联邦计算的处理方法、装置、电子设备和存储介质与流程

1.本公开涉及人工智能技术领域，尤其涉及大数据、云计算、深度学习技术领域，具体涉及一种联邦计算的处理方法、装置、电子设备和存储介质。


背景技术：

2.联邦计算，是指使用多方安全计算(multi
‑
party computation，mpc)、可信执行环境(trusted execution environment，tee)、联邦学习(federated learning，fl)等隐私安全技术，为多方数据安全合作提供数据可用不见的数据分析环境。对数据在流通过程的隐私安全产生着重要的影响。
3.如何提升联邦计算的性能，是亟待解决的问题。


技术实现要素：

4.本公开提出一种联邦计算的处理方法、装置、电子设备和存储介质。
5.根据本公开的一方面，提供了一种联邦计算的处理方法，包括：
6.基于待执行的任务标识，从每个参与方获取待处理的元数据；
7.将每个所述元数据进行切分，以获取每个参与方对应的n个数据切片，其中，n为大于1的正整数；
8.根据每个参与方对应的n个数据切片，生成n个数据集；
9.调用与所述任务标识对应的n个数据处理服务，以利用每个所述数据处理服务对每个所述数据集进行处理；
10.根据每个所述数据处理服务的处理结果，确定所述任务标识对应的联邦计算结果。
11.根据本公开的另一方面，提供了一种联邦计算的处理装置，包括：
12.获取模块，用于基于待执行的任务标识，从每个参与方获取待处理的元数据；
13.切分模块，用于将每个所述元数据进行切分，以获取每个参与方对应的n个数据切片，其中，n为大于1的正整数；
14.生成模块，用于根据每个参与方对应的n个数据切片，生成n个数据集；
15.处理模块，用于调用与所述任务标识对应的n个数据处理服务，以利用每个所述数据处理服务对每个所述数据集进行处理；
16.确定模块，用于根据每个所述数据处理服务的处理结果，确定所述任务标识对应的联邦计算结果。
17.根据本公开的另一方面，提供了一种电子设备，包括：
18.至少一个处理器；以及
19.与所述至少一个处理器通信连接的存储器；其中，
20.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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上述一方面实施例所述的方法。
21.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述一方面实施例所述的方法。
22.根据本公开的另一方面，提供了一种计算机程序产品，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上述一方面实施例所述的方法。
23.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
24.附图用于更好地理解本方案，不构成对本公开的限定。其中：
25.图1为本公开实施例所提供的一种联邦计算的处理方法的流程示意图；
26.图2为本公开实施例所提供的一种哈希分桶的数据切分的示意图；
27.图3为本公开实施例所提供的一种顺序分桶的数据切分的示意图；
28.图4为本公开实施例所提供的另一种联邦计算的处理方法的流程示意图；
29.图5为本公开实施例提供的一种联邦计算平台的架构示意图；
30.图6为本公开实施例提供的另一种联邦计算的处理方法的流程示意图；
31.图7为本公开实施例提供的另一种联邦计算平台的架构示意图；
32.图8为本公开实施例提供的一种联邦计算的处理装置的结构示意图；
33.图9是用来实现本公开实施例的联邦计算的处理方法的电子设备的框图。
具体实施方式
34.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
35.下面参考附图描述本公开实施例的联邦计算的处理方法、装置、电子设备和存储介质。
36.人工智能是研究使用计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术领域也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术包括计算机视觉技术、语音识别技术、自然语言处理技术以及深度学习、大数据处理技术、知识图谱技术等几大方向。
