隐私计算参与方激励评估方法、装置、设备及存储介质与流程
本技术涉及隐私计算领域,尤其涉及一种隐私计算参与方激励评估方法、装置、设备及存储介质。
背景技术:
1、多方机构开展隐私计算协作时,通常采用联邦学习、多方安全计算等方式进行联合建模,并基于既有规则对参与方贡献进行评估与收益分配。
2、然而,现有评估方案多侧重数据对模型效果的贡献,或按数据量、历史投入进行分配,难以同时反映数据质量、算力占用、网络传输等实际资源投入;在参与方增多和跨平台协作场景下,还易出现计算开销较大、评估结果与实际价值偏离的问题。
3、因此,如何在多方隐私计算协作中兼顾评估全面性、分配公平性与计算效率,准确量化各参与方的实际贡献,成为需要解决的技术问题。
技术实现思路
1、本技术实施例提供一种隐私计算参与方激励评估方法,以解决上述技术问题。该方法面向隐私计算合作场景下多参与方贡献评估与收益分配需求,综合考虑参与方在协作过程中的资源投入、数据价值、实施成本以及对模型性能提升的贡献,对各参与方的实际贡献进行量化评估,并在此基础上确定与其贡献相匹配的收益分配结果和激励值,从而兼顾评估全面性、分配公平性与评估结果的合理性。
2、第一方面,本技术实施例提供一种隐私计算参与方激励评估方法,包括:针对隐私计算合作中各参与方,获取参与方在隐私计算合作中的计算资源使用信息、网络资源使用信息和数据资源参数;数据资源参数包括数据条数、特征维度数量、更新频率和数据质量指标;基于参与方的计算资源使用信息、网络资源使用信息和数据资源参数,确定参与方的综合得分;获取各参与方的数据实施成本和模型性能贡献值;其中,数据实施成本用于表征参与方在参与隐私计算时投入的全链路实施成本,模型性能贡献值用于表征由于参与方的参与带来的模型性能边际提升幅度;基于隐私计算合作中各参与方的模型性能贡献值和数据实施成本,计算超额收益;基于隐私计算合作中各参与方的综合得分和模型性能贡献值,确定各参与方的收益占比;基于各参与方的数据实施成本,以及各参与方的收益占比与超额收益的乘积,确定各参与方的激励值。
3、在一个可能的实施例中,基于参与方的计算资源使用信息、网络资源使用信息和数据资源参数,确定参与方的综合得分,包括:基于数据条数、特征维度数量和更新频率,确定数据资源得分;基于数据质量指标,确定数据质量得分;基于参与方的计算资源使用信息,确定参与方的计算资源得分;基于参与方的网络资源使用信息,确定参与方的网络资源得分;基于参与方的数据资源得分、数据质量得分、计算资源得分和网络资源得分,确定参与方的综合得分。
4、在一个可能的实施例中,基于参与方的数据资源得分、数据质量得分、计算资源得分和网络资源得分,确定参与方的综合得分,包括:基于隐私计算合作的合作场景,确定数据资源得分、数据质量得分、计算资源得分和网络资源得分各自的权重系数;基于确定的权重系数,对数据资源得分、数据质量得分、计算资源得分和网络资源得分进行加权,得到参与方的综合得分。
5、在一个可能的实施例中,获取各参与方的数据实施成本,包括:针对各参与方,若参与方为合作方,则基于合作方的数据采集成本、数据清洗与脱敏成本、存储空间租赁成本、安全保障成本以及日常运维与灾备成本,确定合作方的数据实施成本。
6、在一个可能的实施例中,获取各参与方的数据实施成本,包括:针对各参与方,若参与方为中转方,则基于中转方的安全聚合协调及算力成本、安全保障成本以及日常运维与灾备成本,确定中转方的数据实施成本。
7、在一个可能的实施例中,该方法还包括:针对各参与方,从区块链或秘密共享分布式存储中调取参与方经过哈希运算和加密处理的佐证材料;对佐证材料进行解密,并基于哈希值,对解密后的佐证材料进行校验;若校验通过,则基于解密后的佐证材料对参与方的数据实施成本进行核验,以基于核验通过的数据实施成本计算超额收益和贡献值。
8、在一个可能的实施例中,该方法还包括:若核验未通过,则基于解密后的佐证材料对参与方的数据实施成本进行修正,以基于修正后数据实施成本计算超额收益和贡献值。
