数据处理方法、装置、设备及存储介质与流程

1.本发明涉及计算机领域，尤其涉及一种数据处理方法、装置、设备及存储介质。


背景技术：

2.随着计算机技术的发展，联邦学习因其可以有效解决数据孤岛问题，让参与方在不共享数据的基础上联合建模，能从技术上打破数据孤岛，实现ai(人工智能，artificial intelligence)协作的优势越来越受到用户的欢迎。
3.在进行联邦学习的过程中，可能会涉及到多个任务，中央处理器通过对多个任务的处理来最终实现联邦学习。
4.然而，中央处理器在处理每个任务时，均是根据任务的预设执行顺序串行进行运算的，中央处理器既需要协调任务，又需要对任务对应的全部运算类型的数据进行计算，降低了任务的处理效率，进而影响了联邦学习的进度。


技术实现要素：

5.本发明的主要目的在于提供一种数据处理方法、装置、设备及存储介质，旨在解决联邦学习任务处理效率低，影响联邦学习进度的问题。
6.为实现上述目的，本发明提供一种数据处理方法，所述数据处理方法包括：
7.从至少一联邦学习任务对应的数据中获取与第一运算类型对应的第一数据集，并将除所述第一数据集中的数据之外的数据，作为第二数据集；
8.将各联邦学习任务对应的第一数据集进行聚合，并通过调用预设的异步通道批量对聚合后的第一数据集进行第一运算处理，得到第一运算结果集；
9.对所述第二数据集进行非第一运算处理，得到第二运算结果集；
10.将所述第一运算结果集与所述第二运算结果集返回至对应的联邦学习任务，以供各联邦学习任务调用，进而实现所述各联邦学习任务。
11.在一种可能的实现方式中，所述第一运算为模幂运算，所述将各联邦学习任务对应的第一数据集进行聚合，并通过调用预设的异步通道批量对聚合后的第一数据集进行第一运算处理，得到第一运算结果集，包括：
12.将各联邦学习任务对应的第一数据集聚合至目标队列中；
13.调用预设的异步通道，并确定所述异步通道的剩余负载量；
14.根据所述剩余负载量确定每个批次的数量；
15.基于预设的异步通道，按批次从所述目标队列中获取与所述每个批次的数量对应的第一数据；
16.对按批次获取的与所述每个批次的数量对应的第一数据依次进行模幂运算处理，得到携带若干批次模幂运算结果的第一运算结果集。
17.在一种可能的实现方式中，每个所述联邦学习任务对应一任务标识，
18.所述将所述第一运算结果集与所述第二运算结果集返回至对应的联邦学习任务，
以供各联邦学习任务调用，进而实现所述各联邦学习任务，包括：
19.从所述第一运算结果集中获取与目标任务标识对应的第一目标运算结果集；
20.从所述第二运算结果集中获取与所述目标任务标识对应的第二目标运算结果集；
21.基于所述目标任务标识，将所述第一目标运算结果集以及所述第二目标运算结果集返回至对应的目标联邦学习任务，以供所述目标联邦学习任务调用，进而实现所述目标联邦学习任务。
22.在一种可能的实现方式中，所述基于所述目标任务标识，将所述第一目标运算结果集以及所述第二目标运算结果集返回至对应的目标联邦学习任务，以供所述目标联邦学习任务调用，进而实现所述目标联邦学习任务，包括：
23.基于所述目标任务标识，确定所述第一目标运算结果集以及所述第二目标运算结果集对应的目标联邦学习任务；
24.若所述第一目标运算结果集中包括所述第一数据集中所述目标联邦学习任务对应的所有操作数的运算结果，则将所述第一目标运算结果以及所述第二目标运算结果返回至所述目标联邦学习任务，以供所述目标联邦学习任务调用，进而实现所述目标联邦学习任务。
25.在一种可能的实现方式中，所述方法还包括：
26.若所述第一目标运算结果集中仅包括所述第一数据集中所述目标联邦学习任务对应的部分操作数的运算结果，则等待预设时长后重新进行判断，直至所述第一目标运算结果集中包括所述第一数据集中所述目标联邦学习任务对应的所有操作数的运算结果，则将所述第一目标运算结果以及所述第二目标运算结果返回至所述目标联邦学习任务，以供所述目标联邦学习任务调用，进而实现所述目标联邦学习任务。
27.在一种可能的实现方式中，所述对所述第二数据集进行非第一运算处理，得到第二运算结果集，包括：
28.获取所述第二数据集中各组数据对应的目标运算类型；
29.对所述第二数据集中每个所述目标运算类型对应的各组数据进行目标运算处理，得到第二运算结果集。
30.在一种可能的实现方式中，所述预设的异步通道包括图形处理器gpu、现场可编程门阵列fpga，以及触摸控制器专用集成电路asic中的任意一种或多种。
