[发明专利]一种数据隐私保护协议的分析方法及装置

说明书

本公开提供一种数据隐私保护协议的分析方法及装置，涉及计算机技术领域，该方法包括：获取线性回归算法的程序代码；基于数据流图生成工具对程序代码进行转换，得到线性回归算法对应的数据流图；其中，数据流图包括一系列操作符；针对数据流图中的任一操作符，判断当前的操作符是否满足预设的数据泄露条件；如果满足，确定操作符存在数据泄露风险，并确定程序代码不满足数据隐私保护协议。本公开能够提高数据隐私保护协议的分析效率和降低数据隐私保护项目的更新难度。

技术领域

本公开涉及计算机技术领域，尤其涉及一种数据隐私保护协议的分析方法及装置。

背景技术

数据隐私保护一般指的是，数据所属地(有权限一方)的特征或标签不能明文地传输给非数据所属地(无权限一方)，在智慧分析智慧决策等需要多方参与的机器学习场景中，既需要多方数据参与信息交互完成模型训练，又需要保证数据安全、保护数据隐私。当前机器学习场景中的数据隐私保护主要技术是联邦学习(也称共享学习)。

然而，联邦学习框架FATE及其变种方案中，数据隐私保护协议需要人工分析计算公式推导得到，该人工分析方式不但人工成本高、效率低；更重要的是，当对线性回归等算法进行改动(例如添加或删除正则项等改动)时，必须重新分析计算公式，才能确定数据是否满足数据隐私保护的要求，这导致大量数据隐私保护项目后续很难做针对性更新。可见，针对数据隐私保护协议的人工分析方式存在着成本高、效率低且数据隐私保护项目更新困难的问题。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种数据隐私保护协议的分析方法。

本公开提供了一种数据隐私保护协议的分析方法，包括：获取线性回归算法的程序代码；基于数据流图生成工具对所述程序代码进行转换，得到所述线性回归算法对应的数据流图；其中，所述数据流图包括一系列操作符；针对所述数据流图中的任一操作符，判断当前的操作符是否满足预设的数据泄露条件；如果满足，确定所述操作符存在数据泄露风险，并确定所述程序代码不满足数据隐私保护协议。

进一步，所述数据流图生成工具包括：Google-JAX计算框架；所述基于数据流图生成工具对所述程序代码进行转换，得到所述线性回归算法对应的数据流图的步骤，包括：采用所述Google-JAX计算框架构建由类Numpy风格的Python程序到JAX中间层表示的数据类型转换；根据所述数据类型转换对所述程序代码进行转换，得到所述线性回归算法对应的数据流图。

进一步，所述操作符包括：操作数、操作符名称和输出结果，且所述操作数用于表示不同参与方输入的数据。

进一步，所述数据泄露条件为：当所述操作符中的操作数含有预设的敏感信息，且在后续计算中该操作符的执行方不同于所述操作数的来源方时，确定所述操作符存在数据泄露风险。

进一步，所述方法还包括：针对存在数据泄露风险的操作符，使用本地密钥对该操作符的操作数进行加密；将加密后的操作数发送至所述执行方。

进一步，在所述确定所述程序代码不满足数据隐私保护协议的步骤之后，所述方法还包括：对所述数据流图进行隐私改造，得到满足数据隐私保护协议的新数据流图。

进一步，所述方法还包括：将所述新数据流图进行可视化，并将可视化后的新数据流图作为数据隐私保护协议的对外的验证接口。

本公开还提供了一种数据隐私保护协议的分析装置，包括：获取模块，用于获取线性回归算法的程序代码；转换模块，用于基于数据流图生成工具对所述程序代码进行转换，得到所述线性回归算法对应的数据流图；其中，所述数据流图包括一系列操作符；判断模块，用于针对所述数据流图中的任一操作符，当所述线性回归算法计算操作符时，判断当前的操作符是否满足预设的数据泄露条件；确定模块，用于在满足的情况下，确定所述操作符存在数据泄露风险，并确定所述程序代码不满足数据隐私保护协议。