【技术实现步骤摘要】
本申请涉及网络安全，尤其涉及一种基于联邦学习的评分预测模型确定方法及装置。
技术介绍
1、随着信息技术的发展，网络安全问题日益凸显，成为社会安全、稳定和经济发展等方面重点关注的问题。网络安全靶场利用虚拟化和模拟技术，为用户模拟创建真实网络攻击和防御环境的网络安全课程，帮助用户提升应对各种网络安全威胁的实战能力。
2、目前，服务器侧需要收集大量的用户信息，对网络安全靶场培训系统进行训练，从而为用户定制相应的网络安全课程。然而，由于收集的用户信息的数据量过大，网络安全靶场所在的服务器侧存在数据压力过大的问题。
技术实现思路
1、本申请提供一种基于联邦学习的评分预测模型确定方法及装置，解决了网络安全靶场所在的服务器侧存在数据压力过大的问题，能够减小网络安全靶场所在的服务器侧的数据压力。
2、为达到上述目的，本申请采用如下技术方案：
3、第一方面，本申请提供一种基于联邦学习的评分预测模型确定方法，应用于服务器，该方法包括：确定第一初始模型和第二初始模型；第一初始模型用于表征用户特征；第二初始模型用于表征网络安全靶场的课程特征；向每个客户端发送第一初始模型和第二初始模型；接收来自每个客户端的第一模型和第二模型；第一模型由第一初始模型训练确定；第二模型由第二初始模型训练确定；聚合每个客户端的第一模型得到第三模型，以及聚合每个客户端的第二模型得到第四模型；基于第三模型和第四模型，确定评分预测模型。
4、结合上述第一方面，在一种可能的实现方式中，第三
5、
6、其中，m为第一模型的数量，pu为第u个用户对应的第一模型。
7、结合上述第一方面，在一种可能的实现方式中，第四模型q满足以下公式：
8、
9、其中，n为第二模型的数量，qu为第u个课程对应的第二模型。
10、结合上述第一方面，在一种可能的实现方式中，该方法还包括：重复执行目标操作，直至评分预测模型得到的预测评分在预设区间内时，停止迭代；目标操作，包括：向每个客户端发送第三模型和第四模型，以使得每个客户端根据实时训练集，对第三模型和第四模型进行更新训练；接收来自每个客户端更新后的第三模型以及更新后的第四模型；基于更新后的第三模型以及更新后的第四模型，确定评分预测模型。
11、结合上述第一方面，在一种可能的实现方式中，该方法还包括：基于评分预测模型以及目标用户的各个用户特征，确定目标用户针对网络安全靶场的课程的预测评分。
12、结合上述第一方面，在一种可能的实现方式中，预测评分满足以下公式：
13、
14、其中，pu为第u个用户对应的第一模型，为第i个课程对应的第二模型的秩。
15、第二方面，本申请提供一种基于联邦学习的评分预测模型确定方法，应用于客户端，该方法包括：接收第一初始模型和第二初始模型；第一初始模型用于表征用户特征；第二初始模型用于表征网络安全靶场的课程特征；基于训练集训练第一初始模型和第二初始模型，得到第一模型和第二模型；发送第一模型和第二模型。
16、结合上述第二方面，在一种可能的实现方式中，训练集中包括用户的各个用户特征以及用户对网络安全靶场的各个课程的真实评分中的至少一项；用户特征包括用户的专业特征、用户使用网络时的安全习惯特征以及操作行为特征中的至少一项。
17、结合上述第二方面，在一种可能的实现方式中，该方法还包括：将各个用户特征填充至第一初始模型中；基于已填充的第一初始模型以及第二初始模型，确定用户对各个课程的预测评分；第二初始模型中填充了网络安全靶场的各个课程的不同特征；确定预测评分与真实评分之间的损失值；基于损失值，对已填充的第一初始模型以及第二初始模型进行更新训练，确定第一模型和第二模型。
18、结合上述第二方面，在一种可能的实现方式中，该方法还包括：确定真实评分与预测评分之间的误差；基于误差，更新第一初始模型；基于误差，更新第二初始模型；基于更新后的第一初始模型以及更新后的第二初始模型，确定损失值。
19、结合上述第二方面，在一种可能的实现方式中，损失值l满足以下公式：
20、
21、其中，rui为真实评分，为预测评分，λ为正则化参数，δpu为更新后的第一初始模型，δqi为更新后的第二初始模型。
22、结合上述第二方面，在一种可能的实现方式中，更新后的第一初始模型δpu满足以下公式：
23、δpu←pu+α(eui·qi-λ·pu)
24、其中，pu为第一初始模型，α为学习率，λ为正则化参数，qi为第二初始模型，eui为误差。
25、结合上述第二方面，在一种可能的实现方式中，更新后的第二初始模型δqi满足以下公式：
26、δqi←qi+α(eui·pu-λ·qi)
27、其中，pu为第一初始模型，α为学习率，λ为正则化参数，qi为第二初始模型，eui为误差。
28、第三方面，本申请提供一种基于联邦学习的评分预测模型确定装置，该装置包括：通信单元以及处理单元；处理单元，用于确定第一初始模型和第二初始模型；第一初始模型用于表征用户特征；第二初始模型用于表征网络安全靶场的课程特征；通信单元，用于向每个客户端发送第一初始模型和第二初始模型；通信单元，还用于接收来自每个客户端的第一模型和第二模型；第一模型由第一初始模型训练确定；第二模型由第二初始模型训练确定；处理单元，还用于聚合每个客户端的第一模型得到第三模型，以及聚合每个客户端的第二模型得到第四模型；处理单元，还用于基于第三模型和第四模型，确定评分预测模型。
