[发明专利]数值型数据查询方法、装置、设备及存储介质

说明书

本发明涉及人工智能技术领域，公开了一种数值型数据查询方法、装置、设备及存储介质。该方法包括：获取原始数据后根据先验知识，确定数值型数据查询时对应的预算消耗值边界，根据预算消耗值边界，计算原始数据的初始预算消耗值，并采用初始预算消耗值构建原始数据查询对应的收敛函数，获取客户端上传的对原始数据的数值型数据查询请求，并由此确定本次数值型数据查询的目标原始数据，采用收敛函数，计算本次数值型数据查询的预算消耗值，并由此对目标原始数据进行随机化处理，得到查询结果，将查询结果返回至客户端。本发明降低了组合性差分隐私进行多次数值型数据查询带来的隐私泄露。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种数值型数据查询方法、装置、设备及存储介质。

背景技术

随着互联网的广泛普及和大数据的来临，由此产生了巨大商业价值和社会价值的各种资源，可以看出，在当今社会，数据已经作为新型生产力的重要因素，继而将成为蒸汽机、石油、电力之后，逐渐成为了以信息技术为基础的第四次工业革命的重要驱动动力，并且在这些海量数据中和蕴含着潜在的、有价值的信息，吸引了来自学术界、工业界及政府部门等对大数据研究的热潮。

但是，数据与其他生产要素如资本、技术、劳动力和土地等相比，具有一个显著不同特点，就是其具有较大的安全问题，由于庞大的数据资源中可能存在大量敏感内容，包括重要的个人隐私数据和信息，对此在个人隐私保护等法律法规下，加大对这些敏感数据的保护尤为重要，当前，隐私保护的算法不断增进，而差分隐私作为目前最强的隐私保护算法，它的优势主要在于假设攻击者已经获取最大的背景知识，经过严格的数学证明，仍然能保障用户的隐私安全，但是根据差分隐私的组合性，多次的查询会增加总体隐私预算，降低拉普拉斯尺度，导致噪声分布更集中于期望值，从而大大增加隐私泄露的风险。即现有隐私保护方法随着数值型数据查询次数增加，存在隐私泄露风险增加的技术问题。

发明内容

本发明的主要目的在于解决隐私保护方法随着数值型数据查询次数增加，存在隐私泄露风险增加的技术问题。

本发明第一方面提供了一种数值型数据查询方法，其特征在于，所述方法包括：获取目标应用场景的原始数据，并根据预置先验知识，确定所述原始数据查询时对应的预算消耗边界；根据所述预算消耗边界，计算所述原始数据的初始预算消耗值，并采用所述初始预算消耗值构建所述原始数据查询时对应的收敛函数；获取客户端上传的对所述原始数据的数值型数据查询请求，并根据所述数值型数据查询请求，确定本次数值型数据查询的目标原始数据；采用所述收敛函数，计算本次数值型数据查询的预算消耗值，并根据所述预算消耗值，对所述目标原始数据进行随机化处理，得到查询结果；将所述查询结果返回至所述客户端。

可选的，在本发明第一方面的第一种实现方式中，所述根据预置先验知识，确定所述原始数据查询时对应的预算消耗边界包括：获取所述目标应用场景对应的经验数据集，其中，所述经验数据集包括多个预算消耗边界数据；采用预置函数模型，统计所述经验数据集中相同预算消耗边界数据的数量，得到数据分布图，并选取所述数据分布图中预置高频单位区间对应的预算消耗边界数据；计算选取的预算消耗边界数据对应的平均预算消耗值并作为所述原始数据查询时对应的预算消耗边界。

可选的，在本发明第一方面的第二种实现方式中，所述根据所述预算消耗边界，计算所述原始数据的初始预算消耗值包括：调用所述原始数据的查询次数和预算消耗的关系式，并对所述关系式进行变换，得到所述原始数据的预算消耗求和公式；根据所述预算消耗边界，采用所述预算消耗求和公式，计算所述原始数据的初始预算消耗值。

可选的，在本发明第一方面的第三种实现方式中，所述采用所述初始预算消耗值构建所述原始数据查询时对应的收敛函数包括：将所述初始预算消耗值作为所述关系式的系数并代入所述关系式中，得到所述原始数据查询时对应的收敛函数。