【技术实现步骤摘要】
本申请涉及模型训练，具体涉及一种用于反诈模型训练的跨域多维联邦学习方法以及用于反诈模型训练的跨域多维联邦学习系统。
技术介绍
1、现有技术中，诈骗类型多种多样，每种诈骗类型现在都可以通过神经网络进行反诈识别，但是，对于各个省份可能存在的主要诈骗手段不一致，对于某些手段可能没有足够的数据去训练，但基于反诈需求，所有类型的威胁均需要能够识别并报警，因此最终需要整合各个不同省份的模型，由全国进行聚合获得最终模型并下发。
技术实现思路
1、本专利技术的目的在于提供一种用于反诈模型训练的跨域多维联邦学习方法来至少解决上述的一个技术问题。
2、本专利技术的一个方面，提供一种用于反诈模型训练的跨域多维联邦学习方法，所述用于反诈模型训练的跨域多维联邦学习方法包括：
3、中央服务系统建立多个不同诈骗类型的待训练全局模型；
4、中央服务系统获取每个区域维度服务系统的承接信息；
5、根据每个区域维度服务系统的承接信息搭建每个诈骗类型的待训练全局模型的局部训练用模型，其中，一个诈骗类型的待训练全局模型至少能够搭建两个以上的局部训练用模型；
6、中央服务系统设置每个局部训练用模型所关联的区域维度服务系统；
7、每个区域维度服务系统设置每个局部训练用模型所关联的客户端维度系统；
8、根据属于同一区域维度服务系统中的各个客户端维度系统所关联的各个局部训练用模型进行聚类，从而获取聚类簇，每个聚类簇中的各个客户端维度系统在训练各自所
9、通过协调器对各个协调器所对应的聚类簇进行管理，从而使得聚类簇中的各个客户端维度系统对各自所关联的局部训练用模型以进行训练。
10、可选地，所述用于反诈模型训练的跨域多维联邦学习方法进一步包括：
11、每个聚类簇中的各个客户端维度系统对各自所关联的局部训练用模型进行训练后获取每个客户端维度系统所对应的客户端维度梯度信息；
12、每个聚类簇的协调器获取该聚类簇中的各个客户端维度梯度信息；
13、每个聚类簇的协调器根据该聚类簇下的各个客户端维度梯度信息生成该聚类簇对应的聚类簇梯度信息；
14、区域维度服务系统根据其所获取的各个聚类簇梯度信息生成区域梯度信息；
15、中央服务系统获取各个区域梯度信息并通过各个区域梯度信息获取全局模型的梯度信息。
16、可选地，所述诈骗类型包括合同诈骗、票据诈骗、贷款诈骗、信用卡诈骗；信用证诈骗、金融凭证诈骗、集资诈骗、有价证券诈骗、保险诈骗、招摇撞骗；
17、所述待训练全局模型包括合同诈骗待训练全局模型、票据诈骗待训练全局模型、贷款诈骗待训练全局模型、信用卡诈骗待训练全局模型、信用证诈骗待训练全局模型、金融凭证诈骗待训练全局模型、集资诈骗待训练全局模型、有价证券诈骗待训练全局模型、保险诈骗待训练全局模型、招摇撞骗待训练全局模型。
18、可选地，所述用于反诈模型训练的跨域多维联邦学习方法包括：
19、获取区域类型库，所述区域类型库包括至少一个预设区域名称以及每个预设区域名称所对应的预设诈骗类型；
20、获取与区域维度服务系统的名称相同的预设区域名称所对应的预设诈骗类型；
21、根据预设诈骗类型获取该区域维度服务系统所需要进行训练的待训练全局模型作为承接信息。
22、可选地，所述根据每个区域维度服务系统的承接信息搭建每个诈骗类型的待训练全局模型的局部训练用模型包括：
23、为每个诈骗类型的待训练全局模型进行如下操作：
24、获取需要对该诈骗类型的待训练全局模型进行训练的区域维度服务系统的数量；
25、为每个需要对该诈骗类型的待训练全局模型进行训练的区域维度服务系统建立一个局部训练用模型，一个局部训练用模型对应一个区域维度服务系统。
26、可选地，所述每个区域维度服务系统设置每个局部训练用模型所关联的客户端维度系统包括：
27、获取客户端维度类型库，所述客户端维度类型库包括至少一个预设客户端名称以及每个预设客户端名称所对应的预设客户端诈骗类型；
28、获取与客户端维度系统的名称相同的预设客户端名称所对应的预设客户端诈骗类型；
29、根据预设客户端诈骗类型获取每个预设客户端所需要进行训练的局部训练用模型并将所述预设客户端与所需要进行训练的局部训练用模型进行关联。
30、可选地，所述根据属于同一区域维度服务系统中的各个客户端维度系统所关联的各个局部训练用模型进行聚类，从而获取聚类簇包括：
31、获取每个客户端维度系统所需要训练的局部训练用模型；
32、将多个具有相同需要训练的局部训练用模型的客户端维度系统组成一个聚类簇。
