一种协同识别模型训练方法、装置、电子设备和存储介质与流程
本申请实施例涉及计算机,尤其涉及金融科技领域,具体涉及一种协同识别模型训练方法、装置、电子设备和存储介质。
背景技术:
1、近年来,随着人工智能在金融领域的深入应用,银行等金融机构对人脸、声纹等生物特征识别模型的需求日益增长。由于客户端设备广泛分布于各地分支机构,各网点独立采集并存储本地客户数据,受数据隐私保护法规限制,原始数据无法直接汇聚,亟需通过联邦学习在数据不出域的前提下联合训练高质量识别模型。然而,现有联邦学习系统在面向金融业务场景时,仍难以满足安全性需求。
技术实现思路
1、本申请提供一种协同识别模型训练方法、装置、电子设备和存储介质,以提升模型训练的安全性。
2、第一方面,本申请实施例还提供了一种基于联邦学习的协同识别模型训练方法,包括:
3、将区块链中最新区块的哈希值作为随机源,通过可验证随机函数从在线网点客户端中随机选择参与本轮训练的目标客户端;其中,所述最新区块为上一轮训练完成后上链的存证区块,包括上一轮训练聚合结果的存证信息;
4、根据所述最新区块的哈希值确定各目标客户端所对应的当前量子密钥;
5、采用各目标客户端对应的当前量子密钥分别对当前全局识别模型进行加密,生成对应各目标客户端的模型密文,并将所述模型密文下发至各目标客户端,以使各目标客户端使用局部存储的当前量子密钥解密后,利用局部训练数据对模型进行训练生成新局部权重,并采用所述当前量子密钥将所述新局部权重加密为局部识别模型密文反馈至中心服务器;
6、接收各目标客户端反馈的局部识别模型密文,采用与各目标客户端加密时配对的当前量子密钥对所述局部识别模型密文进行解密,得到各目标客户端的新局部权重;
7、对各目标客户端的新局部权重进行加权聚合,生成当前全局识别模型。
8、第二方面,本申请实施例还提供了一种基于联邦学习的协同识别模型训练装置,包括:
9、客户端选择模块,用于将区块链中最新区块的哈希值作为随机源,通过可验证随机函数从在线网点客户端中随机选择参与本轮训练的目标客户端;其中,所述最新区块为上一轮训练完成后上链的存证区块,包括上一轮训练聚合结果的存证信息;
10、当前量子密钥模块,用于根据所述最新区块的哈希值确定各目标客户端所对应的当前量子密钥;
11、模型密文模块,用于采用各目标客户端对应的当前量子密钥分别对当前全局识别模型进行加密,生成对应各目标客户端的模型密文,并将所述模型密文下发至各目标客户端,以使各目标客户端使用局部存储的当前量子密钥解密后,利用局部训练数据对模型进行训练生成新局部权重,并采用所述当前量子密钥将所述新局部权重加密为局部识别模型密文反馈至中心服务器;
12、局部模型解密模块,用于接收各目标客户端反馈的局部识别模型密文,采用与各目标客户端加密时配对的当前量子密钥对所述局部识别模型密文进行解密,得到各目标客户端的新局部权重;
13、全局模型聚合模块,用于对各目标客户端的新局部权重进行加权聚合,生成当前全局识别模型。
14、第三方面,本申请实施例还提供了电子设备,该电子设备包括:
15、一个或多个处理器;
16、存储装置,用于存储一个或多个程序;
17、当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如本申请实施例提供的任意一种协同识别模型训练方法。
18、第四方面,本申请实施例还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上存储有计算机程序,所述计算机程序被处理器执行时实现如本申请实施例提供的任意一种协同识别模型训练方法。
19、第五方面,本申请实施例还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实现如本申请实施例提供的任意一种协同识别模型训练方法。
20、本申请的技术方案,利用区块链最新区块哈希值作为统一随机熵源,同时驱动vrf实现客户端选择的不可预测与可审计,并作为qkd系统的熵源生成量子密钥,用于模型参数的加密传输与解密训练。该机制将区块链的不可篡改特性与qkd的信息论安全深度融合,既确保了训练过程的可追溯性与随机性公开验证,又通过量子密钥实现了密文的安全传输,在保障数据隐私的前提下,提升了跨网点识别模型的联邦聚合与泛化能力。
1.一种基于联邦学习的协同识别模型训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述最新区块的哈希值确定各目标客户端所对应的当前量子密钥包括:
3.根据权利要求2所述的方法,其特征在于,所述驱动量子密钥轮换,生成当前量子密钥池包括:
4.根据权利要求1所述的方法,其特征在于,所述对各目标客户端的新局部权重进行加权聚合,生成当前全局识别模型,包括:
5.根据权利要求4所述的方法,其特征在于,所述哈希验证成功后,还包括:
6.根据权利要求1所述的方法,其特征在于,所述生成当前全局识别模型之后,还包括:
7.根据权利要求1所述的方法,其特征在于,所述局部训练数据通过如下方式获得:
8.一种基于联邦学习的协同识别模型训练装置,其特征在于,包括:
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一所述的协同识别模型训练方法。
10.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7任一所述的协同识别模型训练方法。
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