面向数据合规的多源敏感信息动态脱敏与流转追踪方法与流程
本发明涉及数据安全与隐私保护,具体为面向数据合规的多源敏感信息动态脱敏与流转追踪方法。
背景技术:
1、在金融控股集团或大型医疗机构内部,跨子公司或跨科室的数据联合分析需求日益频繁,例如集团内多家银行子公司需联合训练反欺诈模型,或医院多科室需汇聚电子病历进行临床研究。各数据持有方受制于《个人信息保护法》等法规以及商业竞争考量,严禁原始客户信息或患者记录出域共享,数据仅允许在各自本地环境中处理。
2、传统应对方式通常采取两种路径。其一是各数据持有方在本地独立执行静态脱敏规则,例如对姓名、身份证号等直接标识符统一做泛化或抑制处理后再参与联合分析,但此类固定规则无法感知下游联合分析任务对数据效用的差异化需求,常出现关键属性被过度抹除导致模型预测能力大幅下降,或脱敏不足导致准标识符通过链接攻击重识别出个体身份。其二是尝试由某一方或中心节点收集各方数据特征以统一优化脱敏策略,然而该路径要求各持有方上报字段分布统计信息或脱敏前后的数据质量指标,在互不信任的多方场景下此类信息本身即构成敏感泄露风险,参与方往往拒绝配合。在数据流转环节,各节点目前仅能基于本地经验设定静态风险阻断阈值,缺乏对数据跨域流转后级联扩散风险的全局感知手段,阈值设定过高则敏感信息可能经多次中转后被拼凑还原,设定过低则阻塞正常业务流转。
3、由此可见,现有方法在多数据持有方互不信任的合规场景下,存在脱敏策略无法兼顾隐私保护与联合分析效用、脱敏优化过程本身即引入二次隐私泄露风险、以及流转风险阻断缺乏全局态势感知这三大核心缺陷,需要一种能够在不暴露任何一方原始数据与脱敏细节的前提下协同优化脱敏策略并动态控制跨域流转风险的技术方案。
技术实现思路
1、本发明的目的就是为了弥补现有技术的不足,提供了面向数据合规的多源敏感信息动态脱敏与流转追踪方法,它能够通过各节点在本地构建强化学习智能体,以脱敏后数据参与联合分析得到的效用值与隐私泄露惩罚值代入非线性奖励函数计算奖励并通过迭代收集交互轨迹,对本地策略梯度叠加差分隐私噪声后同态加密上传至聚合服务器执行加权联邦平均并将更新量下发同步本地参数,在数据流转时通过shamir秘密共享协议在各节点本地流转风险指标和扩散系数均不暴露的条件下联合计算全局流转风险熵,各节点依据滑动窗口内熵值序列的统计特征动态调整本地阻断阈值并对超出阈值的流转操作进行阻断生成仅含脱敏操作哈希标识、时间戳和任务标识的日志上链存证,由此实现多方隐匿协同的脱敏策略优化与全局风险自适应的流转管控。
2、本发明为解决上述技术问题,提供如下技术方案:面向数据合规的多源敏感信息动态脱敏与流转追踪方法,该方法包括以下组成部分:
3、步骤1、各节点在本地构建强化学习智能体,以脱敏后数据参与多方联合分析任务得到的效用值和基于本地信息熵的隐私泄露惩罚值作为输入,通过一个预设的奖励函数计算奖励值,该奖励函数在隐私惩罚超出节点预设的容忍基线时加速压低奖励,节点通过迭代收集状态、动作和奖励的交互轨迹;
4、步骤2、各节点依据交互轨迹计算策略梯度向量,对梯度向量叠加差分隐私噪声并做范数裁剪后用聚合服务器公钥加密上传,聚合服务器对所有加密梯度按各节点的样本规模和近期损失变化趋势进行加权聚合,聚合结果作为全局策略更新量下发至各节点以同步本地智能体参数;
5、步骤3、在需要进行数据流转时,各节点计算本地流转风险指标和风险扩散系数,通过安全多方计算协议在个体指标和系数均不暴露的前提下联合计算出全局流转风险熵;
6、步骤4、各节点维护一个固定长度的滑动窗口存储最近若干轮的全局流转风险熵值,通过分析窗口内熵值序列的统计特征动态调整本地阻断阈值,当待流转数据操作的风险值超过调整后的阈值时即阻断该操作,并为阻断事件生成仅含脱敏操作哈希标识、时间戳和任务标识的日志记录,各节点将日志打包为区块后上链存证以实现隐匿式合规追踪。
