明火检测方法、装置、电子设备及存储介质与流程

1.本技术涉及联合学习框架技术领域，特别涉及一种明火检测方法、装置、电子设备及存储介质。


背景技术：

2.随着人类社会数字化进程越来越快，产生了大量数据，通过机器学习技术可以自动化地挖掘数据中蕴藏的宝藏，经过大量数据训练出来的机器学习模型已经应用在各类场景中，例如精准医疗、临床辅助诊断、新药研发、人像识别、声纹识别、千人千面推荐算法、图片、语音、自然语言等多模态学习。在应用中，模型的精度、泛化能力等至关重要，而这些都赖于机器对大量数据的学习。。
3.明火检测是能源安全场景中的核心场景，及时发现并进行异常报警，能够很好的保障财产生命安全，但是由于特殊的作业场景，导致数据存在一定的集中性，数据表现的维度不全面。
4.相关技术中，采用联邦学习的方式将各个参与方数据联合起来共同训练获得一个大模型；但是容易导致用户的数据隐私泄露、安全性不高；对于数据量较大的参与方来说，联合学习的聚合效率较低；由于数据存在一定的集中性，数据表现的维度不全面，导致产生的模型效果较差。


技术实现要素：

5.本技术提供一种明火检测方法、装置、电子设备及存储介质，以解决相关技术中采用联邦学习的方式容易造成用户的隐私泄露，安全性较差；对于数据量较大的参与方而言，联合学习的聚合效率较低，导致产生的模型效果较差等问题。
6.本技术第一方面实施例提供一种明火检测方法，包括以下步骤：获取一个或多个参与方的样本数据；根据每个参与方的样本数据进行本地知识的迭代蒸馏，在每次迭代过程中得到所述每个参与方对应本地模型的更新参数；对所述更新参数进行联合聚合加密得到加密数据，上传所述加密数据至联合学习引擎，利用所述联合学习引擎进行联合蒸馏，以对所有参与方的本地模型知识进行聚合迭代，直到迭代结束，利用所述参与方的本体模型进行明火检测。
7.可选地，所述对所述更新参数进行联合聚合加密得到加密数据，包括：以随机生成的伪随机数为种子，利用伪随机数生成器生成伪随机数数组；以密钥协商的各方公钥和己方的私钥生成共同钥匙，以所述共同钥匙为种子生成随机数组；根据所述伪随机数数组和所述随机数组进行混淆得到混淆矩阵，并聚合所述混淆矩阵得到聚合矩阵，利用所述聚合矩阵对所述更新参数进行加密得到所述加密数据。
8.可选地，所述聚合所述混淆矩阵得到聚合矩阵，包括：识别所有最终参与聚合的参与方的随机数数组；通过秘密分享还原所有聚合掉线参与方的随机数组，聚合所有随机数组得到所述聚合矩阵。
9.可选地，所述本地模型包括教师模型和学生模型，所述对所述所有参与方的本地模型知识进行聚合迭代，包括：对所述所有参与方的教师模型知识进行聚合迭代。
10.本技术第二方面实施例提供一种明火检测装置，包括：获取模块，用于获取一个或多个参与方的样本数据；蒸馏模块，用于根据每个参与方的样本数据进行本地知识的迭代蒸馏，在每次迭代过程中得到所述每个参与方对应本地模型的更新参数；加密模块，用于对所述更新参数进行联合聚合加密得到加密数据，上传所述加密数据至联合学习引擎，利用所述联合学习引擎进行联合蒸馏，以对所有参与方的本地模型知识进行聚合迭代，直到迭代结束，利用所述参与方的本体模型进行明火检测。
11.可选地，所述加密模块进一步用于：以随机生成的伪随机数为种子，利用伪随机数生成器生成伪随机数数组；以密钥协商的各方公钥和己方的私钥生成共同钥匙，以所述共同钥匙为种子生成随机数组；根据所述伪随机数数组和所述随机数组进行混淆得到混淆矩阵，并聚合所述混淆矩阵得到聚合矩阵，利用所述聚合矩阵对所述更新参数进行加密得到所述加密数据。
12.可选地，所述加密模块进一步用于：识别所有最终参与聚合的参与方的随机数数组；通过秘密分享还原所有聚合掉线参与方的随机数组，聚合所有随机数组得到所述聚合矩阵。
13.可选地，所述加密模块进一步用于：对所述所有参与方的教师模型知识进行聚合迭代。
14.本技术第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的明火检测方法。
15.本技术第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的明火检测方法。
16.由此，本技术至少具有如下有益效果：
17.本技术实施例在联合学习框架下，融合了隐私保护技术和知识蒸馏技术，通过采用安全聚合算法，使得对于参与方的数目不做限制，融合效率高，在模型参数增加时接近非安全聚合，在聚合过程中允许部分参与方掉线；在联合知识蒸馏过程中，增加了对教师模型知识的聚合迭代，使得模型效果得到进一步提升。
18.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
19.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
20.图1为根据本技术实施例提供的一种明火检测方法的流程图；
21.图2为根据本技术实施例提供的联合学习整个框架示意图；
22.图3为根据本技术实施例提供的知识蒸馏示意图；
23.图4为根据本技术实施例的明火检测装置的示例图；
24.图5为根据本技术实施例的电子设备的结构示意图。
