一种面向深度学习的安全存储隔离的方法和系统技术方案

本发明专利技术涉及一种面向深度学习的安全存储隔离的方法和系统，其中，方法包括：参与方获取本地原始数据；参与方执行深度学习训练，并将训练得到的中间计算结果加密存储；调度方收集多个参与方的中间计算结果，并对中间计算结果进行整合，得到深度学习训练模型结果；调度方对所述深度学习训练模型结果进行评价，并根据评价结果进行下一步处理。本发明专利技术可以允许以分布式的形式由多方共同参与深度学习模型的训练从而避免相应的系统部署和数据迁移处理的成本。成本。成本。

【技术实现步骤摘要】
一种面向深度学习的安全存储隔离的方法和系统


[0001]本专利技术涉及多方安全计算
，特别是涉及一种面向深度学习的安全存储隔离的方法和系统。

技术介绍

[0002]在公司或企业进行业务运营时，通常会需要使用深度学习来进行计算，此时所依赖的训练样本数据和迭代数据通常也是采用集中式的存储。当需要由多方提供训练样本数据时，这种集中式的部署无法克服多方间商业利益冲突或政策法规约束，导致需要进行数据脱敏或无法共享数据的问题。虽然采用数据脱敏的方法一定程度可以缓解问题，但是带来了更高的计算成本与数据样本的噪音问题。

