[发明专利]一种面向断点隐私保护的方法、装置、设备及介质

权利要求书

1.一种面向断点隐私保护的方法，其特征在于，包括：

获取各参与方的数据，以根据所述各参与方的数据，分别训练对应的本地模型，并分别获取所述本地模型对应的模型参数；

通过预设的加密算法对所述对应的模型参数添加噪声，得到各模型参数对应的加密值；

将各加密值上传至中心节点，通过所述中心节点对所述各加密值进行聚合操作，得到对应的聚合参数，以根据所述聚合参数，计算所述各参与方对应的模型参数均值；

通过预设的隐私损失计算机制，根据所述模型参数均值，统计所述中心节点访问所述各参与方对应的模型参数所产生的隐私损失，得到所述各参与方对应的隐私损失总值；

将所述隐私损失总值与预设隐私损失阈值进行对比，若所述隐私损失总值小于所述预设隐私损失阈值，则根据所述隐私损失总值与所述预设隐私损失阈值，计算出参与方中未参与当前联合学习模型训练的未参与方数量；其中，未参与方的状态为断点；

根据所述预设的加密算法，对所述对应的模型参数补充添加所述未参与方数量对应的噪声。

2.根据权利要求1所述的方法，其特征在于，所述通过预设的加密算法对所述对应的模型参数添加噪声，得到各模型参数对应的加密值，具体包括：

计算各模型参数对应的梯度，并对所述各模型参数对应的梯度进行裁剪；

根据预设的加密算法通过噪声添加子协议，对裁剪后的各模型参数对应的梯度总值添加噪声；

根据添加噪声后的梯度总值，得到所述各模型参数对应的加密值。

3.根据权利要求2所述的方法，其特征在于，所述根据预设的加密算法通过噪声添加子协议，对裁剪后的各模型参数对应的梯度总值添加噪声之前，所述方法还包括：

确定出当前联合学习模型训练对应的总参与方数量以及对应的噪声添加总值；

根据所述总参与方数量以及所述噪声添加总值，计算每个参与方的模型参数对应的待添加噪声。

4.根据权利要求1所述的方法，其特征在于，所述根据所述隐私损失总值与所述预设隐私损失阈值，计算出参与方中未参与当前联合学习模型训练的未参与方数量，具体包括：

根据所述隐私损失总值与所述预设隐私损失阈值，确定当前联合学习模型训练对应的隐私损失差值；

根据所述隐私损失差值与每个参与方对应的待添加噪声之间的比值，确定出参与方中未参与当前联合学习模型训练的未参与方数量。

5.根据权利要求1所述的方法，其特征在于，所述根据所述预设的加密算法，对所述对应的模型参数补充添加所述未参与方数量对应的噪声之后，所述方法还包括：

得到补充噪声后的各模型参数对应的加密值，并将补充噪声后的加密值上传至所述中心节点；

通过所述中心节点对所述补充噪声后的加密值进行聚合操作，得到补充噪声后的聚合参数；

根据所述补充噪声后的聚合参数，计算补充噪声后的各参与方对应的模型参数均值；

根据所述补充噪声后的各参与方对应的模型参数均值，更新所述各参与方对应的本地模型。

6.根据权利要求1所述的方法，其特征在于，所述将所述隐私损失总值与预设隐私损失阈值进行对比之后，所述方法还包括：

若确定所述隐私损失总值大于或等于所述预设隐私损失阈值，则停止当前联合学习模型训练。

7.根据权利要求1至6中任一项所述的方法，其特征在于，所述预设的加密算法为差分隐私算法。