37.云计算，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源包括服务器、操作系统、网络、软件、应用和存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
38.下面结合本公开各实施例对本公开提供的联邦计算的处理方法进行详细说明。本公开提供的联邦计算的处理方法的执行主体为联邦计算平台。
39.图1为本公开实施例所提供的一种联邦计算的处理方法的流程示意图。
40.如图1所示，该联邦计算的处理方法包括：
41.步骤101，基于待执行的任务标识，从每个参与方获取待处理的元数据。
42.其中，待执行的任务标识，可以为任一可以唯一标识某一联邦计算任务的标识。
43.本公开中联邦计算平台，可以首先确定待执行的任务标识，进而从每个参与方获取与待执行的任务标识相关的元数据。
44.例如，联邦计算平台要执行的任务为语音识别模型，且参与方包括a和b，其中，参与方a中与语音识别模型相关的元数据为a，参与方b与语音识别模型相关的元数据为b。从而联邦计算平台，即可从参与方a中获取元数据a，并从参与方b中获取元数据b。
45.可以理解的是，联邦计算平台从各个参与方获取的元数据，为与待执行的任务标识相关的中介数据，即该元数据可以描述各个参与方自有数据的特性，并用于进行模型训练等联邦计算任务，但是并非自有数据本身。
46.步骤102，将每个元数据进行切分，以获取每个参与方对应的n个数据切片。
47.可选的，可以先根据所述待执行的任务标识，确定数据切分模式。其中，数据切分模式可以包括哈希分桶切分和顺序分桶切分。
48.在确定数据切分模式之后，可以基于所述数据切分模式，将每个所述元数据进行切分，以获取每个参与方对应的n个数据切片，其中，n为大于1的正整数。
49.需要说明的是，可以根据需要，为不同类型的任务标识，配置不同的切分模式。例如，哈希分桶切分的优势在于查找和插入数据的速度非常快，并减少了空间的消耗。因此，在进行安全加密、唯一标识、数据校验、散列函数、负载均衡(比如一致性哈希)或分布式缓存时，可以使用哈希分桶切分。特别的，在两个参与方数据量大小不一样的场景中，如psi(隐私数据求交集)算法就必须要采用哈希分桶切分。顺序分桶切分的优势在于数据切分的效率较高，并且比较稳定。因此，在数据序列比较均匀的情况下，可以使用顺序分桶切分。
50.下面结合图2，对哈希分桶的数据切分进行详细说明。图2为本公开实施例提供的一种哈希分桶的数据切分的示意图。
51.如图2所示，待处理的元数据可以是{d1，d2，d3，d4，d5，d6}，对待处理的元数据进行哈希分桶的数据切分，得到的数据切分结果可以是{[d1，d3，d4]，[d2，d5，d6]}。即，将待处理的元数据切分为两个较小的数据切片，并且由于哈希分桶切分是根据每个数据的唯一的标识值求哈希后，放入相对应的桶中，所以得到的数据切分结果不是按照待处理的元数据的顺序进行切分。
[0052]
下面结合图3，对顺序分桶的数据切分进行详细说明。图3为本公开实施例提供的一种顺序分桶的数据切分的示意图。
[0053]
如图3所示，待处理的元数据可以是{d1，d2，d3，d4，d5，d6}，对待处理的元数据进行顺序分桶的数据切分，得到的数据切分结果可以是{[d1，d2，d3]，[d4，d5，d6]}。由此可见，顺序分桶切分是指将每个数据按照顺序均匀地放入每个桶中。
[0054]
需要说明的是，上述将每个参与方对应数据，分为n个数据切片的处理过程，也可以有各个参与方单独执行。即每个参与方基于待执行的任务标识，确定待处理的元数据，在确定待处理的元数据之后，每个参与方分别将各自的每个元数据进行切分，以获取每个参与方对应的n个数据切片。之后各个参与方再将切分后的n个数据切片分别同步给联邦计算平台即可。
[0055]
步骤103，根据每个参与方对应的n个数据切片，生成n个数据集。
[0056]
本公开中，本公开的执行主体可以将每个参与方的n个数据切片，之后与除了自身以外的其他参与方对应的n个数据切片分别进行组合，以生成n个数据集。
[0057]
可以理解的是，每个数据集中包括每个参与方的一个数据切片。
[0058]
步骤104，调用与任务标识对应的n个数据处理服务，以利用每个数据处理服务对每个数据集进行处理。
[0059]
本公开中，在生成了与待执行的任务标识对应的n个数据集后，即可调用n个线程，以运行n个数据处理服务，分别对每个数据集进行处理，从而极大的提升了联邦计算的速度。
[0060]
步骤105，根据每个数据处理服务的处理结果，确定任务标识对应的联邦计算结果。
[0061]