31.本发明还提供一种数据处理装置，包括：
32.获取模块，用于从至少一联邦学习任务对应的数据中获取与第一运算类型对应的第一数据集，并将除所述第一数据集中的数据之外的数据，作为第二数据集；
33.处理模块，用于将各联邦学习任务对应的第一数据集进行聚合，并通过调用预设的异步通道批量对聚合后的第一数据集进行第一运算处理，得到第一运算结果集；
34.所述处理模块，还用于对所述第二数据集进行非第一运算处理，得到第二运算结果集；
35.所述处理模块，还用于将所述第一运算结果集与所述第二运算结果集返回至对应的联邦学习任务，以供各联邦学习任务调用，进而实现所述各联邦学习任务。
36.本发明还提供一种数据处理设备，所述数据处理设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据处理程序，所述数据处理程序被所述处理
器执行时实现如前述任一项所述的数据处理方法的步骤。
37.本发明还提供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数据处理程序，所述数据处理程序被处理器执行时实现如前述任一项所述的数据处理方法的步骤。
38.本发明中，可以先从联邦学习任务对应的数据中获取与第一运算类型对应的第一数据集，以及非第一运算类型对应的第二数据集，然后将各联邦学习任务对应的第一数据集进行聚合处理，并通过调用预设的异步通道对聚合后的第一数据集进行第一运算处理，得到第一运算结果集，再对第二数据集中的数据进行非第一运算处理，得到第二运算结果集，然后将第一运算结果集与第二运算结果集返回至对应的联邦学习任务，以供各联邦学习任务调用，进而实现各联邦学习任务，通过将不同联邦学习任务中第一运算对应的数据先进行聚合，也即将不同联邦学习任务中的相同运算对应的数据进行聚合，然后再利用异步通道统一对聚合后的数据进行处理的方式，能够利用统一的系统资源进行运算，提高了第一运算的处理效率，降低了中央处理器的运算压力，同时也提高了联邦学习任务的处理效率，进而加快了联邦学习的学习进度。
附图说明
39.图1为本发明实施例提供的一种应用场景示意图；
40.图2为本发明实施例提供的数据处理方法的流程示意图；
41.图3为本发明另一实施例提供的数据处理方法的流程示意图；
42.图4为本发明实施例提供的数据处理方法的原理示意图；
43.图5为本发明实施例提供的数据处理装置的结构示意图；
44.图6为本发明实施例提供的数据处理设备的结构示意图。
45.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
46.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
47.目前，在进行联邦学习的过程中，可能会涉及到多个联邦学习任务(例如，通过参数的改变同时训练多个模型，每个模型的训练可以被称为一个联邦学习任务)，中央处理器通过对多个联邦学习任务的处理来最终实现联邦学习。然而，中央处理器在处理每个联邦学习任务时，均是根据任务的预设执行顺序串行进行运算的，中央处理器既需要协调任务，即控制每个任务的执行顺序，又需要对任务对应的全部运算类型的数据进行计算，降低了任务的处理效率，进而影响了联邦学习的学习进度。其中，中央处理器也可简称为处理器，以下内容中均以处理器来表示中央处理器。
48.为了解决这一问题，本发明的技术构思为通过将联邦学习任务中运算过程比较费时费力的数据提取出来，并聚合到一起，然后通过预设的异步通道统一对聚合后的数据进行处理的方式，降低了处理器的运算压力，达到了既提高了运算的处理效率，又提高了联邦
学习任务的处理效率，进而加快了联邦学习的学习进度的技术效果。
49.图1为本发明实施例提供的一种应用场景示意图。如图1所示，联邦学习可以应用在金融风控领域，示例性的，可以通过联邦学习确定用户a在银行b是否具有贷款资格，以及相应的贷款额度等。此外，为了提高联邦学习的准确度，可以同时设置多个用于预测能否贷款，以及具体贷款额度的学习模型，并从中选取精度最高的模型作为最终的模型。
50.具体的，可以先从银行b的数据库中获取用户a的历史记录信息，然后将用户a的历史记录信息分别输入至三个训练参数不同的学习模型c、d和e中进行训练，并最终确定训练精度最高的学习模型d作为最终的模型。进一步的，通过模型d可以确定其他用户在银行b是否具有贷款资格，以及相应的贷款额度等。
