39、h1：p(y|x)来自隐私模型f1，即隐私模型所用的训练集为数据集dn；
40、c2，根据假设检验定义隐私的深度学习隐私泄露风险指标p，具体公式如下：
41、p＝tpr-fpr
42、其中tpr是召回率，表示判断使用的训练集为训练集dn且判断正确的概率，fpr是误报率，表示判断使用的训练集为对抗数据集且判断错误的概率；
43、c3，当敌手判断输出来自f0且猜测正确时，具体公式如下：
44、adv[f0(x)]＝1：1→1；
45、c4，当敌手判断输出来自f1且猜测错误时，具体公式如下：
46、adv[f1(x)]＝1：0→1；
47、c5，整合步骤c3和步骤c4可以得出如下公式：
48、fnr＝1-pr{adv[f0(x)]＝1}
49、fpr＝pr{adv[f1(x)]＝1}；
50、c6，整合上述步骤，得到如下式所示的隐私泄露风险计算公式；
51、p＝pr{adv[f0(x)]＝1}-pr{adv[f1(x)]＝1}
52、其中pr(*)表示隐私算法函数。
53、进一步地，所述步骤s3中对抗样本生成算法包括：
54、d1，基于影子隐私模型的标签反转算法，具体方法为：
55、d11，训练目标隐私模型的影子隐私模型；
56、d12，初始化数据集；
57、d13，初始化数据集；
58、d14，计算组样本的置信度向量；
59、d15，将置信度最小的标签设为样本的新标签，构建新样本；
60、d16，将标签反转后的样本插入数据集中；
61、d17，返回数据集；...
【技术保护点】
1.一种智能化金融大数据安全保护方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种智能化金融大数据安全保护方法，其特征在于，所述步骤S5中提升隐私模型可用性的具体方法为：
3.根据权利要求2所述的一种智能化金融大数据安全保护方法，其特征在于，所述步骤A2中激活函数的更换方法为：
4.根据权利要求3所述的一种智能化金融大数据安全保护方法，其特征在于，所述步骤A3中设置可调激活函数中激活函数参数T的方法为：
5.根据权利要求1所述的一种智能化金融大数据安全保护方法，其特征在于，所述步骤S2中隐私评估的具体方法为：
6.根据权利要求5所述的一种智能化金融大数据安全保护方法，其特征在于，所述步骤B6中判别函数的功能定义为：
7.根据权利要求6所述的一种智能化金融大数据安全保护方法，其特征在于，所述步骤S4中隐私泄露风险量化指标的具体算法为：
8.根据权利要求1所述的一种智能化金融大数据安全保护方法，其特征在于，所述步骤S3中对抗样本生成算法包括：
【技术特征摘要】
1.一种智能化金融大数据安全保护方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种智能化金融大数据安全保护方法，其特征在于，所述步骤s5中提升隐私模型可用性的具体方法为：
3.根据权利要求2所述的一种智能化金融大数据安全保护方法，其特征在于，所述步骤a2中激活函数的更换方法为：
4.根据权利要求3所述的一种智能化金融大数据安全保护方法，其特征在于，所述步骤a3中设置可调激活函数中激活函数参数t的方法为：
5.根...
【专利技术属性】
技术研发人员：张成利，林晖，葛宇，王冬华，宋增光，
申请(专利权)人：深圳市新国都支付技术有限公司，
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。