具体的，由于每个数据集中都包括各个参与的一个数据切片，即根据每个数据集得到的处理结果，可以认为是利用少量的联邦数据进行联邦计算得到一个结果，之后，将多个处理结果进行融合，即可得到全量的联邦数据进行联邦计算后的计算结果。
[0062]
可选的，可以将多个数据处理服务的处理结果进行平均，以得到联邦计算结果，或者也可以将多个数据处理服务的处理结果进行加权融合，以得到联邦计算结果，本公开对此不做限定。
[0063]
可选的，在确定任务标识对应的联邦计算结果之后，还可以将所述联邦计算结果发送给各个所述参与方。
[0064]
本公开实施例中，通过基于待执行的任务标识，从每个参与方获取待处理的元数据，并将每个元数据进行切分，以获取每个参与方对应的n个数据切片，之后根据每个参与方对应的n个数据切片，生成n个数据集，再调用与任务标识对应的n个数据处理服务，以利用每个数据处理服务对每个数据集进行处理，最后根据每个数据处理服务的处理结果，确定任务标识对应的联邦计算结果。由此，在进行联邦计算时，通过利用数据并行的方式实现联邦学习的并行化，极大的提升了联邦计算的速度，为大规模数据隐私计算的使用提供了技术可行性。
[0065]
通过上述分析可知，本公开中，可以根据每个数据处理服务的处理结果，确定任务标识对应的联邦计算结果。在一种可能的实现形式中，联邦计算的过程可能需要多轮迭代更新，因此本公开中，可以在每次获取到联邦计算结果后，根据该任务标识对应的收敛条件，判断任务标识对应的任务是否结束，以确定是否继续进行联邦计算。下面结合图4对上述情况进行说明，图4为本公开实施例所提供的另一种联邦计算的处理方法的流程示意图。
[0066]
如图4所示，该联邦计算的处理方法包括：
[0067]
步骤401，基于待执行的任务标识，从每个参与方获取待处理的元数据。
[0068]
步骤402，将每个元数据进行切分，以获取每个参与方对应的n个数据切片，其中，n为大于1的正整数。
[0069]
步骤403，根据每个参与方对应的n个数据切片，生成n个数据集。
[0070]
步骤404，调用与任务标识对应的n个数据处理服务，以利用每个数据处理服务对每个数据集进行处理。
[0071]
本公开中，步骤401
‑
404的具体实现方式可参照本公开中其他实施例的详细描述，在此不再赘述。
[0072]
步骤405，获取每个数据处理服务返回的处理结果。
[0073]
步骤406，将n个处理结果进行融合，以获取融合结果。
[0074]
本公开中，联邦计算平台，可以采用图5所示的架构。图5为本公开实施例提供的一种联邦计算平台的架构示意图。
[0075]
图5中，以参与方为参与方a和参与方b为例，如图5所示，参与方a对应的待处理的元数据为x。参与方b对应的待处理的元数据为y。执行主体可以在基于待执行的任务标识，从参与方a和参与方b获取x和y之后，调用数据切分(split)程序对x和y进行数据切分。其中，split程序是能够将大文件切割成很多小文件的程序。这里，split程序将x和y切分为更小的数据切片，比如，将x和y分别切分后，得到参与方a和参与方b对应的n个数据切片，如图5中的fla
‑
0、fla
‑
1、fla
‑…
、fla
‑
n、flb
‑
0、flb
‑
1、flb
‑…
、flb
‑
n。再将参与方a中的第一个数据切片和参与方b中的第一个数据切片进行组合，得到一个数据集，并按照上述方法依次类推，直到将参与方a与参与方b中的数据切片全部进行组合，生成n个数据集(fla
‑
0、flb
‑
0)、(fla
‑
1、flb
‑
1)、(fla
‑…
、flb
‑…
)、(fla
‑
n、flb
‑
n)。
[0076]
在得到n个数据集之后，即可调用与所述任务标识对应的n个数据处理服务，以利用每个所述数据处理服务对每个所述数据集进行处理。最后每个数据处理服务即可将得到的处理结果，发送给数据融合服务，如图5中的psa、psb，由psa及psb对各个数据处理服务的处理结果进行融合，以生成任务标识对应的联邦计算结果。
[0077]
本公开中，在利用每个数据处理服务对每个数据集进行处理，得到n个处理结果后，可以调用相应的数据汇总器对n个处理结果进行融合，从而，得到融合结果。
[0078]
可以理解的是，为了避免联邦计算任务不停循环，本公开中联邦计算平台可以为每个联邦计算任务都设置一定的任务结束条件，从而在保证联邦计算结果足够准确的情况下，尽量减少无效计算的次数。其中任务结束条件，可以根据需要设置，比如计算次数、计算结果的精度等等，本公开对此不做限定。
