[发明专利]基于对抗神经网络的数据加密的方法、装置和电子设备

权利要求书

1.一种基于对抗神经网络的数据加密的方法，包括：

接收用户数据；

将所述用户数据输入至对抗神经网络中的生成模型，并获得所述生成模型的输出数据；

将所述对抗神经网络中的生成模型的输出数据作为加密数据输出，其中，所述对抗神经网络基于与所述用户数据具有相同维度的样本数据训练得到，所述加密数据与所述用户数据具有相同维度。

2.根据权利要求1所述的方法，其中，在所述接收用户数据之前，还包括：

训练所述对抗神经网络中的生成模型和判别模型。

3.根据权利要求2所述的方法，其中，训练所述对抗神经网络中的生成模型和判别模型包括：

将所述样本数据输入至所述对抗神经网络中的生成模型并获得所述生成模型的样本输出数据；

将所述样本输出数据和所述样本数据输入至所述对抗神经网络中的判别模型；

接收所述判别模型的判别结果，所述判别模型的判别结果包括将所述生成模型的样本输出数据判别为所述样本数据的概率。

4.根据权利要求3所述的方法，其中，在接收所述判别模型的判别结果之后，还包括：

当所述判别模型的判别结果收敛于0.5时，保存所述生成模型。

5.根据权利要求3所述的方法，其中，在接收所述判别模型的判别结果之后，还包括：

当所述判别模型的判别结果未收敛于0.5时，对所述生成模型进行优化，对所述生成模型进行优化的目标包括：在将所述生成模型的样本输出数据输入至所述判别模型时，所述判别模型的输出结果大。

6.根据权利要求5所述的方法，其中，在对所述生成模型进行优化之后，还包括：

对所述判别模型进行优化，其中，所述判别模型的优化目标包括：在将所述样本数据输入至所述判别模型时，所述判别模型的输出结果大，并且在将所述生成模型的样本输出数据输入至所述判别模型时，所述判别模型的输出结果小。

7.根据权利要求5所述的方法，其中，对所述生成模型进行优化包括：

通过减去生成模型随机梯度的方式优化所述生成模型；

所述生成模型随机梯度是基于所述生成模型的优化目标设定的。

8.根据权利要求6所述的方法，其中，对所述判别模型进行优化包括：

通过加上判别模型随机梯度的方式进行优化；

所述判别模型随机梯度是基于所述判别模型的优化目标设定的。

9.一种基于对抗神经网络的数据加密的装置，包括：

接收模块，接收用户数据；

处理模块，将所述用户数据输入至对抗神经网络中的生成模型，并获得所述生成模型的输出数据；

加密模块，将所述对抗神经网络中的生成模型的输出数据作为加密数据输出，其中，所述对抗神经网络基于与所述用户数据具有相同维度的样本数据训练得到，所述加密数据与所述用户数据具有相同维度。

10.根据权利要求9所述的装置，其中，还包括：

训练模块，在所述接收用户数据之前，训练所述对抗神经网络中的生成模型和判别模型。

11.根据权利要求10所述的装置，其中，所述训练模块，将所述样本数据输入至所述对抗神经网络中的生成模型并获得所述生成模型的样本输出数据；将所述样本输出数据和所述样本数据输入至所述对抗神经网络中的判别模型；接收所述判别模型的判别结果，所述判别模型的判别结果包括将所述生成模型的样本输出数据判别为所述样本数据的概率。

12.根据权利要求11所述的装置，其中，所述训练模块，在接收所述判别模型的判别结果之后，当所述判别模型的判别结果收敛于0.5时，保存所述生成模型。