标识信息处理方法、装置、电子设备、介质及程序产品与流程

本技术涉及隐私计算，可用于金融科技领域或其他领域，更具体地涉及一种标识信息处理方法、装置、电子设备、介质及程序产品。

背景技术：

1、在跨机构数据协作场景中，为实现客户画像补全或联合风控，常需在保护隐私的前提下确定双方共有的标识信息（如用户标识、手机号等）。

2、现有的常规方案通常依赖于一方将自身持有的明文标识信息直接发送给另一方，或由接收方对收到的明文标识信息进行哈希运算后进行比对。这类方法虽然实现简单，但在数据传输和处理过程中，标识信息均以明文或单一哈希的形式暴露，缺乏有效的隐私保护层。

3、由此可见，相关技术中在跨机构数据协作场景下的标识信息处理方式，存在安全性不足的技术问题。

技术实现思路

1、鉴于上述问题，本技术的实施例提供了一种标识信息处理方法、装置、电子设备、介质及程序产品。

2、根据本技术的第一方面，提供了一种标识信息处理方法，应用于第一参与方，方法包括：响应于接收到第二参与方发送的非对称加密公钥，对本地存储的第一标识信息集合中的每个标识信息进行哈希处理，得到第一哈希标识集合；为第一哈希标识集合中的每个哈希标识生成随机数并保存，基于非对称加密公钥和每个哈希标识的随机数，对第一哈希标识集合中的每个哈希标识进行加密，得到加密混淆标识集合，并将加密混淆标识集合发送至第二参与方；接收第二参与方返回的解密标识集合及第二哈希标识集合，解密标识集合是第二参与方基于非对称加密公钥对应的私钥对加密混淆标识集合进行解密得到的，第二哈希标识集合是第二参与方对其本地存储的第二标识信息集合进行哈希处理得到的；基于每个哈希标识的随机数对解密标识集合中对应的解密标识进行随机数消除，得到待比对标识集合；将待比对标识集合与第二哈希标识集合进行比对，确定共同标识信息集合，共同标识信息集合表征第一标识信息集合与第二标识信息集合中存在的共同标识信息所在的集合。

3、根据本技术的实施例，基于非对称加密公钥和每个哈希标识的随机数，对第一哈希标识集合中的每个哈希标识进行加密，得到加密混淆标识集合，包括：根据非对称加密公钥的模数和公钥指数，基于每个哈希标识与每个哈希标识的随机数进行加密运算，生成每个哈希标识对应的加密混淆标识；基于每个哈希标识对应的加密混淆标识，构建加密混淆标识集合。

4、根据本技术的实施例，基于每个哈希标识的随机数对解密标识集合中对应的解密标识进行随机数消除，得到待比对标识集合，包括：确定解密标识集合中的每个解密标识分别对应的第一哈希标识集合中的每个哈希标识所关联的随机数；基于随机数对解密标识执行逆运算，得到每个解密标识对应的待比对标识；基于每个解密标识对应的待比对标识，构建待比对标识集合。

5、根据本技术的实施例，在将待比对标识集合与第二哈希标识集合进行比对，确定共同标识信息集合之后，方法还包括：确定共同标识信息集合中的标识信息所对应的归属主体的第一交易数据；将第一交易数据输入至训练好的纵向联邦学习模型进行违约预测，得到纵向联邦学习模型输出的共同标识信息集合中的标识信息所对应的归属主体的违约风险。

6、根据本技术的实施例，纵向联邦学习模型包括位于第一参与方的第一特征提取层、位于第二参与方的第二特征提取层、位于第一参与方的交互融合层和位于第一参与方的分类预测层；将第一交易数据输入至训练好的纵向联邦学习模型进行违约预测，得到纵向联邦学习模型输出的违约预测结果，包括：将第一交易数据输入至第一特征提取层进行特征变换，得到第一特征向量；接收第二参与方发送的第二特征向量，第二特征向量是第二参与方将共同标识信息集合确定的第二交易数据输入至第二特征提取层进行特征变换得到的；将第一特征向量与第二特征向量输入至交互融合层进行特征融合，得到融合特征；将融合特征输入至分类预测层进行分类预测，得到违约风险。