33、可选地，当一个客户端维度系统所关联的局部训练用模型的数量为多个时，所述根据属于同一区域维度服务系统中的各个客户端维度系统所关联的各个局部训练用模型进行聚类，从而获取聚类簇进一步包括：
34、为具有多个关联的局部训练用模型的客户端维度系统所要训练的各个关联的局部训练用模型设置训练优先级；
35、获取训练优先级最高的局部训练用模型作为其用于组成聚类簇的依据。
36、本申请还提供了一种用于反诈模型训练的跨域多维联邦学习系统，所述用于反诈模型训练的跨域多维联邦学习系统包括中央服务系统、多个区域维度服务系统、多个协调器以及多个客户端维度系统，其中，所述中央服务系统、多个区域维度服务系统、多个协调器以及多个客户端维度系统配合实现如上所述的用于反诈模型训练的跨域多维联邦学习方法。
37、本申请还提供了一种用于反诈模型训练的跨域多维联邦学习系统，所述用于反诈模型训练的跨域多维联邦学习系统包括中央服务系统、多个区域维度服务系统、多个协调器以及多个客户端维度系统，其中，所述中央服务系统、多个区域维度服务系统、多个协调器以及多个客户端维度系统配合实现如上所述的用于反诈模型训练的跨域多维联邦学习方法。
38、有益效果：
39、本申请的用于反诈模型训练的跨域多维联邦学习方法通过不同类型的待训练全局模型给与不同区域来进行训练，从而实现根据不同区域的数据特点以及数据量来进行合理分配，另外，通过聚类簇来设置协调器的方式，可以加快训练速度。
本文档来自技高网...【技术保护点】
1.一种用于反诈模型训练的跨域多维联邦学习方法，其特征在于，所述用于反诈模型训练的跨域多维联邦学习方法包括：
2.如权利要求1所述的用于反诈模型训练的跨域多维联邦学习方法，其特征在于，所述用于反诈模型训练的跨域多维联邦学习方法进一步包括：
3.如权利要求2所述的用于反诈模型训练的跨域多维联邦学习方法，其特征在于，所述诈骗类型包括合同诈骗、票据诈骗、贷款诈骗、信用卡诈骗；信用证诈骗、金融凭证诈骗、集资诈骗、有价证券诈骗、保险诈骗、招摇撞骗；
4.如权利要求3所述的用于反诈模型训练的跨域多维联邦学习方法，其特征在于，所述用于反诈模型训练的跨域多维联邦学习方法包括：
5.如权利要求4所述的用于反诈模型训练的跨域多维联邦学习方法，其特征在于，所述根据每个区域维度服务系统的承接信息搭建每个诈骗类型的待训练全局模型的局部训练用模型包括：
6.如权利要求5所述的用于反诈模型训练的跨域多维联邦学习方法，其特征在于，所述每个区域维度服务系统设置每个局部训练用模型所关联的客户端维度系统包括：
7.如权利要求6所述的用于反诈模型训
8.如权利要求7所述的用于反诈模型训练的跨域多维联邦学习方法，其特征在于，当一个客户端维度系统所关联的局部训练用模型的数量为多个时，所述根据属于同一区域维度服务系统中的各个客户端维度系统所关联的各个局部训练用模型进行聚类，从而获取聚类簇进一步包括：
9.一种用于反诈模型训练的跨域多维联邦学习系统，其特征在于，所述用于反诈模型训练的跨域多维联邦学习系统包括中央服务系统、多个区域维度服务系统、多个协调器以及多个客户端维度系统，其中，所述中央服务系统、多个区域维度服务系统、多个协调器以及多个客户端维度系统配合实现如权利要求1至8中任意一项所述的用于反诈模型训练的跨域多维联邦学习方法。
...【技术特征摘要】
1.一种用于反诈模型训练的跨域多维联邦学习方法，其特征在于，所述用于反诈模型训练的跨域多维联邦学习方法包括：
2.如权利要求1所述的用于反诈模型训练的跨域多维联邦学习方法，其特征在于，所述用于反诈模型训练的跨域多维联邦学习方法进一步包括：
3.如权利要求2所述的用于反诈模型训练的跨域多维联邦学习方法，其特征在于，所述诈骗类型包括合同诈骗、票据诈骗、贷款诈骗、信用卡诈骗；信用证诈骗、金融凭证诈骗、集资诈骗、有价证券诈骗、保险诈骗、招摇撞骗；
4.如权利要求3所述的用于反诈模型训练的跨域多维联邦学习方法，其特征在于，所述用于反诈模型训练的跨域多维联邦学习方法包括：
5.如权利要求4所述的用于反诈模型训练的跨域多维联邦学习方法，其特征在于，所述根据每个区域维度服务系统的承接信息搭建每个诈骗类型的待训练全局模型的局部训练用模型包括：
6.如权利要求5所述的用于反诈模型训练的跨域多维联邦学习方法，其特征在于，所述每...
【专利技术属性】
技术研发人员：王斌，
申请(专利权)人：西安西电安行永道信息安全技术有限公司，
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。