【技术实现步骤摘要】
本专利技术涉及数据安全领域，具体是用于联邦学习和隐私计算的内部安全检测方法。
技术介绍
1、联邦学习是指一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模；
2、隐私计算是指在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合，达到对数据“可用、不可见”的目的；并在充分保护数据和隐私安全的前提下，实现数据价值的转化和释放；
3、在现有技术中，甚至即使是在同一个公司的不同部门之间实现数据集中整合也面临着重重阻力，受限于法律法规、政策监管、商业机密、个人隐私等数据隐私安全上的约束，多个数据来源方无法直接交换数据，形成“数据孤岛”现象，制约着人工智能模型能力的进一步提高；所以在现实中想要将分散在各地、各个机构的数据进行整合几乎是不可能的，进而在内部安全检测过程中会造成以下问题：第一若内部数据不能完全整合，则无法对内部数据进行全部安全检测；第二若内部数据在进行安全检测过程中，存在外侵数据以及恶意行为，造成内部数据的泄露；因此为了解决上述问题提供了用于联邦学习和隐私计算的内部安全检测方法。
技术实现思路
1、为了解决上述技术问题，本专利技术提供用于联邦学习和隐私计算的内部安全检测方法；
2、本专利技术的目的可以通过以下技术方案实现：用于联邦学习和隐私计算的内部安全检测方法，所述方法包括以下步骤：
3、步骤一：获取目标场景对应的多源待检测数据包，对多源待检测数据包进行数据连接，生成
4、步骤二：基于联邦学习设置目标数据训练模型，根据数据特征和用户特征获取待检测数据样本对应的目标数据模型，进而获取目标数据包，并对目标数据包进行数据挖掘，获取安全目标数据；
5、步骤三：设置数据加密训练机制，对安全目标数据进行加密训练，获取加密目标数据，根据加密目标数据建立加密目标数据模型，进而获取异常行为。
6、进一步的，所述待检测数据样本的生成过程包括：
7、获取目标场所对应的所有目标部门，并将目标部门进行不重复编号，记为i，其中，i为大于2的自然数；根据编号顺序依次获取对应目标部门对应的待检测数据包；并将待检测数据包根据编号顺序进行对齐排列，进而获取多源待检测数据包；
8、将多源待检测数据包根据目标场所进行编码，记为场所d，其中，d为正整数；
9、根据编码获取目标场所数量，进而根据目标场所数量对多源待检测数据包进行处理，所述目标场所包括1个或n个；其中，n为大于1的自然数；
10、若目标场所为1个，则设置子数据链，将1个多源待检测数据包根据编号顺序将待检测数据包通过子数据链进行依次连接，生成多待检测数据样本；
11、若目标场所为n个，则设置数据链，将n个多源待检测数据包对应的多待检测数据样本通过数据链进行连接，生成单待检测数据样本；
12、所述待检测数据样本包括多待检测数据样本和单待检测数据样本。
13、进一步的，所述数据特征和用户特征的获取过程包括：
14、获取目标场所对应的目标部门中待检测数据包对应的数据特征和用户特征；
15、对获取的数据特征和用户特征进行标记，将数据特征标记为场所；将用户特征标记为场所;其中，表示为目标场所d中目标部门i对应的待检测数据包对应的数据特征；表示为目标场所d中目标部门i对应的待检测数据包对应的用户特征；
16、进一步的，所述目标数据模型的生成过程包括：
17、在所述目标数据训练模型中设置样本训练单元和数据挖掘单元，所述样本训练单元用于对待检测数据样本进行数据训练；所述数据挖掘单元用于对目标数据进行数据挖掘；
18、所述样本训练单元将多待检测数据样本中通过子数据链连接的相邻两个待检测数据包进行训练，获取相邻两个待检测数据包对应的数据特征集和对应的用户特征集；并分别标记为和；其中，q和p表示为待检测数据包中所包含的q个数据特征对应的编号和p个用户特征对应的编号；
19、基于联邦学习设置的目标数据训练模型，将根据数据特征和用户特征对不同来源的待检测数据包进行数据聚合，进而根据数据特征和用户特征重叠部分大小进行联邦学习；若数据特征重叠部分较大且用户特征重叠部分较小，则进行横向联邦学习，提高待检测数据样本的总量，若数据特征重叠部分较小且用户特征重叠部分较大，则进行纵向联邦学习，进而提高待检测数据样本的维度；若数据特征和用户特征重叠部分都较小，则进行迁移联邦学习；