7、进一步地,所述步骤1中,状态向量的构建过程采用数据特征与行为历史分别处理再融合的策略,在数据特征一侧节点逐列扫描待脱敏数据表,为每一列提取值基数、空值率、信息熵和数据类型编码这四个指标,若该列是数值型字段则追加提取分位数离散度作为第五个指标,所有列的指标提取完成后统一向量化并拼接,经一个全连接层压缩为64维向量后通过relu激活;在行为历史一侧节点调取过去五个时间步的操作记录,每条记录包含算子类型的独热编码和归一化到0-1区间的操作强度,对这五条记录按时间远近分配不同的权重,距离当前越近的时间步权重越大,具体权重取0.9的t次幂,t是从当前往回数的时间步间隔,加权求和后得到一个128维的历史上下文向量;融合时将上一次脱敏后参与联合分析得到的归一化效用值排在最前,随后依次拼接所述64维激活向量和所述128维历史上下文向量,拼接结果即为送入策略网络的完整状态。
8、更进一步地,所述步骤1中,智能体的动作输出与执行前校验构成一条闭环约束机制,策略网络的输出头分为离散选择和连续参数两条通路,离散通路从泛化、抑制、置换、加噪和差分隐私这五类算子中确定一个类别,连续通路输出该类别下的操作强度值限定在0-1之间,在训练探索阶段节点以概率ε随机挑选类别而非选取概率最大的那一个,同时对强度值添加高斯噪声扰动,ε在训练启动时设为0.3并随训练步数线性递减至0.01,到推理应用阶段则切换为直接取概率最大的类别和未扰动的强度均值;无论训练还是推理阶段由策略网络输出的算子组合在真正执行前都必须经过本地合规校验器的把关,该校验器模拟执行该组合的脱敏操作后统计数据在准标识符列上形成的各个等价类,找出其中规模最小的那个等价类所含记录条数,将这一最小规模与预先设定的k匿名阈值做比较,若低于k则表明去匿名化风险过高,校验器按等比例逐步回调操作强度值并重新模拟,直到最小等价类规模达到k后才将最终强度值连同算子类别一起放行给执行模块。
9、更进一步地,所述步骤1中,预设奖励函数在隐私惩罚超出容忍基线时加速压低奖励,公式为:,该函数将分子代表的联合分析效用作为基础回报,分母中的指数项用于控制隐私惩罚加速侵蚀效用的程度,其中是综合了脱敏后数据属性唯一性与脱敏前后数据互信息量两个维度的隐私泄露惩罚值,是节点依据自身合规等级预设的隐私容忍基线,合规等级越高基线值设得越低从而对隐私泄露越敏感,是调节指数项陡峭程度的因子,当本地已积累至少10个历史奖励值时取这10个值的标准差的倒数,若历史奖励值不足10个则暂取0.5,是节点有效样本数占所有节点有效样本总数之比,用于平衡不同体量节点的奖励量级,当未超过时分母接近1奖励主要由主导,一旦超出指数项迅速增大分母膨胀奖励值被加速拉低。
10、更进一步地,所述步骤2中,对策略梯度向量叠加差分隐私噪声时遵循按数据敏感程度分级配置噪声尺度的原则,节点先遍历本次用于梯度计算的每一条数据记录,统计其中包含的直接标识符个数,将包含2个及以上直接标识符的记录划入三级敏感数据,包含恰好1个直接标识符的划入二级,不包含任何直接标识符的划入一级,每一级对应一个拉普拉斯噪声尺度参数,这三个尺度参数由节点根据自身被分配的全局隐私预算按各级数据量的占比和总训练迭代轮数进行反推计算,三级敏感数据的噪声尺度取全局隐私预算在三级数据上的分配份额除以三级数据记录数再乘以总训练迭代轮数的倒数,二级和一级以此类推,计算完毕后节点按记录所属等级拉取对应尺度的拉普拉斯分布生成与梯度向量等长的噪声向量,将所有记录的噪声向量逐元素累加到原始策略梯度上,完成噪声注入。
11、更进一步地,所述步骤2中,聚合服务器进行加权聚合时每个节点i被分配的聚合权重按以下公式计算:,其中是节点参与联合分析的样本数量,是所有节点样本数量的总和,两者的比值反映节点i的数据规模占比,是节点近期训练损失的归一化变化量,其计算方式为用上一轮本地验证损失减去本轮验证损失得到的差值再除以两轮损失值中的较大者,当本轮损失低于上一轮时为正且取值在0-1之间,当本轮损失等于或高于上一轮时为负或为零且取值在-1到0之间,第一轮训练时因无上一轮损失值统一置为0,函数将映射到开区间-1到1内使得损失下降越快的节点越接近2从而获得更大的聚合话语权,损失不降反升的节点该项接近0话语权被大幅削弱,公式分母对所有权重做归一化保证。