51.此外，本发明实施例以金融风控领域为例进行说明，而本发明涉及到的数据处理方法还可以应用于电商平台、交通灯控制等其他领域，在此不再具体进行限定。
52.下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
53.图2为本发明实施例提供的数据处理方法的流程示意图，本实施例的方法可以由服务器中的处理器执行，如图2所示，所述方法可以包括：
54.s201：从至少一联邦学习任务对应的数据中获取与第一运算类型对应的第一数据集，并将除第一数据集中的数据之外的数据，作为第二数据集。
55.在本实施例中，在联邦学习的过程中，可能会涉及到一个或多个联邦学习任务，联邦学习任务的具体情况(例如，任务的数量、任务的具体内容，以及各任务的执行顺序等)可以根据实际应用场景自定义进行设置。
56.示例性的，可以通过联邦学习训练一可以预测用户贷款额度的模型，在进行训练时，为了提高训练的模型的精度，可以从不同的维度设置多个任务，进而训练多个不同的模型，然后再从训练完成的多个模型中获取精度最高的模型作为最终的预测模型。其中，不同的维度可以为不同的用户历史数据，也可以为不同的训练参数。
57.进一步的，在联邦学习的过程中，还可能涉及到pailier同态加密，以及梯度合并等操作，上述这些操作也可以单独作为联邦学习任务。
58.另外，还可以依据第一运算类型对联邦学习任务对应的数据进行分类，与第一运算类型对应的数据，划分为第一数据集，除第一数据集之外的数据，可以划分为第二数据集。其中，第二数据集中的数据为除第一运算类型之外的运算类型对应的操作数，即非第一运算类型对应的操作数。其中，由第一运算可以为运算过程比较费时的过程，示例性的，可以为模幂运算。
59.进一步的，第一数据集可以有多个，不同的联邦学习任务可以单独对应一第一数据集。
60.s202：将各联邦学习任务对应的第一数据集进行聚合，并通过调用预设的异步通道批量对聚合后的第一数据集进行第一运算处理，得到第一运算结果集。
61.在本实施例中，第一数据集可以是不同联邦学习任务中第一运算对应的操作数，由于第一运算的计算过程比较耗时，且每个联邦学习任务都可能涉及到持续的第一运算需求，可能是交替的，也可能是连续的，数据量可能很大，也可能很小，为了提高第一运算的运算效率，在获取到第一数据集之后，可以将各联邦学习任务对应的第一数据集进行聚合，然
后通过调用预设的异步通道对聚合后的第一数据集进行第一运算处理，得到第一运算结果集。
62.其中，预设的异步通道可以包括gpu(graphics processing unit，图形处理器)、fpga(field-programmable gate array，现场可编程门阵列)，以及触摸控制器专用集成电路asic中的任意一种或多种。
63.s203：对第二数据集进行非第一运算处理，得到第二运算结果集。
64.在本实施例中，在得到第二数据集之后，可以根据任务的执行进度依次对第二数据集进行非第一运算处理。其中，第二数据集中的数据可以通过处理器进行计算，示例性的，可以通过cpu(central processor unit，中央处理器)对第二数据集中的数据进行计算。
65.此外，对第二数据集进行非第一运算处理，得到第二运算结果集，还可以包括：
66.获取第二数据集中各组数据对应的目标运算类型。
67.对第二数据集中每个目标运算类型对应的各组数据进行目标运算处理，得到第二运算结果集。
68.具体的，可以基于第二数据集中各组数据对应的第二运算类型，对第二数据集中的各组数据进行处理，得到第二运算结果集。进一步的，第二运算类型可以为除第一运算之外的其他运算类型，示例性的，第一运算可以为模幂运算，非第一运算可以为加法运算、乘法运算、逻辑判断运算等。
69.s204：将第一运算结果集与第二运算结果集返回至对应的联邦学习任务，以供各联邦学习任务调用，进而实现各联邦学习任务。
70.在本实施例中，在得到第一运算结果集与第二运算结果集之后，每个结果集中均可能包含多个联邦学习任务对应的运算结果，在将运算结果集返回至联邦学习任务时，为了减少数据的传输量，提高传输效率，可以将运算结果只返回至对应的联邦学习任务处。
71.在一种可能的实现方式中，将运算结果返回至对应的联邦学习任务处，具体可以为：
72.图3为本发明另一实施例提供的数据处理方法的流程示意图，每个联邦学习任务对应一任务标识，如图3所示，步骤204具体可以包括：
73.s301：从第一运算结果集中获取与目标任务标识对应的第一目标运算结果集。