20、根据数据特征集和用户特征集对相邻两个待检测数据包进行训练，进而生成个目标训练数据包；同理将个目标训练数据继续进行数据训练，生成个目标训练数据包，以此类推，直到生成1个目标训练数据包则停止训练，并生成对应的目标数据模型。
21、进一步的，所述目标数据包的获取过程包括：
22、将所述单待检测数据样本发送至目标数据模型，生成n个目标训练数据包，同理将n个目标训练数据包继续进行数据训练，直到生成1个目标训练数据包则停止训练，并标记为目标数据包。
23、进一步的，所述安全目标数据的获取过程包括：
24、获取目标数据包中的所有目标数据；基于联邦学习在所述数据挖掘单元设置标准参数转换准则，将目标数据包发送至数据挖掘单元，并根据标准参数转换准则将目标数据包中的目标数据进行参数转换，生成目标参数，进而判断目标参数是否符合标准参数转换准则；
25、若目标参数符合标准参数转换准则，则将对应的目标数据标记为安全目标数据；
26、反之，则将对应的目标数据标记为异常目标数据；并在所述数据挖掘单元设置异常行为回收站，将异常目标数据发送至异常行为回收站进行存储。
27、进一步的，所述加密目标数据的获取过程包括：
28、所述数据加密训练机制用于在所述安全目标数据设置若干个噪声节点，所述噪声节点用于对安全目标数据进行噪声添加；
29、获取安全目标数据对应的隐私目标数据，在所述隐私目标数据添加噪声节点，进而生成加密目标数据；
30、将加密目标数据对应的噪声节点生成对应的噪声数字签名，并获取噪声数字签名对应的私钥，进而将噪声数字签名和对应的私钥进行数据连接，生成噪声节点数据库；
31、设置数据加密链，用于将加密目标数据进行两两相连，生成加密目标数据模型；
32、在数据加密链设置交互节点，用于对加密目标数据进行数据交互，并获取进行数据交互的交互者对应的交互账号。
33、进一步的，所述异常行为的获取过程包括：
34、建立数据信任模型，并无线通信连接加密目标数据模型，并在所述数据信任模型中预存交互者授权账号，用于对交互者的信任度进行检测；
35、交互者通过交互节点进入加密目标数据模型进行数据交互，交互节点获取交互者对应的交互账号，并将交互账号发送至数据信本文档来自技高网...
【技术保护点】
1.用于联邦学习和隐私计算的内部安全检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的用于联邦学习和隐私计算的内部安全检测方法，其特征在于，所述待检测数据样本的生成过程包括：
3.根据权利要求2所述的用于联邦学习和隐私计算的内部安全检测方法，其特征在于，所述数据特征和用户特征的获取过程包括：
4.根据权利要求3所述的用于联邦学习和隐私计算的内部安全检测方法，其特征在于，所述目标数据模型的生成过程包括：
5.根据权利要求4所述的用于联邦学习和隐私计算的内部安全检测方法，其特征在于，所述目标数据包的获取过程包括：
6.根据权利要求5所述的用于联邦学习和隐私计算的内部安全检测方法，其特征在于，所述安全目标数据的获取过程包括：
7.根据权利要求6所述的用于联邦学习和隐私计算的内部安全检测方法，其特征在于，所述加密目标数据的获取过程包括：
8.根据权利要求7所述的用于联邦学习和隐私计算的内部安全检测方法，其特征在于，所述异常行为的获取过程包括：
【技术特征摘要】
1.用于联邦学习和隐私计算的内部安全检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的用于联邦学习和隐私计算的内部安全检测方法，其特征在于，所述待检测数据样本的生成过程包括：
3.根据权利要求2所述的用于联邦学习和隐私计算的内部安全检测方法，其特征在于，所述数据特征和用户特征的获取过程包括：
4.根据权利要求3所述的用于联邦学习和隐私计算的内部安全检测方法，其特征在于，所述目标数据模型的生成过程包括：
5...
【专利技术属性】
技术研发人员：李小霖，林丽爽，
申请(专利权)人：北京成名网科技股份有限公司，
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。