一种多模态隐私计算融合方法及系统
本发明涉及隐私计算与可信数据空间,具体涉及一种多模态隐私计算融合方法及系统。
背景技术:
1、随着医疗健康、金融征信、政务数据共享等领域对数据隐私保护与合规监管要求的不断提高,数据不出域的安全计算成为跨机构数据协同的基础技术支撑。当前主流的隐私计算模式包括联邦学习、安全多方计算和可信执行环境三类。联邦学习使各参与方在本地训练模型、仅交换加密梯度参数,适用于数据量充足且分布相对均衡的场景;安全多方计算使数据在密文域直接执行运算,适用于小规模统计查询与简单分析;可信执行环境在硬件隔离的安全飞地内执行明文计算,适用于计算密集型任务但对硬件平台有强依赖。
2、与本发明最相关的现有技术是一种基于规则引擎的隐私计算模式选择框架。该框架预先定义一组静态规则,接收任务请求后提取数据的敏感度标签和计算任务类型,在规则表中匹配查找,将匹配到的隐私计算模式分配给对应任务执行;三种模式各自独立运行、互不通信,任务分配完成后固定不变,中间计算结果不可跨模式迁移。
3、然而,上述现有技术存在以下缺陷:其一,规则匹配高度依赖人工预设的静态规则,无法根据数据的实际统计分布特征和计算资源的实时状态进行动态调整,导致模式选择结果缺乏最优性;其二,三种隐私计算模式之间完全隔离,缺乏跨模式的中间态数据转换与协同机制,当某个子任务的最优执行模式与全局任务分配的模式不一致时,无法实现子任务级别的灵活切换,造成计算资源浪费和模型精度损失;其三,缺乏在安全合规硬约束下的多目标优化机制,现有技术将安全合规作为前置过滤条件而非优化约束,无法在保证安全的前提下精细权衡计算效率和模型精度。因此,需要一种能够动态感知、统一表示、跨模式协同并在安全合规约束下多目标优化的多模态隐私计算融合方案。
技术实现思路
1、针对现有技术中隐私计算模式选择缺乏最优性、模式间完全隔离无法协同、安全合规约束下多目标优化机制缺失的技术问题,本发明提供一种多模态隐私计算融合方法及系统,通过多维度特征量化、多源分布鲁棒优化的模式推荐、隐私计算模式的统一抽象与跨模式中间态转换、次模多目标优化与自适应平衡惩罚的编排决策,实现多种隐私计算模式的智能编排与有机融合。
2、本发明提供一种多模态隐私计算融合方法,包括:
3、获取各参与方的数据资产元信息,对所述数据资产元信息进行多维度特征量化,得到数据特征向量;
4、将所述数据特征向量拆解为各特征维度并输入至多源分布鲁棒优化模型,基于历史反馈动态调节所述各特征维度的可靠性参数以构建分布不确定性集合,对所述分布不确定性集合进行鲁棒模式推荐,输出候选模式组合集合;
5、按照预设的抽象映射规则,对所述候选模式组合集合中采用的各隐私计算模式分别进行映射,得到对应的统一计算单元抽象模型,汇总构成统一计算单元抽象模型集合;
6、基于所述统一计算单元抽象模型集合,构建跨模式中间态数据结构并定义状态转换函数,由所述跨模式中间态数据结构和所述状态转换函数生成中间态转换协议;
7、将所述候选模式组合集合和所述统一计算单元抽象模型集合输入至次模多目标优化模型,通过自适应平衡惩罚机制求解约束帕累托最优解,将所述约束帕累托最优解确定为多模态计算编排方案;
8、按照所述多模态计算编排方案执行资源编排和跨模式计算,当满足模式切换条件时调用所述中间态转换协议完成中间态数据转换,得到隐私计算结果。
9、进一步地,所述获取各参与方的数据资产元信息,对所述数据资产元信息进行多维度特征量化,得到数据特征向量,包括:接收各参与方通过预设接口上传的数据资产配置文件,解析得到所述数据资产元信息;从所述数据资产元信息中提取并计算敏感度指数、计算复杂度指数、non-iid分布指数和通信容量指数;
10、将所述敏感度指数、所述计算复杂度指数、所述non-iid分布指数和所述通信容量指数分别进行归一化映射成各特征向量,拼接所述各特征向量构成所述数据特征向量。
11、进一步地,所述将所述数据特征向量拆解为各特征维度并输入至多源分布鲁棒优化模型,基于历史反馈动态调节所述各特征维度的可靠性参数以构建分布不确定性集合,对所述分布不确定性集合进行鲁棒模式推荐,输出候选模式组合集合,包括:将所述数据特征向量按照量化的属性类别拆解为各特征维度,将所述各特征维度输入至所述多源分布鲁棒优化模型,结合获取的历史推荐正确性反馈计算准确率,基于所述准确率动态调节对应特征维度的wasserstein信任半径,将调节后的所述wasserstein信任半径作为所述可靠性参数,其中,所述各特征维度包括敏感度指数、计算复杂度指数、non-iid分布指数和通信容量指数;基于所述可靠性参数为所述各特征维度的经验概率分布设定波动范围,生成所述分布不确定性集合;在所述分布不确定性集合中寻找最坏情况概率分布,对所述最坏情况概率分布进行鲁棒模式推荐,输出所述候选模式组合集合。
