一种基于主从博弈的联邦数据差分隐私交易方法技术

本发明专利技术公开了一种基于主从博弈的联邦数据差分隐私交易方法，该方法在数据资源需求方与数据资源供应方之间运用联邦学习以及差分隐私计算进行数据信息的传输，在双方之间运用主从博弈理论进行数据的意愿出价τ以及意愿交付数据量χ

【技术实现步骤摘要】
一种基于主从博弈的联邦数据差分隐私交易方法


[0001]本专利技术涉及计算机应用
，尤其涉及一种基于主从博弈的联邦数据差分隐私交易方法。

技术介绍

[0002]计算机应用技术在经济场景中的应用已经成为趋势，计算机应用技术中的数字化与智能化发展更使场景中跨机构的大数据共享和分布式人工智能算法的联合建模得到了实现。基于联邦学习的分布式人工智能算法框架保证了不需要参与方提供数据的情况下各参与方能够协作训练模型。但是，不需要参与方提供数据的联邦学习仍然会存在泄露参与方隐私的问题，对此同态加密、多方安全计算等加密算法框架被用来保护参与方的隐私信息，然而这些加密算法框架无法有效地衡量参与方信息的加密程度，能够衡量加密程度并进行加密程度调整的差分隐私技术应运而生。至此，联邦学习与差分隐私计算为计算机应用技术从通过技术处理经济场景中的问题拓展到运用技术搭建平台处理各参与方相互间的经济问题提供可能。
[0003]目前国内外学术界和工业界也在探索如何运用计算机技术搭建算法来处理数据资源需求方与数据资源供应方间的数据交易问题，如FedAvg、DP
‑
SGD、DP
‑
FedAvg
‑
GAN等框架。这些框架多聚焦于通过算法对各参与方的数据进行隐私保护并最大程度的保证了模型训练效果，但其中各参与方需要严格提供算法框架所要求的数据量等，未考虑各参与方对自有数据的数据量等方面具备决策的自主性。联邦学习的激励理论或差分隐私联邦学习的激励理论中考虑了各参与方在自有数据上的决策自主性，然而这些激励理论重点在于将各参与方的决策纳入联邦学习或差分隐私联邦学习的算法框架之中，即引导各参与方多次做出达到联邦学习或差分隐私联邦学习要求的决策，从而保证算法框架的顺利运行。而涉及数据资源需求方与数据资源供应方间的数据交易问题，双方的出发点往往是使算法框架服务于各自的决策以实现各自的经济效益或效用最大化，而非各自的决策服务于算法框架。
[0004]因此，现有的技术问题在于：1.现有联邦学习或差分隐私联邦学习尚未充分考虑各参与方对自有数据的决策自主性，而对数据拥有所有权的参与方通常对此拥有很强的决策自主性；2.现有联邦学习或差分隐私联邦学习的激励理论将数据资源供需双方的决策纳入算法框架，难以为数据资源供需双方的经济行为提供支持，实际上数据资源供需双方通常期望算法框架能够服务于各自的决策以指导其经济行为。