74.s302：从第二运算结果集中获取与目标任务标识对应的第二目标运算结果集。
75.s303：基于目标任务标识，将第一目标运算结果集以及第二目标运算结果集返回至对应的目标联邦学习任务，以供目标联邦学习任务调用，进而实现目标联邦学习任务。
76.具体的，每个联邦学习任务唯一对应一任务标识，通过任务标识可以确定与目标联邦学习任务相关的数据。其中，任务标识可以为阿拉伯数字、大写字母，以及小写字母中任意一种或多种的组合。示例性的，任务标识可以为task1。
77.进一步的，在确定目标联邦学习任务之后，即可确定该目标联邦学习任务对应的目标任务标识，由于在第一运算结果集与第二运算结果集中，与该目标联邦学习任务相关的数据均包括该目标任务标识，因此，可以从第一运算结果集中获取携带该目标任务标识的第一目标运算结果集，可以从第二运算结果集中获取携带该目标任务标识的第二目标运算结果集，然后可以将第一目标运算结果集和第二目标运算结果集返回至对应的目标联邦
学习任务，供目标联邦学习任务调用。
78.采用上述方案后，可以先从联邦学习任务对应的数据中获取与第一运算类型对应的第一数据集，以及非第一运算类型对应的第二数据集，然后将各联邦学习任务对应的第一数据集进行聚合处理，并通过调用预设的异步通道对聚合后的第一数据集进行第一运算处理，得到第一运算结果集，再对第二数据集中的数据进行非第一运算处理，得到第二运算结果集，然后将第一运算结果集与第二运算结果集返回至对应的联邦学习任务，以供各联邦学习任务调用，进而实现各联邦学习任务，通过将不同联邦学习任务中第一运算对应的数据先进行聚合，也即将不同联邦学习任务中的相同运算对应的数据进行聚合，然后再利用异步通道统一对聚合后的数据进行处理的方式，能够利用统一的系统资源进行运算，提高了第一运算的处理效率，降低了处理器的运算压力，同时也提高了联邦学习任务的处理效率，进而加快了联邦学习的学习进度。
79.在另一实施例中，步骤303，基于目标任务标识，将第一目标运算结果集以及第二目标运算结果集返回至对应的目标联邦学习任务，以供目标联邦学习任务调用，进而实现目标联邦学习任务，具体可以包括：
80.基于目标任务标识，确定第一目标运算结果集以及第二目标运算结果集对应的目标联邦学习任务。
81.若第一目标运算结果集中包括第一数据集中目标联邦学习任务对应的所有操作数的运算结果，则将第一目标运算结果以及第二目标运算结果返回至目标联邦学习任务，以供目标联邦学习任务调用，进而实现目标联邦学习任务。
82.若第一目标运算结果集中仅包括第一数据集中所述目标联邦学习任务对应的部分操作数的运算结果，则等待预设时长后重新进行判断，直至第一目标运算结果集中包括第一数据集中目标联邦学习任务对应的所有操作数的运算结果，则将第一目标运算结果以及所述第二目标运算结果返回至目标联邦学习任务，以供目标联邦学习任务调用，进而实现目标联邦学习任务。
83.在本实施例中，当对第二数据集中的数据进行运算时，可以与第一数据集中的数据同时进行运算，然而，由于任务对应的每种运算类型的数量不同，且每种运算类型所需的时长不同，对于同一个任务下的数据，第二数据集中的数据对应的第二运算结果可能比第一数据集中的数据对应的第一运算结果先得到，第二数据集中的数据对应的第二运算结果也可能比第一数据集中的数据对应的第一运算结果后得到，第二数据集中的数据对应的第二运算结果也可能与第一数据集中的数据对应的第一运算结果同时得到。
84.此外，虽然同一联邦学习任务的数据对应的第一运算结果和第二运算结果确定的时刻可能不同，但在返回至目标联邦学习任务时，需要两种数据同时返回，因此，在将运算结果返回至目标联邦学习任务时，可以确定返回的数据是否为目标联邦学习任务对应的所有操作数的运算结果，若是，则可以直接返回至目标联邦学习任务，若不是，则可能有的运算类型还没有运算完成，可以等待预设时长后重新进行确定，直至确定返回的数据为目标联邦学习任务对应的所有操作数的运算结果。其中，预设时长可以根据实际应用场景自定义进行设置，示例性的，可以为2-8秒范围内的任意值。
85.进一步的，为了避免出现因网络故障导致数据无法传输而重复进行判断的情况，可以对重新判断的次数进行限定。示例性的，重新判断的次数阈值可以设置为三次，超过三
次之后，若仍没有获取目标联邦学习任务对应的所有操作数的运算结果，则可以发送网络故障提示至相关维护人员的终端设备，以提醒相关的维护人员尽快查看故障原因，进而解决故障。
86.此外，在另一个实施例中，第一运算为模幂运算，步骤202，具体可以包括：
