[发明专利]图拓扑嵌入方法、装置、系统、设备及介质

说明书

本发明涉及到图拓扑嵌入领域，具体为图拓扑嵌入、装置及系统。将同态加密应用于计算过程中在各个联邦学习参与方之间传递的中间结果，各个联邦学习的参与方仅掌握同态加密的公钥，无法对数据进行解密，而可以解密的受信任的第三方仅能获得最后的求和结果，无法获得联邦学习的参与方各自的结果，因此各个联邦学习的参与方的数据隐私既没有泄露给其他联邦学习的参与方也没有泄露给受信任的第三方，数据隐私得到有效保护。通过将联邦学习应用于图拓扑结构的构建，使得以往在隐私保护的要求下无法完成的图构建过程得以实现，拓展了各种图算法的应用场景。

技术领域

本发明涉及到图拓扑嵌入领域，具体为基于同态加密的联邦样本的图拓扑嵌入、装置、系统、设备及介质。

背景技术

联邦机器学习(Federated machine learning/Federated Learning)，又名联邦学习，是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。能够使得各个机构的自有数据不出本地，而在联邦系统下通过加密机制下的参数交换方式，建立一个虚拟的共有模型，这个虚拟模型就好像大家把数据聚合在一起建立的最优模型一样。与此同时，随着非关系型数据库技术的发展，联邦学习下的图模型在数据建模领域的应用日益广泛。

在构建图拓扑结构模型时，决定不同节点之间是否连接的条件有多种形式。其中一种十分常见的形式是对于每对节点均计算连接概率而仅将概率高于特定阈值的节点对连接从而使稠密图稀疏化。这一方法被大量应用在实际生产生活中，在这些实际应用中数据往往蕴含着来自公民个体的隐私信息。来自不同数据源的联邦样本对信息需要被累加来获得准确的连接概率估计，这一累加过程中来自一个数据源的隐私数据会被泄露至其他的数据源。

现有技术中可以在不加密的情况下由受信任的第三方完成数据的连接概率估计，然后进行数据拓扑结构的建立，但是会将各个参与方的信息泄露给第三方，尽管第三方是受信任的但无法保证传输过程中被恶意截获，同时在进行数据的连接概率估计时，需要用到其他参与方的数据，及时对数据进行加密也都会在不同的参与方进行解密，因此也都存在隐私信息泄露的问题，严重制约了图算法的应用和推广。

发明内容

针对现有技术中存在的问题，本发明提供一种基于同态加密的联邦样本的图拓扑嵌入方法、装置、系统、设备及介质，设计合理，安全可靠，使得各个联邦学习的参与方的数据隐私既没有泄露给其他联邦学习的参与方也没有泄露给受信任的第三方，数据隐私得到有效保护。

本发明是通过以下技术方案来实现：

第一方面，本发明提供一种图拓扑嵌入方法，所述的方法由联邦学习系统中的受信任的第三方执行，所述联邦学习系统包括受信任的第三方和多个参与方；所述嵌入方法包括的如下步骤：

接收参与方的联邦样本的数据ID，形成共有数据样本ID，并将共有数据样本ID发送至各参与方；

生成同态加密的公私钥对，并将公私钥对中的公钥分发给参与方；

获取按照预设顺序的最后一个参与方的连接结果；所述连接结果由参与方基于自身联邦样本的数据，计算共有数据样本ID中节点对的局部连接概率，通过公钥进行局部连接概率的同态加密后，按照预设的顺序依次同态相加得到；

使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方；以使得参与方在获取的拓扑结构上运行相应的图算法，完成各自联邦样本的图拓扑嵌入。

可选地，所述使用私钥解密连接结果，得到整体节点连接概率，并按照预先确定的约定阈值生成拓扑结构，将生成的拓扑结构分发给参与方之前，还包括：

将获取的局部连接阈值相加，得到约定阈值；

所述局部连接阈值由参与方根据局部连接概率的局部连接概率分布得到。