技术实现思路

[0003]本专利技术所要解决的技术问题是提供一种面向深度学习的安全存储隔离的方法和系统，可以允许以分布式的形式由多方共同参与深度学习模型的训练从而避免相应的系统部署和数据迁移处理的成本。
[0004]本专利技术解决其技术问题所采用的技术方案是：提供一种面向深度学习的安全存储隔离的方法，包括以下步骤：
[0005](1)参与方获取本地原始数据；
[0006](2)参与方执行深度学习训练，并将训练得到的中间计算结果加密存储；
[0007](3)调度方收集多个参与方的中间计算结果，并对中间计算结果进行整合，得到深度学习训练模型结果；
[0008](4)调度方对所述深度学习训练模型结果进行评价，并根据评价结果进行下一步处理。
[0009]所述步骤(1)具体为：
[0010]通过校验数据访问授权确认权限；
[0011]在具有权限时，获取本地原始数据，并将所述本地原始数据存放在所述参与方本地的安全计算环境的内存
[0012]所述步骤(2)具体为：
[0013]在所述安全计算环境的内存中执行深度学习训练，得到中间计算结果，所述中间计算结果以向量矩阵形式表示；
[0014]采用所述调度方的公钥对所述中间计算结果进行加密存储。
[0015]所述步骤(3)具体为：
[0016]通过安全信令调度各个所述参与方提交的加密后的中间计算结果；
[0017]对接收到的加密后的中间计算结果进行解密，并对解密后的中间计算结果进行合成，得到深度学习训练模型结果。
[0018]所述步骤(4)中对所述深度学习训练模型结果进行偏差评价，在所述偏差评价结
果满足要求时，输出所述深度学习训练模型结果；在所述偏差评价结果不能满足要求时，以安全信令的形式向各个参与方发送所述深度学习训练模型结果以及进行下一轮训练的指令。
[0019]本专利技术解决其技术问题所采用的技术方案是：还提供一种面向深度学习的安全存储隔离的系统，包括参与端和调度端，所述参与端包括：获取模块，用于获取本地原始数据；执行存储模块，用于执行深度学习训练，并将训练得到的中间计算结果加密存储；所述调度端包括：收集整合模块，用于收集多个参与方的中间计算结果，并对中间计算结果进行整合，得到深度学习训练模型结果；评价处理模块，用于对所述深度学习训练模型结果进行评价，并根据评价结果进行下一步处理。
[0020]所述获取模块包括：校验单元，用于通过校验数据访问授权确认权限；获取单元，用于在具有权限时，获取本地原始数据，并将所述本地原始数据存放在所述参与方本地的安全计算环境的内存。
[0021]所述执行存储模块包括：执行单元，用于在所述安全计算环境的内存中执行深度学习训练，得到中间计算结果，所述中间计算结果以向量矩阵形式表示；加密存储单元，用于采用所述调度方的公钥对所述中间计算结果进行加密存储。
[0022]所述收集整合模块包括：收集单元，用于通过安全信令调度各个所述参与方提交的加密后的中间计算结果；解密合成单元，用于对接收到的加密后的中间计算结果进行解密，并对解密后的中间计算结果进行合成，得到深度学习训练模型结果。
[0023]所述评价处理模块包括：评价单元，用于对所述深度学习训练模型结果进行偏差评价；输出单元，用于在所述偏差评价结果满足要求时，输出所述深度学习训练模型结果；指令发送单元，用于在所述偏差评价结果不能满足要求时，以安全信令的形式向各个参与方发送所述深度学习训练模型结果以及进行下一轮训练的指令。
[0024]有益效果
[0025]由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：本专利技术采用分布式部署的统一的深度学习训练模型，由一个调度方负责进行深度学习训练迭代的调度，实现了本地数据样本在本地的深度学习训练模型的迭代计算，无需进行原始数据上的多方交换。本专利技术中的调度方以安全信令的方式与参与计算的多方进行任务调度及状态回报，实现迭代数据以分布式形式在多方进行交换并以安全的方式进行存储隔离。
附图说明
[0026]图1是本专利技术第一实施方式的流程图。
具体实施方式
[0027]下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
[0028]本专利技术的第一实施方式涉及一种面向深度学习的安全存储隔离的方法，如图1所
示，包括以下步骤：
[0029]步骤1，本地原始数据的读取，具体包括：步骤1a，参与方通过校验数据访问授权确认权限，即通过校验数据访问授权的方式确认此次计算是否能够读取本地原始数据；步骤2b，在具有权限时，参与方读取本地原始数据，并将本地原始数据存放在本地的安全计算环境的内存中。
[0030]步骤2，深度学习训练模型中间结果的存储，具体包括：步骤2a，参与方采用本地原始数据执行深度学习训练，得到用于下一次迭代所需的中间计算结果，本步骤中，该中间计算结果以向量矩阵形式表示；步骤2b，参与方对得到的用于下一次迭代所需的中间计算结果使用调度方的公钥进行加密存储。
[0031]步骤3，深度学习训练模型中间结果的同步，具体包括：步骤3a，调度方通过安全信令调度各个所述参与方提交的加密后的中间计算结果；步骤3b，对接收到的加密后的中间计算结果进行解密，并对解密后的中间计算结果进行合成，得到深度学习训练模型结果；步骤3c，对所述深度学习训练模型结果进行偏差评价，在所述偏差评价结果满足要求时，进入步骤4；在所述偏差评价结果不能满足要求时，以安全信令的形式向各个参与方发送所述深度学习训练模型结果以及进行下一轮训练的指令，各个参与方在收到指令后，会按照步骤2的方式进行下一轮训练，并进入循环直至深度学习训练模型结果满足要求为止。
[0032]步骤4，调度方输出所述深度学习训练模型结果。
[0033]不难发现，本专利技术采用分布式部署的统一的深度学习训练模型，由一个调度方负责进行深度学习训练迭代的调度，实现了本地数据样本在本地的深度学习训练模型的迭代计算，无需进行原始数据上的多方交换。本专利技术中采用的是由调度方对分布式深度学习训练所产生的多个中间计算结果进行统一的整合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向深度学习的安全存储隔离的方法，其特征在于，包括以下步骤：(1)参与方获取本地原始数据；(2)参与方执行深度学习训练，并将训练得到的中间计算结果加密存储；(3)调度方收集多个参与方的中间计算结果，并对中间计算结果进行整合，得到深度学习训练模型结果；(4)调度方对所述深度学习训练模型结果进行评价，并根据评价结果进行下一步处理。2.根据权利要求1所述的面向深度学习的安全存储隔离的方法，其特征在于，所述步骤(1)具体为：通过校验数据访问授权确认权限；在具有权限时，获取本地原始数据，并将所述本地原始数据存放在所述参与方本地的安全计算环境的内存。3.根据权利要求1所述的面向深度学习的安全存储隔离的方法，其特征在于，所述步骤(2)具体为：在所述安全计算环境的内存中执行深度学习训练，得到中间计算结果，所述中间计算结果以向量矩阵形式表示；采用所述调度方的公钥对所述中间计算结果进行加密存储。4.根据权利要求1所述的面向深度学习的安全存储隔离的方法，其特征在于，所述步骤(3)具体为：通过安全信令调度各个所述参与方提交的加密后的中间计算结果；对接收到的加密后的中间计算结果进行解密，并对解密后的中间计算结果进行合成，得到深度学习训练模型结果。5.根据权利要求1所述的面向深度学习的安全存储隔离的方法，其特征在于，所述步骤(4)中对所述深度学习训练模型结果进行偏差评价，在所述偏差评价结果满足要求时，输出所述深度学习训练模型结果；在所述偏差评价结果不能满足要求时，以安全信令的形式向各个参与方发送所述深度学习训练模型结果以及进行下一轮训练的指令。6.一种面向深度学习的安全存储隔离的系统，其特征在于，包括参与端和调度端，所述参与端包括：获取模块，用于获取本地原...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：上海健交科技服务有限责任公司，
类型：发明
国别省市：