87.将各联邦学习任务对应的第一数据集聚合至目标队列中。
88.调用预设的异步通道，并确定所述异步通道的剩余负载量。
89.根据所述剩余负载量确定每个批次的数量。
90.基于预设的异步通道，按批次从所述目标队列中获取与所述每个批次的数量对应的第一数据。
91.对按批次获取的与所述每个批次的数量对应的第一数据依次进行模幂运算处理，得到携带若干批次模幂运算结果的第一运算结果集。
92.在本实施例中，在通过调用预设的异步通道批量对聚合后的第一数据集进行模幂运算处理时，可以按批次对聚合后的第一数据集进行模幂运算处理，得到携带若干批次模幂运算结果的第一运算结果集。
93.进一步的，可以将聚合后的各联邦学习任务对应的第一数据集存储至目标队列中，然后按批次从目标队列中获取第一数据，并对按批次获取的第一数据进行模幂运算处理。
94.具体的，在从目标队列中获取第一数据时，可以按批次从目标队列中获取数据。其中，预设的异步通道包括图形处理器gpu、现场可编程门阵列fpga，以及触摸控制器专用集成电路asic中的任意一种或多种。且每批次的数量可以是预先设置好的，也可以是根据实际情况自定义进行设置。若批次的数量为根据实际情况自定义进行设置，可以根据gpu、fpga或asic的负载剩余量确定批次的数量，然后再根据批次的数量按批次从目标队列中依次获取与每个批次的数量对应的第一数据，并对按批次获取的与每个批次的数量对应的第一数据依次进行模幂运算处理，得到携带若干批次模幂运算结果的第一运算结果集。示例性的，gpu的负载剩余量为3，则可以确定批次的数量为3，然后再从目标队列中以3个为一批，依次获取第一数据，并对3个为一批的第一数据进行模幂运算处理，得到携带若干批次运算结果的第一运算结果集，结合了异步通道的实际负载量，提高了运算资源分配的合理性，处理器空闲时可以进行非模幂运算，平衡了响应时间和处理效率，进而提高了数据的处理效率。
95.图4为本发明实施例提供的数据处理方法的原理示意图，如图4所示，在该实施例中，处理器为cpu(中央处理器，central processing unit/processor)，包括联邦学习任务1、联邦学习任务2和联邦学习任务3三个任务，在这三个任务中，可以涉及到模幂运算和非模幂运算，然后可以将模幂运算对应的操作数提取出来，存储至一目标队列中。在该实施例中，模幂运算对应的每组操作数可以为(a，b，c)，联邦学习任务1对应的模幂运算操作数可以有两组，联邦学习任务2对应的模幂运算操作数可以有两组，联邦学习任务3对应的模幂运算操作数可以有一组。在将联邦学习任务对应的操作数存储至目标队列之后，可以通过计算池，也可称为异构通道中的gpu、fpga或asic按批次对操作数进行处理。在该实施例中，五组操作数分为了两批进行处理，第一批包括三组操作数，第二批包括两组操作数，然后可以将处理得到的预算结果发送至cpu处进一步进行处理，同时其他运算处理得到的运算结
果也可以发送至cpu处进一步进行处理。
96.基于同样的思路，本说明书实施例还提供了上述方法对应的装置，图5为本发明实施例提供的数据处理装置的结构示意图，如图5所示，本实施例提供的装置，可以包括：
97.获取模块501，用于从至少一联邦学习任务对应的数据中获取与第一运算类型对应的第一数据集，并将除所述第一数据集中的数据之外的数据，作为第二数据集。
98.处理模块502，用于将各联邦学习任务对应的第一数据集进行聚合，并通过调用预设的异步通道批量对聚合后的第一数据集进行第一运算处理，得到第一运算结果集。
99.所述处理模块502，还用于对所述第二数据集进行非第一运算处理，得到第二运算结果集。
100.在本实施例中，所述处理模块502，还用于：
101.获取第二数据集中各组数据对应的目标运算类型。
102.对第二数据集中每个目标运算类型对应的各组数据进行目标运算处理，得到第二运算结果集。
103.所述处理模块502，还用于将所述第一运算结果集与所述第二运算结果集返回至对应的联邦学习任务，以供各联邦学习任务调用，进而实现所述各联邦学习任务。
104.在本实施例中，每个所述联邦学习任务对应一任务标识，所述处理模块502，还用于：
105.从所述第一运算结果集中获取与目标任务标识对应的第一目标运算结果集。
106.从所述第二运算结果集中获取与所述目标任务标识对应的第二目标运算结果集。
107.基于所述目标任务标识，将所述第一目标运算结果集以及所述第二目标运算结果集返回至对应的目标联邦学习任务，以供所述目标联邦学习任务调用，进而实现所述目标联邦学习任务。
