[发明专利]基于多方安全计算的用户隐私保护方法、装置和系统

说明书

本发明公开一种基于多方安全计算的用户隐私保护方法、装置和系统，根据参与方数据建立相应的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，通过处理后的数据属性，可信第三方基于各方数据属性进行训练后向各方返回调优后的模型及参数，保证在各个参与方(包括服务方、互联网业务平台各方)的私有数据不出域的情况下，或者说保证各个参与方的私有数据不泄露的情况下，使得计算模型输出同样的结果。

技术领域

本发明涉及计算机信息安全技术领域，尤其涉及一种基于多方安全计算的用户隐私保护方法、装置和系统。

背景技术

随着经济高速发展，互联网及移动互联网的普及，基于用户行为轨迹进行数据收集后建立模型以预测用户的行为偏好已经成为一种趋势，但个人用户数据安全已经日益成为社会各界关注的焦点，为此各国都在出台数据安全相关条例以保护用户个人隐私。

多方安全计算是解决一组互不信任的参与方之间保护隐私的协同计算问题，多方往往指应用场景中的强相关联的各方，主要特点是多个计算参与方都无法获取原始隐私数据的情况下完成计算并能够确保计算的精度和输出结果的可信度。

不确定性定量评估是通过定量方法对于计算的不确定性进行度量，从而避免只提供原始计算结果造成的信息缺失。

迁移学习是指一个预训练模型被重新应用在一个不同任务中的一种机器学习方法，主要是针对训练数据和应用数据明显不一致时可能产生的问题。

发明内容

针对上述缺陷，本发明要解决的技术问题是如何在保护患者用户隐私的前提下，能够充分利用大数据和建模的优势对患者的信息进行利用，从而准确地判断患者的病情以便给出准确的治疗方案。

针对上述缺陷，本发明的目的在于提供一种基于多方安全计算的用户隐私保护方法、系统及电子设备、计算机存储介质和程序产品。

根据本说明书的实施例的一方面，提供一种基于多方安全计算的用户隐私保护方法，用于至少一个服务方和至少一个互联网业务平台联合建模训练，所述服务方和互联网业务平台各方分别依据自身收集的数据进行初步建模，根据历史业务信息和历史大数据建立每一种业务的模型，根据需求得到预测结果，对模型预测结果的不确定性建立完整的定量评估体系，基于可信第三方将训练好的模型在新数据下进行验证和调参，减少各方训练模型的差异导致预测进度的不确定性，各方向可信第三方提供处理后的数据属性，可信第三方基于各方数据属性进行训练后向各方返回调优后的模型及参数，各方基于新模型及参数和各自的数据分别计算并向可信第三方返回预测结果，如符合结果一致性条件，则结束，如不符合则进行迭代直到符合结果一致性条件。

优选的，服务方和互联网业务平台各方依据自身已收集的数据进行初步建模，通过建立模型对不同业务类型、不同人群以及不同检测方案的大数据进行建模。

优选的，需要评估的不确定性体系包括但不限于模型预测精度上的不确定性、模型泛化能力的不确定性以及数据完整性方面的不确定性。

优选的，至少一个服务方的数据具有不同纬度的数据，包括但不限于用户个人信息、查询历史信息、相关业务数据以及初步应对方案数据。

优选的，可信第三方具有可信的数据存储空间，包括存储各方发送的数据以及独立模型运算空间。

优选的，可信第三方向至少一个服务方和互联网业务平台发送模型和交换建模参数。

根据本说明书的实施例的另一方面，提供一种基于多方安全计算的用户隐私保护方法，应用于互联网业务平台，包括：