[0079]
本公开中，在确定每次联邦计算后的融合结果后，即可判断当前是否已达到任务结束条件。比如，可以根据已执行的联邦计算次数，判断是否达到结束条件。或者，也可以根据当前的融合结果与上一次联邦计算得到的融合结果间的差异，确定是否达到任务结束条件等等，本公开对此不做限定。
[0080]
步骤407，在确定任务标识对应的任务未结束的情况下，将融合结果分发给n个数据处理服务，以使每个数据处理服务基于融合结果继续对对应的数据集进行处理，直至确定任务标识对应的任务已结束，根据最新的n个处理结果，确定任务标识对应的联邦计算结果。
[0081]
本公开中，可以先确定任务标识对应的任务是否结束，在确定任务标识对应的任务未结束的情况下，可以将融合结果分发给n个数据处理服务。每个数据处理服务在接收到融合结果之后，可以基于融合结果继续对对应的数据集进行处理，直至确定任务标识对应的任务已结束。之后，即可根据最新的n个处理结果，确定任务标识对应的联邦计算结果。
[0082]
步骤408，在确定任务标识对应的任务已结束的情况下，确定融合结果为任务标识对应的联邦计算结果。
[0083]
本公开中，在确定任务标识对应的任务已结束的情况下，可以将任务标识对应的任务结束后得到的融合结果，确定为任务标识对应的联邦计算结果。
[0084]
例如，任务标识对应的任务可以是训练人脸识别模型，且训练次数为k次。那么联邦计算平台，即可在每次得到融合结果后，即判断已执行的联邦计算次数，是否达到k，若未达到，则确定任务未结束，若已达到，则确定任务结束。
[0085]
本公开实施例中，在利用每个数据处理服务对每个数据集进行处理后，可以获取每个数据处理服务返回的处理结果，并将n个处理结果进行融合，以获取融合结果，在确定任务标识对应的任务未结束的情况下，将融合结果分发给n个数据处理服务，以使每个数据处理服务基于融合结果继续对对应的数据集进行处理，直至确定任务标识对应的任务已结束，根据最新的n个处理结果，确定任务标识对应的联邦计算结果，在确定任务标识对应的任务已结束的情况下，确定融合结果为任务标识对应的联邦计算结果。由此，通过为联邦计算任务设置结束，从而在保证最终的联邦计算结果准确的情况下，尽量避免了对任务进行无效计算的情况，进一步提高了联邦计算的速度。
[0086]
下面结合图6进行说明，图6为本公开实施例所提供的另一种联邦计算的处理方法的流程示意图。
[0087]
如图6所示，该联邦计算的处理方法包括：
[0088]
步骤601，基于待执行的任务标识，从每个参与方获取待处理的元数据。
[0089]
步骤602，将每个元数据进行切分，以获取每个参与方对应的n个数据切片，其中，n为大于1的正整数。
[0090]
步骤603，根据每个参与方对应的n个数据切片，生成n个数据集。
[0091]
步骤604，调用与任务标识对应的n个数据处理服务，以利用每个数据处理服务对每个数据集进行处理。
[0092]
本公开中，步骤601
‑
604的具体实现方式可参照本公开中其他实施例的详细描述，在此不再赘述。
[0093]
步骤605，获取任一数据处理服务返回的融合结果，其中，融合结果为任一数据处理服务将每个数据处理服务的处理结果进行融合后生成的。
[0094]
本公开中，联邦计算平台可以采用如图7所示的架构。图7为本公开实施例提供的另一种联邦计算平台的架构示意图。
[0095]
图7中，以参与方为参与方a和参与方b为例，如图7所示，参与方a对应的待处理的元数据是数据a，参与方b对应的待处理的元数据是数据b。执行主体可以在基于待执行的任务标识，从参与方a和参与方b获取数据a和数据b之后，调用数据切分split程序对数据a和数据b进行数据切分。其中，split程序是能够将大文件切割成很多小文件的程序。这里，split程序将数据a和数据b切分为更小的数据切片，从而，可以得到参与方a和参与方b对应的n个数据切片，如图7中的workera
‑
0、workera
‑
1、workera
‑…
、workera
‑
n、workerb
‑
0、workerb
‑
1、workerb
‑…
、workerb
‑
n。再将参与方a中的第一个数据切片和参与方b中的第一个数据切片进行组合，得到一个数据集，并按照上述方法依次类推，直到将参与方a与参与方b中的数据切片全部进行组合，生成n个数据集(workera
‑
0、workerb
‑
0)、(workera
‑
1、workerb
‑
1)、(workera
‑…
、workerb
‑…
)、(workera
‑