108.此外，在另一实施例中，第一运算为模幂运算，所述处理模块502，还用于：
109.将各联邦学习任务对应的第一数据集聚合至目标队列中。
110.调用预设的异步通道，并确定所述异步通道的剩余负载量。
111.根据所述剩余负载量确定每个批次的数量。
112.基于预设的异步通道，按批次从所述目标队列中获取与所述每个批次的数量对应的第一数据。
113.对按批次获取的与所述每个批次的数量对应的第一数据依次进行模幂运算处理，得到携带若干批次模幂运算结果的第一运算结果集。
114.在本实施例中，预设的异步通道包括图形处理器gpu、现场可编程门阵列fpga，以及触摸控制器专用集成电路asic中的任意一种或多种。
115.此外，在另一实施例中，所述处理模块502，还用于：
116.基于所述目标任务标识，确定所述第一目标运算结果集以及所述第二目标运算结果集对应的目标联邦学习任务。
117.若所述第一目标运算结果集中包括所述第一数据集中所述目标联邦学习任务对应的所有操作数的运算结果，则将所述第一目标运算结果以及所述第二目标运算结果返回至所述目标联邦学习任务，以供所述目标联邦学习任务调用，进而实现所述目标联邦学习任务。
118.若所述第一目标运算结果集中仅包括所述第一数据集中所述目标联邦学习任务对应的部分操作数的运算结果，则等待预设时长后重新进行判断，直至所述第一目标运算结果集中包括所述第一数据集中所述目标联邦学习任务对应的所有操作数的运算结果，则将所述第一目标运算结果以及所述第二目标运算结果返回至所述目标联邦学习任务，以供所述目标联邦学习任务调用，进而实现所述目标联邦学习任务。
119.前述任一实施例提供的信息处理装置，用于执行前述任一方法实施例的技术方案，其实现原理和技术效果类似，在此不再赘述。
120.图6为本发明实施例提供的数据处理设备的结构示意图。如图6所示，所述设备可以包括：存储器601、处理器602及存储在所述存储器601上并可在所述处理器602上运行的数据处理程序，所述数据处理程序被所述处理器602执行时实现如前述任一实施例所述的数据处理方法的步骤。
121.可选地，存储器601既可以是独立的，也可以跟处理器602集成在一起。
122.本实施例提供的设备的实现原理和技术效果可以参见前述各实施例，此处不再赘述。
123.本发明实施例还提供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数据处理程序，所述数据处理程序被处理器执行时实现如前述任一实施例所述的数据处理方法的步骤。
124.在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
125.上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本发明各个实施例所述方法的部分步骤。
126.应理解，上述处理器可以是中央处理单元(central processing unit，简称cpu)，还可以是其它通用处理器、数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
127.存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，还可以为u盘、移动硬盘、只读存储器、磁盘或光盘等。
128.上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
129.一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(application specific integrated circuits，简称asic)
中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
130.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
131.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
132.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
133.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。