12、更进一步地,所述步骤3中,全局流转风险熵h依据各节点风险贡献占比的信息量进行计算,公式为:,其中是参与本次联合计算的节点数,是节点的本地流转风险指标,由待流转记录在一个公开通用数据集上的重识别概率乘以该记录涉及字段的敏感信息增益得出,是节点的风险扩散系数,用该节点在数据流转有向图中的出度除以入度来度量,当入度为零时将入度视为1以避免除零错误,当系统尚无任何历史流转日志处于冷启动状态时所有节点的统一赋值为1,是归一化因子,通过求和公式得到,是常数,取10⁻9,防止对数真数为零,该熵值的计算完全在安全多方计算协议的保护下进行任何节点无法从中反推出其他节点的或。
13、更进一步地,所述步骤3中,安全多方计算协议以shamir秘密共享为基础构建隐匿求和流程,各节点先约定一个有限域并将本地流转风险指标作为多项式常数项随机生成一个多项式,门限t取参与节点总数的一半向上取整,节点从多项式上取t个点作为份额并将每个份额连同同态承诺经安全信道发送给对应持有节点,各节点收到份额后用承诺值验证份额未被篡改,验证通过后将持有的来自不同节点的所有份额按节点标识累加得到关于全部风险指标总和的一个份额,节点广播该总和份额,当某节点收集到至少t个总和份额后通过拉格朗日插值重构出全部节点风险指标的总和,每个节点用自身持有的风险扩散系数乘以该总和后自行完成归一化与对数运算,最终所有节点得出完全一致的全局流转风险熵h。
14、更进一步地,所述步骤4中,滑动窗口的统计监测与阻断阈值调节构成负反馈控制机制,节点在本地维持容量为10的环形缓冲区存放最近10轮全局流转风险熵值,缓冲区首次填满后每存入一个新熵值即挤出最旧熵值并立即计算当前全部10个熵值的均值m和标准差s,若新熵值大于则判定全局风险异常攀升触发强风险信号,将阻断阈值向下修正0.05,若连续三轮新熵值均低于m-s则判定全局风险持续缓和触发低风险信号,将阻断阈值向上修正0.05,每次修正后阻断阈值上限截断至0.95下限截断至0.15,若新熵值不满足任一触发条件阻断阈值维持不变,调节完成后以最终阈值与待流转操作风险值比对决定放行或阻断。
15、更进一步地,所述步骤4中,阻断事件的日志记录与链上存证形成去中心化审计证据链,当数据流转操作因风险值超出动态阻断阈值被阻断时,阻断节点生成一条日志,日志内容限定为脱敏操作哈希标识、毫秒级时间戳和任务标识三项不包含原始数据及脱敏参数,各节点将日志在本地累积,每经过固定时间间隔或日志条数达预设阈值时,将本周期内全部日志作为一批次逐条计算哈希值,并以这些哈希值为叶子节点构建默克尔树,树根哈希与时间戳打包,为微区块后各节点运行轻量级拜占庭容错共识协议,对区块头和根哈希进行表决上链,任何节点凭链上根哈希即可验证其他节点日志原文的完整性与防篡改性而无需接触原文,合规审计时被授权方用专属密钥解密脱敏操作哈希标识与实际策略的映射表完成追溯。
16、与现有技术相比,该面向数据合规的多源敏感信息动态脱敏与流转追踪方法具备如下有益效果:
17、一、本发明通过联邦强化学习框架实现多方脱敏策略的隐匿协同优化,各节点仅在本地探索脱敏算子组合并上传加密梯度,全程不暴露原始数据与脱敏参数细节,在满足数据不出域这一合规刚性约束的前提下,使得联合分析效用随训练迭代持续提升。奖励函数中引入隐私惩罚非线性加速衰减机制,引导智能体在数据效用与隐私保护之间自主趋近最优平衡点,避免传统静态脱敏方法因脱敏不足导致隐私泄露或因脱敏过度导致分析价值丧失的两难困境。
18、二、本发明通过安全多方计算协议聚合全局流转风险熵,使各节点能够基于系统整体风险态势而非单一本地视角动态调节阻断阈值,配合去中心化日志上链存证机制,首次在多方互不信任场景下实现了敏感数据流转风险的协同感知、自适应阻断与全程可审计追溯。各节点在不公开自身风险细节的前提下共享全局风险信息,阻断决策从孤立的本地判断升级为全局联动的动态调控,有效防范了敏感信息跨域级联传播风险。
19、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。
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