12、进一步地,所述按照预设的抽象映射规则,对所述候选模式组合集合中采用的各隐私计算模式分别进行映射,得到对应的统一计算单元抽象模型,汇总构成统一计算单元抽象模型集合,包括:遍历所述候选模式组合集合,提取所述候选模式组合集中各候选模式组合采用的隐私计算模式;按照所述预设的抽象映射规则,确定各所述隐私计算模式对应的算子类型和接口定义;基于所述算子类型和所述接口定义,构建各所述隐私计算模式对应的统一计算单元抽象模型,汇总各所述统一计算单元抽象模型,构成所述统一计算单元抽象模型集合。
13、进一步地,所述按照所述预设的抽象映射规则,确定各所述隐私计算模式对应的算子类型和接口定义,包括:按照所述预设的抽象映射规则,解析各所述隐私计算模式的底层协议和执行逻辑;基于所述底层协议和所述执行逻辑,与预设的算子库进行匹配,确定对应的所述算子类型;提取各所述隐私计算模式的数据输入输出规范,标准化为统一的所述接口定义。
14、进一步地,所述基于所述统一计算单元抽象模型集合,构建跨模式中间态数据结构并定义状态转换函数,由所述跨模式中间态数据结构和所述状态转换函数生成中间态转换协议,包括:遍历所述统一计算单元抽象模型集合,提取各所述统一计算单元抽象模型的算子属性和数据流转关系;基于所述算子属性和所述数据流转关系,构建标准化的所述跨模式中间态数据结构;利用各所述统一计算单元抽象模型之间的执行依赖关系,确定状态触发条件和状态流转逻辑,将所述状态触发条件与所述状态流转逻辑进行映射,定义所述状态转换函数;将所述跨模式中间态数据结构和所述状态转换函数进行组合封装,生成所述中间态转换协议。
15、进一步地,所述将所述候选模式组合集合和所述统一计算单元抽象模型集合输入至次模多目标优化模型,通过自适应平衡惩罚机制求解约束帕累托最优解,将所述约束帕累托最优解确定为多模态计算编排方案,包括:将所述候选模式组合集合和所述统一计算单元抽象模型集合输入至所述次模多目标优化模型,构建多目标优化函数及对应的约束条件,所述约束条件包括差分隐私预算约束、安全等级约束和资源上限约束;设定自适应惩罚权重并初始化,计算当前优化迭代过程中的所述差分隐私预算约束的违反程度、所述安全等级约束的违反程度以及所述资源上限约束的违反程度,得到综合违反程度,利用所述综合违反程度自适应更新所述自适应惩罚权重,构建所述自适应平衡惩罚机制;将所述自适应平衡惩罚机制引入次模优化算法中,对加入惩罚项的所述多目标优化函数进行迭代求解,获取满足所述约束条件的所述约束帕累托最优解,将所述约束帕累托最优解确定为所述多模态计算编排方案。
16、进一步地,所述对加入惩罚项的所述多目标优化函数进行迭代求解,获取满足所述约束条件的所述约束帕累托最优解,包括:设定编排集合并初始化为空集,针对所述候选模式组合集合中的每一候选模式组合,计算将所述候选模式组合选取至所述编排集合的最小边际增益;在所述差分隐私预算约束下,引入指数机制,基于所述最小边际增益计算每一所述候选模式组合的选择概率;通过迭代执行概率性贪心选择,按照所述选择概率逐步将所述候选模式组合加入所述编排集合中;
17、当所述编排集合满足所述约束条件且所述候选模式组合的最小边际增益低于预设门限值时,将所述编排集合作为所述约束帕累托最优解输出。
18、进一步地,所述将所述候选模式组合集合和所述统一计算单元抽象模型集合输入至次模多目标优化模型之前,还包括:获取所述数据资产元信息中各属性列的语义标注,基于条件互信息计算各所述属性列之间的关联度,基于所述关联度评估所述各属性列间的可推断性以进行推理风险评估,得到属性关联风险参数;
19、结合所述属性关联风险参数和预设的初始隐私预算,建立以各所述属性列的隐私预算分配比例为优化变量且以数据效用最大化为目标函数的隐私预算分配模型;通过拉格朗日对偶对所述隐私预算分配模型进行求解,得到所述优化变量的最优解,将所述最优解作为差异化的自适应隐私预算分配方案;将所述自适应隐私预算分配方案作为约束条件,引入所述次模多目标优化模型进行求解,以获取所述多模态计算编排方案。
