模型训练方法、装置、程序、设备和介质与流程

本发明涉及智能车辆，尤其涉及一种模型训练方法、装置、程序、设备和介质。

背景技术：

1、随着智能网联汽车的快速发展，车辆不仅作为交通工具，更成为了一个移动的数据收集器。一辆智能网联汽车每天能够产生tb级的数据，包括高清晰度视频、高精度位置信息和高敏感度的个人隐私信息。这些数据的收集和处理引发了车主对隐私安全的担忧。而智能网联汽车内智能体的发展又无法完全脱离车主的使用数据，如车辆行驶路线、车辆娱乐设备使用数据等。这要求智能网络汽车厂商需要对车端的车主隐私进行保护，目前，常见的车主隐私保护机制包括数据匿名化处理、本地化数据存储与访问、加密传输等，尽管上述机制在一定程度上提高了车主数据的安全性，但仍存在一些缺陷，如由于数据本地存储与访问，导致产生数据孤岛，无法与其他车辆数据进行协同，极大限制车主数据的使用价值；并且数据加密传输的传输和存储过程虽然被加密，但服务器利用车辆使用数据进行智能体模型的训练时，需要获取到解密的车辆使用数据，该车辆使用数据存在隐私泄露风险，导致车辆用户的隐私安全防护存在漏洞。

技术实现思路

1、本发明提供了一种模型训练方法、装置、程序、设备和介质，以实现保护车主隐私前提下对车主数据进行利用，基于车辆使用数据对智能体模型进行训练，可提升数据的利用价值。

2、根据本发明的一方面，提供了一种模型训练方法，应用于车端，其中，该方法包括：

3、基于车辆使用数据的本地特征数据对本地智能体模型进行本地训练，得到模型更新参数；

4、基于安全加密规则生成所述模型更新参数的加密更新参数，并传输所述加密更新参数到服务器端；

5、接所述收服务器端下发的全局智能体模型。

6、根据本发明的另一方面，提供了一种模型训练方法，应用于服务器端，其中，该方法包括：

7、聚合至少两个车端上传的加密更新参数为模型聚合参数；

8、根据所述模型聚合参数更新全局智能体模型；

9、下发所述全局智能体模型到所述车端。

10、根据本发明的另一方面，提供了一种模型训练方法，应用于模型训练系统，所述模型训练系统包括服务器端以及车端，该方法包括：

11、根据所述车端的车辆使用数据的本地特征数据对所述车端的本地智能体模型进行本地训练，得到模型更新参数；

12、基于安全加密规则将所述模型更新参数处理为所述车端的加密更新参数；

13、聚合至少两个所述车端的所述加密更新参数为模型聚合参数；

14、根据所述模型聚合参数更新所述服务器端的全局智能体模型，并将所述全局智能体模型作为所述车端的所述本地智能体模型。

15、根据本发明的另一方面，提供了一种模型训练方法，应用于车端，其中，该装置包括：

16、本地训练模块，用于基于车辆使用数据的本地特征数据对本地智能体模型进行本地训练，得到模型更新参数；

17、上位训练模块，用于基于安全加密规则生成所述模型更新参数的加密更新参数，并传输所述加密更新参数到服务器端；

18、模型更新模块，用于接收所述服务器端下发的全局智能体模型。

19、根据本发明的另一方面，提供了一种模型训练方法，应用于服务器端，其中，该装置包括：

20、参数聚合模块，用于聚合至少两个车端上传的加密更新参数为模型聚合参数；

21、模型更新模块，用于根据所述模型聚合参数更新全局智能体模型；

22、模型下发模块，用于下发所述全局智能体模型到所述车端。

23、根据本发明的另一方面，提供了一种模型训练装置，其特征在于，应用于模型训练系统，所述模型训练系统包括服务器端以及车端，该装置包括：

24、本地训练模块，用于根据车辆使用数据的本地特征数据对所述车端的本地智能体模型进行本地训练，得到模型更新参数；

25、数据脱敏模块，用于基于安全加密规则将所述模型更新参数处理为所述车端的加密更新参数；

26、参数聚合模块，用于聚合至少两个所述车端的所述加密更新参数为模型聚合参数；

27、本地更新模块，用于根据所述模型聚合参数更新所述服务器端的全局智能体模型，并将所述全局智能体模型作为所述车端的所述本地智能体模型。

28、根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

29、至少一个处理器；以及

30、与所述至少一个处理器通信连接的存储器；其中，

31、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的模型训练方法。

32、根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的模型训练方法。

33、根据本发明的另一方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时本发明任一实施例所述的模型训练方法。

34、本发明实施例的技术方案，通过获取车辆使用数据并提取到车辆使用数据的本地特征数据，通过本地特征数据对本地智能体模型进行训练，并获取到本地智能体模型的模型更新参数，通过安全加密规则将模型更新参数加密为加密更新参数，并上传该加密更新参数到服务器端对全局智能体模型进行训练，获取服务器端下发的全局智能体模型，并将该全局智能体模型作为本地智能体模型。本发明实施例通过将车主数据在本地经过模型训练生成对应的模型更新参数，无需将车主数据直接传输到服务器端，可以降低车辆使用数据中车辆用户隐私的泄露概率，基于安全加密规则将模型更新参数进行加密，可提升数据传输的安全性，模型训练过程无需将完整的车辆使用数据进行传输，可减少模型训练过程的数据传输量，可降低系统对网络以及存储的需求。

35、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

1.一种模型训练方法，其特征在于，应用于车端，所述方法包括：

2.根据权利要求1所述方法，其特征在于，还包括：确定所述车辆使用数据的本地特征数据，包括：

3.根据权利要求1或2所述方法，其特征在于，所述基于车辆使用数据的本地特征数据对本地智能体模型进行本地训练，得到模型更新参数，包括：

4.根据权利要求1-3中任一所述方法，其特征在于，所述基于安全加密规则生成所述模型更新参数的加密更新参数，并传输所述加密更新参数到服务器端，包括：

5.根据权利要求4所述方法，其特征在于，所述按照所述安全加密规则对所述模型更新参数进行差分隐私处理，得到添加噪声的初步脱敏数据，包括：

6.一种模型训练方法，其特征在于，应用于服务器端，所述方法包括：

7.根据权利要求6所述方法，其特征在于，所述聚合至少两个车端上传的加密更新参数为模型聚合参数，包括：

8.根据权利要求7所述方法，其特征在于，所述确定各所述车端的聚合计算系数，包括：

9.根据权利要求8所述方法，其特征在于，所述按照所述车辆性能指标分别确定各所述车端的所述聚合计算系数，包括以下至少之一：

10.根据权利要求6-9中任一所述方法，其特征在于，所述下发所述全局智能体模型到所述车端，包括：

11.一种模型训练方法，其特征在于，应用于模型训练系统，所述模型训练系统包括服务器端以及车端，所述方法包括：

12.一种模型训练装置，其特征在于，应用于车端，所述装置包括：

13.一种模型训练装置，其特征在于，应用于服务器端，所述装置包括：

14.一种模型训练装置，其特征在于，应用于模型训练系统，所述模型训练系统包括服务器端以及车端，所述装置包括：

15.一种电子设备，其特征在于，所述电子设备包括：

16.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-11中任一项所述的模型训练方法。

17.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-11中任一项所述的模型训练方法。