7、根据本技术的实施例，纵向联邦学习模型包括第一特征提取层、第二特征提取层、交互融合层和分类预测层；纵向联邦学习模型通过以下方式训练：基于共同标识信息集合，构建训练样本集，训练样本集包括：第一交易数据样本以及对应的真实违约风险标签；将第一交易数据样本输入至第一特征提取层进行特征变换，得到第一特征训练向量；接收第二参与方发送的第二特征训练向量，第二特征训练向量是第二参与方将共同标识信息集合确定的第二交易数据样本输入至第二特征提取层进行特征变换得到的；将第一特征训练向量与第二特征训练向量输入至交互融合层进行特征融合，得到融合训练特征；将融合训练特征输入至分类预测层进行分类预测，得到预测违约风险标签；基于预测违约风险标签与真实违约风险标签，利用预设的损失函数确定纵向联邦学习模型的预测损失。

8、根据本技术的实施例，在基于预测违约风险标签与真实违约风险标签，利用预设的损失函数确定纵向联邦学习模型的预测损失之后，方法还包括：确定预测损失相对于纵向联邦学习模型中各个层级参数的梯度；在各个层级参数的梯度上分别添加符合拉普拉斯分布的随机噪声，得到带噪声梯度组；基于带噪声梯度组对纵向联邦学习模型中各个层级参数进行更新，得到训练好的纵向联邦学习模型。

9、根据本技术的实施例，基于带噪声梯度组对纵向联邦学习模型中各个层级参数进行更新，得到训练好的纵向联邦学习模型，包括：确定带噪声梯度组中第一特征提取层对应的第一噪声梯度与分类预测层对应的第二噪声梯度；基于第一噪声梯度对第一特征提取层进行更新，基于第二噪声梯度对分类预测层进行更新；将第一噪声梯度发送至第二参与方，第二参与方基于接收到的第一噪声梯度对第二参与方的第二特征提取层进行更新。

10、根据本技术的第二方面，提供了一种标识信息处理装置，包括：公钥接收模块，用于响应于接收到第二参与方发送的非对称加密公钥，对本地存储的第一标识信息集合中的每个标识信息进行哈希处理，得到第一哈希标识集合；随机加密模块，用于为第一哈希标识集合中的每个哈希标识生成随机数并保存，基于非对称加密公钥和每个哈希标识的随机数，对第一哈希标识集合中的每个哈希标识进行加密，得到加密混淆标识集合，并将加密混淆标识集合发送至第二参与方；集合接收模块，用于接收第二参与方返回的解密标识集合及第二哈希标识集合，解密标识集合是第二参与方基于非对称加密公钥对应的私钥对加密混淆标识集合进行解密得到的，第二哈希标识集合是第二参与方对其本地存储的第二标识信息集合进行哈希处理得到的；随机消除模块，用于基于每个哈希标识的随机数对解密标识集合中对应的解密标识进行随机数消除，得到待比对标识集合；标识确定模块，用于将待比对标识集合与第二哈希标识集合进行比对，确定共同标识信息集合，共同标识信息集合表征第一标识信息集合与第二标识信息集合中存在的共同标识信息所在的集合。

11、根据本技术的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个计算机程序，其中，上述一个或多个处理器执行上述一个或多个计算机程序以实现上述方法的步骤。

12、根据本技术的第四方面，还提供了一种计算机可读存储介质，其上存储有计算机程序或指令，上述计算机程序或指令被处理器执行时实现上述方法的步骤。

13、根据本技术的第五方面，还提供了一种计算机程序产品，包括计算机程序或指令，上述计算机程序或指令被处理器执行时实现上述方法的步骤。