9、在一个可能的实施例中,获取各参与方的模型性能贡献值,包括:获取各参与方子集的模型性能指标,参与方子集由隐私计算合作的部分参与方组成;若隐私计算合作的参与方数量小于或等于预设数量,则针对各参与方,基于沙普利值公式,以及不包含参与方的各目标参与方子集的模型性能指标,计算参与方加入各目标参与方子集后模型性能的边际提升量的期望值,得到参与方的模型性能贡献值。
10、在一个可能的实施例中,该方法还包括:若隐私计算合作的参与方数量大于预设数量,则循环执行t次对隐私计算合作的全部参与方的随机排列操作;每执行一次随机排列操作,提取当前排列中当前参与方之前的全部参与方形成的临时子集,分别获取临时子集的模型性能指标,以及临时子集加入当前参与方后的模型性能指标;计算当前参与方加入临时子集前后的模型性能指标的差值,得到当前排列下当前参与方的模型性能边际提升量;计算t次随机排列操作得到的各排列下当前参与方的模型性能边际提升量的平均值,得到当前参与方的模型性能贡献值。
11、在一个可能的实施例中,基于隐私计算合作中各参与方的综合得分和模型性能贡献值,确定各参与方的收益占比,包括:针对各参与方,确定参与方的收益占位为,参与方的综合得分与模型性能贡献值的乘积,与各参与方的综合得分与模型性能贡献值的乘积的累积值的比值。
12、在一个可能的实施例中,基于各参与方的数据实施成本,以及各参与方的收益占比与超额收益的乘积,确定各参与方的激励值,包括:针对各参与方,确定参与方的激励值为,参与方的数据实施成本与参与方的收益占比与超额收益的乘积之和。
13、在一个可能的实施例中,获取参与方在隐私计算合作中的计算资源使用信息、网络资源使用信息和数据资源参数,包括:监测各参与方计算节点的资源占用,采集算力消耗时长、内存占用容量和存储空间容量,得到各参与方的计算资源使用信息;监测各参与方的传输链路与流量运行指标,采集传输字节总量、路由转发数据包数量、安全聚合算力消耗和数据包丢失率,得到网络资源使用信息;通过数据资源探针监测数据流动资源,采集数据条数、特征维度、更新频率和数据质量指标,得到数据资源参数。
14、第二方面,本技术实施例提供一种隐私计算参与方激励评估装置,包括:数据获取模块,用于针对隐私计算合作中各参与方,获取参与方在隐私计算合作中的计算资源使用信息、网络资源使用信息和数据资源参数;数据资源参数包括数据条数、特征维度数量、更新频率和数据质量指标;综合得分确定模块,用于基于参与方的计算资源使用信息、网络资源使用信息和数据资源参数,确定参与方的综合得分;成本获取模块,用于获取各参与方的数据实施成本和模型性能贡献值;其中,数据实施成本用于表征参与方在参与隐私计算时投入的全链路实施成本,模型性能贡献值用于表征由于参与方的参与带来的模型性能边际提升幅度;超额收益计算模块,用于基于隐私计算合作中各参与方的模型性能贡献值和数据实施成本,计算超额收益;收益占比确定模块,用于基于隐私计算合作中各参与方的综合得分和模型性能贡献值,确定各参与方的收益占比;激励值确定模块,用于基于各参与方的数据实施成本,以及各参与方的收益占比与超额收益的乘积,确定各参与方的激励值。
15、第三方面,本技术实施例提供一种电子设备,包括:存储器,处理器;存储器存储计算机执行指令;处理器执行存储器存储的计算机执行指令,使得处理器执行上述提供的方法。
16、第四方面,本技术实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现上述提供的方法。
17、第五方面,本技术实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述提供的方法。
18、本技术实施例提供的隐私计算参与方激励评估方法、装置、设备及存储介质,通过获取各参与方在隐私计算合作中的计算资源使用信息、网络资源使用信息和数据资源参数,确定参与方的综合得分,并结合各参与方的数据实施成本、模型性能贡献值以及由此计算得到的超额收益、收益占比和激励值,能够将资源投入、数据要素价值、实施代价与模型性能增益进行协同量化评估,进而更准确地反映各参与方在隐私计算协作中的实际贡献,提高收益分配与激励结果的公平性、合理性和适用性。
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