[发明专利]一种基于同态加密联邦学习来检测学生行为与心理的方法

说明书

本发明提供一种基于同态加密联邦学习来检测学生行为与心理的方法，包括获取相互独立的数据集A和B；采用基于加密的用户样本对齐技术，通过数据集A和B之间相同特征项所对应数据的一致性来挑选出交集数据，并区分出数据集B与A差异的待测数据集；采用同态加密技术，对数据集A和B被挑选出的交集数据进行加密；构建卷积循环神经网络，通过联邦学习对同态加密后的数据集A和B的交集数据训练，得到预测学生心理状态的模型；将待测数据集中每一数据均为待测数据在预测学生心理状态的模型中预测出心理状态。实施本发明，在保护数据隐私性的前提下满足学生行为与心理检测的要求，且采用收敛的同态加密联邦学习算法，克服现有技术所存在的问题。

技术领域

本发明涉及大数据挖掘技术领域，尤其涉及一种基于同态加密联邦学习来检测学生行为与心理的方法。

背景技术

许多高校利用校园行为大数据开展了许多面向管理和师生服务的应用，依赖大数据挖掘方法以支持教育领域的校园管理与决策以及学生行为规律的分析。虽然近年来有许多数据分析方法被提出，但是高校行为大数据的分析仍然是一个充满挑战的研究领域，它仍然有许多值得深入探索和亟待解决的问题。

目前，许多高校已积累大量的教学资源和管理数据，从而形成了规模巨大、结构复杂的数据集，为高校的大数据分析提供了强有力的支持，成了高校学生心理教育不可缺少的一部分。随着教学改革的不断推进，高校对数据的需求已经从原来的简单事务处理方式转向面向信息分析处理、数据挖掘及决策支持等。因此，针对现有的大数据集合建立学生行为与心理检测的关联系统，对高校学生心理教育具有重要的实际意义。

当今的大数据分析仍然面临两个主要挑战：一、在大多数行业中，数据以孤立的孤岛形式存在；二、加强数据隐私和安全性。同时，随着大型公司对数据安全和用户隐私的妥协意识日益增强，对数据隐私和安全的重视已成为全球性的主要问题。然而，我们面临着一个难题，即在数据安全的前提下，高校学生的数据是孤立的，使得学生行为数据和心理数据无法共享，从而导致被禁止在不同地方收集、融合和使用高校数据进行AI处理。因此，如何合法地解决数据碎片和隔离问题是研究人员面临的主要挑战。

现有技术为这些挑战提出了一种可能的解决方案：联邦学习。联邦学习指多个客户端(如移动设备或整个组织)在一个中央服务器(如服务提供商)下协作式地训练模型的机器学习设置，该设置同时保证训练数据去中心化。联邦学习使用局部数据收集和最小化原则，降低传统中心化机器学习方法带来的一些系统性隐私风险和成本。

在现有技术中，提出了一种新的联邦学习框架FedCS，其目标是在一个异构客户端的MEC框架中高效地完成联邦学习。该技术提出了一个移动边缘计算框架(Mobile EdgeComputing，MEC)，能够在保护客户端隐私的同时完成客户端模型训练，同时有效解决真实蜂窝网络中的系统异质性问题，使得联邦学习框架(FedCS)能够根据客户端资源条件管理客户端设备，从而有效应对具有资源约束的客户端选择问题，它允许服务器聚合尽可能多的客户端更新信息，并加速改进机器学习模型的性能；其中，该方法验证实验中采用经典的深度神经网络建模，后续可以探讨利用更多的数据训练更复杂的模型。此外，未来工作的另一个可能的方向是处理动态的应用场景，例如在资源的平均数量以及更新和上传所需时间动态波动的情况下如何改进联邦学习性能。在另一现有技术中，还提出了一种不可知的联邦学习框架(Agnostic Federated Learning,AFL)，用以针对基于传统的训练和推理机制，经典联邦学习的全局模型训练结果可能会倾向于某些客户端上载的更新参数的问题，在该框架中全局模型针对由各个客户端分布聚合而成的任一目标分布进行优化，且还引入数据相关的Rademacher复杂度用于模型的目标学习，从而满足任务不可知的联邦学习要求。此外，该方法验证实验中所采用的快速随机优化算法在假定凸损失函数和假设集情况下具有一定的收敛性。