n、workerb
‑
n)。
[0096]
在得到n个数据集之后，即可调用与所述任务标识对应的n个数据处理服务，以利用每个所述数据处理服务对每个所述数据集进行处理。在数据处理服务对每个所述数据集进行处理的过程中，每个数据处理服务在得到一次数据处理结果后，可以将该处理结果同
步给其余数据处理服务，从而使得各个数据处理服务可以基于多个处理结果，对自身的处理结果进行更新，得到融合后的处理结果。最后，根据每个所述数据处理服务更新后的处理结果，确定所述任务标识对应的联邦计算结果。
[0097]
步骤606，在确定任务标识对应的任务已结束的情况下，确定融合结果为任务标识对应的联邦计算结果。
[0098]
步骤607，在确定任务标识对应的任务未结束的情况下，将融合结果发送给任一数据处理服务，以使每个数据处理服务基于融合结果继续对对应的数据集进行处理，直至确定任务标识对应的任务已结束，将最新的融合结果，确定任务标识对应的联邦计算结果。
[0099]
本公开中，可以先确定任务标识对应的任务是否结束，在确定任务标识对应的任务未结束的情况下，可以将融合结果发送给任一数据处理服务。任一数据处理服务在接收到融合结果之后，可以基于融合结果继续对对应的数据集进行处理，直至确定任务标识对应的任务已结束。本公开的执行主体可以在任务标识对应的任务结束之后，将最新的融合结果，确定任务标识对应的联邦计算结果。
[0100]
步骤608，将联邦计算结果发送给各个参与方。
[0101]
本公开实施例中，在利用每个数据处理服务对每个数据集进行处理后，可以获取任一数据处理服务返回的融合结果，其中，融合结果为任一数据处理服务将每个数据处理服务的处理结果进行融合后生成的，在确定任务标识对应的任务已结束的情况下，确定融合结果为任务标识对应的联邦计算结果，在确定任务标识对应的任务未结束的情况下，将融合结果发送给任一数据处理服务，以使每个数据处理服务基于融合结果继续对对应的数据集进行处理，直至确定任务标识对应的任务已结束，将最新的融合结果，确定任务标识对应的联邦计算结果。由此，通过为联邦计算任务设置结束，从而在保证最终的联邦计算结果准确的情况下，尽量避免了对任务进行无效计算的情况，进一步提高了联邦计算的速度。
[0102]
为了实现上述实施例，本公开实施例还提出一种联邦计算的处理装置。图8为本公开实施例提供的一种联邦计算的处理装置的结构示意图。
[0103]
如图8所示，该联邦计算的处理装置包括：获取模块810、切分模块820、生成模块830、处理模块840和确定模块850。
[0104]
获取模块，用于基于待执行的任务标识，从每个参与方获取待处理的元数据；
[0105]
切分模块，用于将每个所述元数据进行切分，以获取每个参与方对应的n个数据切片，其中，n为大于1的正整数；
[0106]
生成模块，用于根据每个参与方对应的n个数据切片，生成n个数据集；
[0107]
处理模块，用于调用与所述任务标识对应的n个数据处理服务，以利用每个所述数据处理服务对每个所述数据集进行处理；
[0108]
确定模块，用于根据每个所述数据处理服务的处理结果，确定所述任务标识对应的联邦计算结果。
[0109]
在本公开实施例一种可能的实现方式中，所述切分模块820，具体用于：
[0110]
根据所述待执行的任务标识，确定数据切分模式；
[0111]
基于所述数据切分模式，将每个所述元数据进行切分，以获取每个参与方对应的n个数据切片。
[0112]
在本公开实施例一种可能的实现方式中，所述确定模块850，具体用于：
memory，只读存储器)902中的计算机程序或者从存储单元908加载到ram(random access memory，随机访问/存取存储器)903中的计算机程序，来执行各种适当的动作和处理。在ram 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、rom 902以及ram 903通过总线904彼此相连。i/o(input/output，输入/输出)接口905也连接至总线904。
[0129]
设备900中的多个部件连接至i/o接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0130]