20、进一步地,所述按照所述多模态计算编排方案执行资源编排和跨模式计算,当满足模式切换条件时调用所述中间态转换协议完成中间态数据转换,得到隐私计算结果,包括:将所述多模态计算编排方案中的首个隐私计算模式确定为当前隐私计算模式,对所述当前隐私计算模式进行资源编排并启动待处理模型的计算任务,其中,所述待处理模型为基于所述数据资产元信息构建的机器学习模型;
21、监测所述计算任务的执行状态,并获取所述待处理模型的精度,当在连续预设轮数的迭代中,所述待处理模型的精度提升低于最小阈值,或所述计算任务的通信时延超过预设时延时,判定满足所述模式切换条件并触发模式切换;获取所述当前隐私计算模式输出的中间态数据,调用所述中间态转换协议对所述中间态数据进行解析与映射,转换为下一隐私计算模式所需的数据结构,完成所述中间态数据转换;基于所述数据结构启动所述下一隐私计算模式的计算任务,完成跨模式计算;重复执行所述监测所述计算任务的执行状态至所述跨模式计算完成的步骤,直至所述多模态计算编排方案中最后一个隐私计算模式的计算任务执行完成时,将所述最后一个隐私计算模式输出的数据作为所述隐私计算结果输出。
22、进一步地,所述调用所述中间态转换协议完成中间态数据转换之后,还包括:
23、获取所述当前隐私计算模式与所述下一隐私计算模式切换前后,中间态数据对应的所述待处理模型的参数,作为待验证参数;验证所述待验证参数的一致性,通过切比雪夫不等式概率约束所述待验证参数的偏差在容差范围内。
24、本发明还提供一种多模态隐私计算融合系统,包括:
25、特征量化模块,用于获取各参与方的数据资产元信息,对所述数据资产元信息进行多维度特征量化,得到数据特征向量;
26、模式推荐模块,用于将所述数据特征向量拆解为各特征维度并输入至多源分布鲁棒优化模型,基于历史反馈动态调节所述各特征维度的可靠性参数以构建分布不确定性集合,对所述分布不确定性集合进行鲁棒模式推荐,输出候选模式组合集合;
27、抽象映射模块,用于按照预设的抽象映射规则,对所述候选模式组合集合中采用的各隐私计算模式分别进行映射,得到对应的统一计算单元抽象模型,汇总构成统一计算单元抽象模型集合;
28、协议生成模块,用于基于所述统一计算单元抽象模型集合,构建跨模式中间态数据结构并定义状态转换函数,由所述跨模式中间态数据结构和所述状态转换函数生成中间态转换协议;
29、方案优化模块,用于将所述候选模式组合集合和所述统一计算单元抽象模型集合输入至次模多目标优化模型,通过自适应平衡惩罚机制求解约束帕累托最优解,将所述约束帕累托最优解确定为多模态计算编排方案;
30、融合计算模块,用于按照所述多模态计算编排方案执行资源编排和跨模式计算,当满足模式切换条件时调用所述中间态转换协议完成中间态数据转换,得到隐私计算结果。
31、本发明的有益效果如下:
32、1、本发明通过量化各参与方的数据资产元信息为敏感度、计算复杂度、non-iid分布和通信容量四个维度并拼接为数据特征向量,同时将四个维度视为可靠性动态变化的独立信息源、以经验分布为中心构建wasserstein模糊集并通过历史推荐正确性反馈动态调节各维度的wasserstein信任半径,使得隐私计算模式的选择既能依据数据实际统计分布特征与计算资源实时状态进行,又能在最坏情况概率分布下给出鲁棒的模式推荐,克服了现有规则引擎依赖人工预设静态规则、无法动态调整以及对特征噪声和分布漂移敏感的缺陷;
33、2、本发明构建了包含输入接口、算子描述、输出接口和安全状态的统一计算单元抽象模型,将联邦学习、安全多方计算和可信执行环境三种异构隐私计算模式统一映射其中,并基于该抽象模型集合构建跨模式中间态数据结构与状态转换函数、生成中间态转换协议,使得计算流水线能够在不同模式间灵活切换、语义保留地迁移中间计算结果,克服了现有技术三种模式完全隔离、中间结果不可跨模式迁移以及子任务级最优模式与全局分配模式不一致导致资源浪费和精度损失的缺陷;
34、3、本发明提出了将模式选择与资源分配建模为多目标次模最大化问题的方案,以自适应平衡惩罚机制动态驱动约束惩罚权重,并在其前基于条件互信息推理风险评估建立以数据效用最大化为目标、总隐私预算为约束的分配模型、通过拉格朗日对偶求解得到差异化的自适应隐私预算分配方案,且在模式切换前后以切比雪夫不等式概率约束模型参数偏差在容差范围内,使得安全等级、差分隐私预算和资源上限等约束在优化过程中不被违反,并在数据级与算法级两个层面协同保障了安全合规与性能可用性的平衡,克服了现有技术将安全合规作为前置过滤条件而无法在安全前提下精细权衡效率与精度的缺陷。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com