技术实现思路

[0005]本专利技术的目的在于针对现有联邦学习以及差分隐私在数据资源交易中的不足，提供一种基于主从博弈的联邦数据差分隐私交易方法。该交易方法有助于数据资源供需双方运用算法框架服务于数据交易，其中，数据资源需求方与数据资源供应方的行为均是理性的，即双方均以各自的经济效益或效用最大化为出发点，数据资源需求方首先给出意愿的数据价格，随后数据资源供应方根据意愿的数据价格给出意愿交付数据量，在过程中通过
联邦学习传递数据信息以及通过差分隐私技术调用数据，直至意愿数据价格和意愿数据交付量在博弈均衡的情况下达到数据资源需求方的期望联邦数据精度与实际联邦数据精度相一致。
[0006]本专利技术的目的是通过以下技术方案来实现的：一种基于主从博弈的联邦数据差分隐私交易方法，其特征在于，包括以下步骤：
[0007]步骤一：数据资源需求方拥有第一数据集D
g
及数据标签γ，所述第一数据集D
g
及数据标签γ在模型M下训练，得出所述模型M的第一参数ω
g
和初始精度θ0，数据资源需求方判断所述初始精度θ0产生的第一效用U
d
是否达到要求，若达到要求，则过程终止；若未达到要求，则进入步骤二；
[0008]步骤二：数据资源需求方向数据资源供应方发送一个差分隐私计算参数ε，数据资源供应方判断是否在差分隐私计算参数ε下与数据资源需求方进行交易，若在差分隐私计算参数ε下进行交易，则进入步骤三；若不在差分隐私计算参数ε下进行交易，则终止；
[0009]步骤三：数据资源需求方将所述模型M发送给数据资源供应方，在差分隐私计算参数ε下采用模型M对第一数据集D
g
进行训练得出新的第一参数ω
g
，并反复向数据资源供应方发送新的第一参数ω
g
及购买数据的意愿出价τ；
[0010]步骤四：数据资源供应方根据第二效用U
o
，在数据资源需求方的意愿出价τ下确定意愿交付数据量χ
o
，并将意愿交付数据量χ
o
对应的第二数据集D
o
在所述模型M及差分隐私计算参数ε下训练，得到第二参数ω
o
并发送给数据资源需求方；
[0011]步骤五：数据资源需求方将新的第一参数ω
g
与所述第二参数ω
o
再次更新第一参数ω
g
，所述第一数据集D
g
及数据标签Υ在模型M及差分隐私计算参数ε下获得稳定的联邦数据精度θ，并判断所述联邦数据精度θ与其从第一效用U
d
中获得的期望精度θ
e
是否相等，若相等，则过程终止并以意愿出价τ向数据资源供应方购买意愿交付数据量χ
o
对应的第二数据集D
o
；若不相等，则重新向数据资源供应方发送所述意愿出价τ。
[0012]进一步地，数据资源需求方根据第一效用U
d
最大化以及预期的数据资源供应方的意愿交付数据量χ
o
，以得到最优意愿出价τ与最优意愿交付数据量χ
o
的对应关系，所述联邦数据精度θ能够表示为意愿交付数据量χ
o
的凸函数，即所述期望精度θ
e
与意愿交付数据量χ
o
存在对应关系，以得到所述期望精度θ
e
与意愿出价τ的对应关系，数据资源需求方根据所述意愿出价τ得到所述期望精度θ
e
。
[0013]进一步地，数据资源需求方和数据资源供应方的数据信息传递方式包括：数据资源需求方通过反复发送意愿出价τ的方式来向数据资源供应方传递所期望达到的联邦数据精度信息；数据资源供应方通过第二数据集D
o
在所述模型M及差分隐私计算参数ε下训练出来的第二参数ω
o
向数据资源需求方传递数据信息。
[0014]进一步地，数据资源需求方和数据资源供应方信息交互完成的标志为：所述差分隐私下的联邦数据精度θ与所述期望精度θ
e
相等。
[0015]进一步地，数据资源需求方与数据资源供应方进行多次价格信息的交互并运用施加差分隐私的联邦学习技术进行数据信息的交互，在双方信息交互完成后进行真实的数据交易。
[0016]本专利技术的有益效果是，本专利技术为数据提供隐私保护的情况下有效地实现了数据资源供需双方数据信息以及价格信息的交互，使用差分隐私为数据资源供需双方的数据调本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于主从博弈的联邦数据差分隐私交易方法，其特征在于，包括以下步骤：步骤一：数据资源需求方拥有第一数据集D
g
及数据标签Υ，所述第一数据集D
g
及数据标签Υ在模型M下训练，得出所述模型M的第一参数ω
g
和初始精度θ0，数据资源需求方判断所述初始精度θ0产生的第一效用U
d
是否达到要求，若达到要求，则过程终止；若未达到要求，则进入步骤二；步骤二：数据资源需求方向数据资源供应方发送一个差分隐私计算参数ε，数据资源供应方判断是否在差分隐私计算参数ε下与数据资源需求方进行交易，若在差分隐私计算参数ε下进行交易，则进入步骤三；若不在差分隐私计算参数ε下进行交易，则终止；步骤三：数据资源需求方将所述模型M发送给数据资源供应方，在差分隐私计算参数ε下采用模型M对第一数据集D
g
进行训练得出新的第一参数ω
g
，并反复向数据资源供应方发送新的第一参数ω
g
及购买数据的意愿出价τ；步骤四：数据资源供应方根据第二效用U
o
，在数据资源需求方的意愿出价τ下确定意愿交付数据量χ
o
，并将意愿交付数据量χ
o
对应的第二数据集D
o
在所述模型M及差分隐私计算参数ε下训练，得到第二参数ω
o
并发送给数据资源需求方；步骤五：数据资源需求方将新的第一参数ω
g
与所述第二参数ω
o
再次更新第一参数ω
g
，所述第一数据集D
g
及数据标签Υ在模型M及差分隐私计算参数ε下获得稳定的联邦数据精度θ，并判断所述联邦数据精度θ与其从第一效用U
d
中获得的期望精度θ
e

【专利技术属性】
技术研发人员：王海军，那崇宁，
申请(专利权)人：之江实验室，
类型：发明
国别省市：