[发明专利]基于隐私计算的金融隐私数据安全决策方法、装置及设备

说明书

本发明公开了基于隐私计算的金融隐私数据安全决策方法、装置及设备，通过服务器确定多个客户端的共有数据，并获取共有数据的标签数据；下发标签数据给客户端，以使客户端按照标签数据确定分割特征和分割值；获取各个客户端上传的分割特征和分割值，并在可信执行环境中，确定最佳分割特征和最佳分割值，形成分类树；依据分类树，确定决策树；其中联邦学习方法，则是基于训练好的决策树，对待分析的目标对象进行分析，确定目标对象的综合分析结果，并反馈。本方法可以对参与方的隐私数据进行保护，提升数据安全性，并且服务器在可信执行环境中对隐私数据相关的数据进行隐私计算，进一步减小了数据泄露的风险。

技术领域

本发明涉及信息安全和数据隐私保护技术领域，尤其是涉及基于隐私计算的金融隐私数据安全决策方法、装置及设备。

背景技术

隐私计算是指在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合，达到对数据“可用、不可见”的目的；在充分保护数据和隐私安全的前提下，实现数据价值的转化和释放；是面向隐私信息全生命周期保护的计算理论和方法，是隐私信息的所有权、管理权和使用权分离时隐私度量、隐私泄漏代价、隐私保护与隐私分析复杂性的可计算模型与公理化系统。

决策树是一个预测模型；代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象（或称特征，如年龄），而每个分叉路径则代表的某个可能的属性值（或称特征值，如30岁）。

目前的决策树的训练过程是将多个参与方的数据汇总到服务器，通过服务器来依据多个参与方的数据进行决策树的训练。

但是采用上述的训练方式来训练决策树，各个参与方的数据均上传到服务器，容易产生数据的泄露，数据安全性差。

发明内容

为解决现有技术的不足，提升决策数据训练过程中数据的安全性，本发明采用如下的技术方案：

基于隐私计算的隐私数据安全决策方法，应用于服务端，所述方法包括：

确定多个客户端的共有数据，并获取共有数据的标签数据；

下发标签数据给客户端，以使客户端按照标签数据确定分割特征和分割值；

获取各个客户端上传的分割特征和分割值，并在可信执行环境中，确定最佳分割特征和最佳分割值，形成分类树；

依据分类树，确定决策树。

通过共有数据的标签数据，确定分割特征和分割值，从而在提高训练效率的同时，保证了生成的决策树的准确性和完整性，保证了中间数据在传输过程中泄露的风险，同时，相较于采用同态加密方法，能够更节省加解密的过程，以及对密文的计算、分析所消耗的时间和计算资源。

进一步地，所述方法还包括：

为用户端提供页面，页面中包含分割点设置控件；

基于在页面对分割点设置控件的触发，获取输入的分割特征和分割特征的分割集中值；

下发分割特征和分割特征的分割集中值给计算节点，以使计算节点确定分割特征和特征值；

接收分割特征和分割值。

分割点设置控件，用于预设决策树的分割值的区间，和/或设置分割值的候选数值。从而可以手动设置分割点，在确定分割值时，能够根据预设值进行分割，加快模型的训练速度。

进一步地，所述共有数据的确定包括：

下发求交集指令给各个客户端，以使得客户端对客户端本地数据的第一序号进行混淆，形成第二序号，并确定第二序号与第一序号之间的映射关系，依据第二序号和客户端的本地数据的唯一标识确定第一数据，以采用各个计算节点的本地密钥，对第一数据进行多次加密得到的第二数据，以依据第二数据进行求交集；

获取各客户端的第二数据；

依据第二数据，确定各目标对象的共有数据；