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于cpu(central processing unit，中央处理单元)、gpu(graphic processing units，图形处理单元)、各种专用的ai(artificial intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、dsp(digital signal processor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如联邦计算的处理方法。例如，在一些实施例中，联邦计算的处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由rom 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到ram 903并由计算单元901执行时，可以执行上文描述的联邦计算的处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行联邦计算的处理方法。
[0131]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、fpga(field programmable gate array，现场可编程门阵列)、asic(application
‑
specific integrated circuit，专用集成电路)、assp(application specific standard product，专用标准产品)、soc(system on chip，芯片上系统的系统)、cpld(complex programmable logic device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0132]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0133]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合
适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、ram、rom、eprom(electrically programmable read
‑
only
‑
memory，可擦除可编程只读存储器)或快闪存储器、光纤、cd
‑
rom(compact disc read
‑
only memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0134]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(cathode
‑
ray tube，阴极射线管)或者lcd(liquid crystal display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0135]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：lan(local area network，局域网)、wan(wide area network，广域网)、互联网和区块链网络。
[0136]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务(virtual private server，虚拟专用服务器)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0137]
根据本公开的实施例，本公开还提供了一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行本公开上述实施例提出的联邦计算的处理方法。
[0138]
根据本公开实施例的技术方案，涉及大数据、云计算、深度学习技术领域，在进行联邦计算的处理时，利用数据并行的方式，首先，将每个参与方对应的n个数据切片进行组合生成数据集，进而再利用每个数据处理服务对每个数据集进行处理，得到联邦计算结果，由此，在进行联邦计算时，通过利用数据并行的方式实现联邦学习的并行化，极大的提升了联邦计算的速度，为大规模数据隐私计算的使用提供了技术可行性。
[0139]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0140]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。