29、结合上述第三方面，在一种可能的实现方式中，第三模型p满足以下公式：
30、
31、其中，m为第一模型的数量，pu为第u个用户对应的第一模型。
32、结合上述第三方面，在一种可能的实现方式中，第四模型q满足以下公式：
33、
34、其中，n为第二模型的数量，qu为第u个课程对应的第二模型。
35、结合上述第三方面，在一种可能的实现方式中，处理单元，具体用于：重复执行目标操作，直至评分预测模型得到的预测评分在预设区间内时，停止迭代；目标操作，包括：通过通信单元向每个客户端发送第三模型和第四模型，以使得每个客户端根据实时训练集，对第三模型和第四模型进行更新训练；接收来自每个客户端更新后的第三模型以及更新后的第四模型；基于更新后的第三模型以及更新后的第四模型，确定评分预测模型。
36、结合上述第三方面，在一种可能的实现方式中，处理单元，还用于基于评分预测模型以及目标用户的各个用户特征，确定目标用户针对网络安全靶场的课程的预测评分。
37、结合上述第三方面，在一种可能的实现方式中，预测评分满足以下公式：
38、
39、其中，pu为第u个用户对应的第一模型，为第i个课本文档来自技高网...
【技术保护点】
1.一种基于联邦学习的评分预测模型确定方法，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，所述基于所述第三模型和所述第四模型，确定评分预测模型，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述第三模型P满足以下公式：
5.根据权利要求1所述的方法，其特征在于，所述第四模型Q满足以下公式：
6.根据权利要求3所述的方法，其特征在于，所述预测评分满足以下公式：
7.一种基于联邦学习的评分预测模型确定方法，其特征在于，应用于客户端，所述方法包括：
8.根据权利要求7所述的方法，其特征在于，所述训练集中包括用户的各个用户特征以及所述用户对所述网络安全靶场的各个课程的真实评分中的至少一项；所述用户特征包括所述用户的专业特征、所述用户使用网络时的安全习惯特征以及操作行为特征中的至少一项。
9.根据权利要求8所述的方法，其特征在于，所述基于所述各个用户特征以及所述各个课程的真实评分，训练所述第一初
10.根据权利要求9所述的方法，其特征在于，所述确定所述预测评分与所述真实评分之间的损失值，包括：
11.根据权利要求10所述的方法，其特征在于，所述损失值L满足以下公式：
12.根据权利要求10所述的方法，其特征在于，所述更新后的第一初始模型ΔPu满足以下公式：
13.根据权利要求10所述的方法，其特征在于，所述更新后的第二初始模型ΔQi满足以下公式：
14.一种基于联邦学习的评分预测模型确定装置，其特征在于，所述装置包括：通信单元以及处理单元；
15.一种基于联邦学习的评分预测模型确定装置，其特征在于，所述装置包括：通信单元以及处理单元；
16.一种基于联邦学习的评分预测模型确定装置，其特征在于，包括：处理器和通信接口；所述通信接口和所述处理器耦合，所述处理器用于运行计算机程序或指令，以实现如权利要求1-6或权利要求7-13中任一项所述的基于联邦学习的评分预测模型确定方法。
17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当计算机执行所述指令时，所述计算机执行如权利要求1-6或权利要求7-13中任一项所述的基于联邦学习的评分预测模型确定方法。
18.一种计算机程序产品，其特征在于，所述计算机程序产品包含计算机指令，当所述计算机指令在计算机上运行时，使得所述计算机执行如权利要求1-6或权利要求7-13中任一项所述的基于联邦学习的评分预测模型确定方法。
...【技术特征摘要】
1.一种基于联邦学习的评分预测模型确定方法，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，所述基于所述第三模型和所述第四模型，确定评分预测模型，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述第三模型p满足以下公式：
5.根据权利要求1所述的方法，其特征在于，所述第四模型q满足以下公式：
6.根据权利要求3所述的方法，其特征在于，所述预测评分满足以下公式：
7.一种基于联邦学习的评分预测模型确定方法，其特征在于，应用于客户端，所述方法包括：
8.根据权利要求7所述的方法，其特征在于，所述训练集中包括用户的各个用户特征以及所述用户对所述网络安全靶场的各个课程的真实评分中的至少一项；所述用户特征包括所述用户的专业特征、所述用户使用网络时的安全习惯特征以及操作行为特征中的至少一项。
9.根据权利要求8所述的方法，其特征在于，所述基于所述各个用户特征以及所述各个课程的真实评分，训练所述第一初始模型和第二初始模型，得到第一模型和第二模型，包括：
10.根据权利要求9所述的方法，其特征在于，所述确定所述预测评分与所述真实评分之间的损失值，包括：
11....
【专利技术属性】
技术研发人员：孙健，徐雷，郭新海，王戈，牛金乐，蓝鑫冲，刘安，
申请(专利权)人：中国联合网络通信集团有限公司，
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。