[发明专利]基于隐私保护利用业务模型进行业务处理的方法和装置

说明书

说明书实施例提供了一种基于隐私保护利用业务模型进行业务处理的方法和装置，该业务模型包括依次连接的N个神经网络层,该方法包括：针对N个神经网络层，分多次进行加载处理，其中任意的第t次加载处理包括：将前次加载处理所针对的神经网络层之后的连续L个神经网络层的网络参数加载入内存，其中LN；获取本次加载的神经网络层对应的输入数据；利用加载的L个神经网络层的网络参数处理输入数据，得到本次加载处理的输出结果，作为下一次加载处理的输入数据；清除本次加载的L个神经网络层的网络参数；在多次加载处理后，将N个神经网络层中最后一个神经网络层的输出结果，确定为业务模型的业务处理结果。

技术领域

本说明书一个或多个实施例涉及机器学习领域和数据安全领域，尤其涉及一种基于隐私保护利用业务模型进行业务处理的方法和装置。

背景技术

近年来，以深度学习模型为核心的人工智能系统飞速发展。目前，在出行、推荐、支付等场景都得到了广泛应用。与此同时，深度学习模型本身的安全性变得至关重要。一旦其模型被破解，将会引发连锁反应，爆发一系列的安全问题。因此，模型隐私保护课题成为近年来的热门研究方向。

希望能有改进的方案，在利用业务模型进行业务处理的过程中，保护模型和业务数据的隐私安全。

发明内容

本说明书中的实施例旨在提供更有效的深度学习模型的隐私保护、以及降低模型内存占用的方法，解决现有技术中的不足。

根据第一方面,提供了一种基于隐私保护利用业务模型进行业务处理的方法，所述业务模型包括依次连接的N个神经网络层,所述方法包括：

针对所述N个神经网络层，进行多次加载处理，其中任意的第t次加载处理包括：

将前次加载处理所针对的神经网络层之后的连续L个神经网络层的网络参数加载入内存，其中LN；

获取本次加载的神经网络层对应的输入数据；

利用加载的L个神经网络层的网络参数处理所述输入数据，得到本次加载处理的输出结果，作为下一次加载处理的输入数据；

清除本次加载的所述L个神经网络层的网络参数的内存存储；

在所述多次加载处理后，将所述N个神经网络层中最后一个神经网络层的输出结果，确定为所述业务模型的业务处理结果。

在一个实施例中，所述方法还包括，在针对所述N个神经网络层，进行多次加载处理之前，通过数据采集和/或数据预处理，获得业务样本的样本数据。

在一个实施例中，当所述第t次加载处理为首次加载处理时，所述连续L个神经网络层为所述N个神经网络层中的前L个神经网络层；

所述获取本次加载的神经网络层对应的输入数据包括，获取所述业务样本的样本数据，作为本次加载的神经网络层对应的输入数据。

在一个实施例中，所述业务样本包括以下之一：图片，音频，文本，业务对象，所述业务对象包括以下之一：用户，商户，商品。

在一个实施例中，所述网络参数包括，权重参数、偏置参数、结构参数中的一种或多种；所述结构参数包括输入、输出神经元数量，激活函数中的一种或多种。

在一个实施例中，所述多次加载处理中，至少存在两次加载处理，其中加载的神经网络层的数目不同。

在一个实施例中，利用加载的L个神经网络层的网络参数处理所述输入数据，得到本次输出结果，包括：

对于本次加载的L个神经网络层中依次连接的每连续两层，根据前一层的网络参数及其输入数据，确定前一层的输出结果，并以其作为后一层的输入数据；

将所述本次加载的L个神经网络层中按连接次序最后一层的输出结果，确定为所述本次加载处理的输出结果。