[发明专利]网络安全风险预测方法、装置、存储介质及计算机设备

权利要求书

1.一种网络安全风险预测方法，其特征在于，包括：

获取训练数据，并利用所述训练数据对预先构建的联邦学习模型进行预训练，得到初步联邦学习模型以及对应的初始模型参数；

接收参与联邦学习的多个客户端发送的模型参数请求指令，并发送所述初始模型参数至相应的客户端，接收各个客户端返回的依据所述初始模型参数对本地风险预测模型训练后得到的中间模型参数；

将各个客户端返回的中间模型参数进行聚合，利用聚合后的模型参数对所述初步联邦学习模型继续进行训练，并将训练结果更新至各个客户端，直到满足训练结束条件为止，得到最终的全局模型以及对应的全局模型参数；

将所述全局模型参数发送至各个客户端，以使各个客户端根据所述全局模型参数对所述本地风险预测模型进行网络安全风险预测。

2.根据权利要求1所述的一种网络安全风险预测方法，其特征在于，所述获取训练数据的步骤之前，还包括：

获取网络安全风险数据，并根据所述网络安全风险数据的公开程度进行相应的加密操作；

对加密后的网络安全风险数据进行预处理后形成训练数据；其中，所述训练数据包括对所述网络安全风险数据进行数据类别划分后的输入数据，以及依据所述网络安全风险数据确定的网络安全风险等级。

3.根据权利要求2所述的一种网络安全风险预测方法，其特征在于，所述根据所述网络安全风险数据的公开程度进行相应的加密操作的步骤，包括：

将所述网络安全风险数据中的用户端数据采取本地加密的方式进行加密操作；

将所述网络安全风险数据中的私有数据在数据库中进行加密存储。

4.根据权利要求2所述的一种网络安全风险预测方法，其特征在于，所述利用所述训练数据对预先构建的联邦学习模型进行预训练，得到初步联邦学习模型以及对应的初始模型参数的步骤，包括：

将所述输入数据作为预先构建的联邦学习模型的输入，将所述网络安全风险等级作为所述联邦学习模型的输出，对所述联邦学习模型进行预训练，得到初步联邦学习模型以及对应的初始模型参数。

5.根据权利要求1所述的一种网络安全风险预测方法，其特征在于，所述将各个客户端返回的中间模型参数进行聚合，利用聚合后的模型参数对所述初步联邦学习模型继续进行训练，并将训练结果更新至各个客户端，直到满足训练结束条件为止，得到最终的全局模型以及对应的全局模型参数的步骤，包括：

根据各个客户端返回的中间模型参数确定对应的数据权重，并根据所述数据权重对所述中间模型参数进行聚合，利用聚合后的模型参数对所述初步联邦学习模型进行训练，并将训练后的模型参数同步更新至各个客户端；

接收各个客户端返回的更新后的模型参数，并对所述更新后的模型参数进行聚合后继续对所述初步联邦学习模型进行训练，直到所述初步联邦学习模型的损失函数满足目标值为止，得到最终的全局模型以及对应的全局模型参数。

6.一种网络安全风险预测方法，其特征在于，包括：

发送模型参数请求指令至中央服务器，并接收所述中央服务器下发的初始模型参数；

获取本地数据，利用所述初始模型参数和所述本地数据对本地风险预测模型进行训练，并对训练后的本地模型参数加入噪声后得到中间模型参数；

将所述中间模型参数上传至中央服务器，并根据所述中央服务器下发的训练后的模型参数更新本地模型参数，直到更新至所述中央服务器下发的全局模型参数为止；

依据所述全局模型参数对所述本地风险预测模型中的网络安全风险数据进行网络安全风险预测。

7.根据权利要求6所述的一种网络安全风险预测方法，其特征在于，所述对训练后的本地模型参数加入噪声后得到中间模型参数的步骤，包括：

根据训练后的本地模型参数计算对应的敏感度，并依据所述敏感度对所述训练后的本地模型参数进行差分隐私加噪，得到中间模型参数。