具体实施方式
25.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
26.下面参考附图描述本技术实施例的明火检测方法、装置、电子设备及存储介质。针对上述背景技术中提到的相关技术中采用联邦学习的方式容易造成用户的隐私泄露，安全性较差；对于数据量较大的参与方而言，联合学习的聚合效率较低，导致产生的模型效果较差等问题，本技术提供了一种明火检测方法，在该方法中，对每个参与方的样本数据进行迭代蒸馏，在每次迭代过程中得到参与方对应的本地模型的更新参数，对更新参数进行联合聚合加密得到加密数据，上传加密数据至联合学习引擎进行联合蒸馏，对所有参与方的本地模型知识进行聚合迭代，直至迭代结束，并利用迭代后的参与方本体模型进行明火检测，因此在联合学习的框架下，融合了隐私保护技术和知识蒸馏技术，既能够保护用户的数据隐私，又能够获取高效高精度的明火检测模型。由此，解决了相关技术中采用联邦学习的方式容易造成用户的隐私泄露，安全性较差；对于数据量较大的参与方而言，联合学习的聚合效率较低，导致产生的模型效果较差等问题。
27.具体而言，图1为本技术实施例所提供的明火检测方法的流程示意图。
28.如图1所示，该明火检测方法包括以下步骤：
29.在步骤s101中，获取一个或多个参与方的样本数据。
30.可以理解的是，本技术实施例获取参与方的样本数据，以便于后续对样本数据进行迭代蒸馏。
31.在步骤s102中，根据每个参与方的样本数据进行本地知识的迭代蒸馏，在每次迭代过程中得到每个参与方对应本地模型的更新参数。
32.其中，本地模型包括教师模型和学生模型。
33.可以理解的是，本技术实施例根据每个参与方的样本数据进行迭代蒸馏，在每次迭代过程中得到参与方对应的本地模型的更新参数，以便于后续对更新参数进行加密。
34.在步骤s103中，对更新参数进行联合聚合加密得到加密数据，上传加密数据至联合学习引擎，利用联合学习引擎进行联合蒸馏，以对所有参与方的本地模型知识进行聚合迭代，直到迭代结束，利用参与方的本体模型进行明火检测。
35.其中，联合学习引擎服务通过统一接口为联合学习应用提供高效的学习。
36.可以理解的是，本技术实施例对更新参数进行联合聚合加密得到加密数据，上传加密数据至联合学习引擎进行联合蒸馏，对所有参与方的本地模型知识进行聚合迭代，直至迭代结束，并利用迭代后的参与方本体模型进行明火检测，因此在联合学习的框架下，融合了隐私保护技术和知识蒸馏技术，既能够保护用户的数据隐私，又能够获取高效高精度的明火检测模型。
37.在本技术实施例中，对更新参数进行联合聚合加密得到加密数据，包括：以随机生成的伪随机数为种子，利用伪随机数生成器生成伪随机数数组；以密钥协商的各方公钥和己方的私钥生成共同钥匙，以共同钥匙为种子生成随机数组；根据伪随机数数组和随机数组进行混淆得到混淆矩阵，并聚合混淆矩阵得到聚合矩阵，利用聚合矩阵对更新参数进行加密得到加密数据。
38.其中，伪随机数是用确定性的算法计算出来自[0,1]均匀分布的随机数序列；伪随机数生成器只要定义了相同的初始种子数值，则后续生成的随机数顺序为固定的，在此不做具体限定。
[0039]
可以理解的是，本技术实施例以随机生成的伪随机数为种子，利用伪随机数生成器生成伪随机数组，并以密钥协商的各方公钥和己方的私钥生成共同钥匙，以共同钥匙为种子生成随机数组，根据伪随机数数组和随即数组进行混淆得到混淆矩阵，并聚合混淆矩阵得到聚合矩阵，利用聚合矩阵对更新参数进行机密得到加密数据，从而保护了用户的数据隐私安全。
[0040]
在本技术实施例中，聚合混淆矩阵得到聚合矩阵，包括：识别所有最终参与聚合的参与方的随机数数组；通过秘密分享还原所有聚合掉线参与方的随机数组，聚合所有随机数组得到聚合矩阵。
[0041]
可以理解的是，本技术实施例通过识别所要最终参与聚合的参与方的随机数数组，通过秘密分享还原所有聚合掉线参与方的随机数据，并聚合所有随机数据得到聚合矩阵，提升了融合效率。
[0042]
在本技术实施例中，对所有参与方的本地模型知识进行聚合迭代，包括：对所有参与方的教师模型知识进行聚合迭代。
[0043]
可以理解的是，本技术实施例对所有参与方的教师模型知识进行聚合迭代，使得模型的效果得到进一步提升。
[0044]
具体地，对所有参与方的教师模型知识进行聚合迭代的具体过程如下：由联合学习引擎下发模型，由本地参与方进行知识蒸馏优化后并上传至联合学习引擎，然后再由引擎聚合模型下发至本地参与方进行优化，由本地优化后再次上传，直至教师模型知道本地模型修改。
[0045]
根据本技术实施例提出的明火检测方法，对每个参与方的样本数据进行迭代蒸馏，在每次迭代过程中得到参与方对应的本地模型的更新参数，对更新参数进行联合聚合加密得到加密数据，上传加密数据至联合学习引擎进行联合蒸馏，对所有参与方的本地模型知识进行聚合迭代，直至迭代结束，并利用迭代后的参与方本体模型进行明火检测，因此在联合学习的框架下，融合了隐私保护技术和知识蒸馏技术，既能够保护用户的数据隐私，又能够获取高效高精度的明火检测模型。由此，解决了相关技术中采用联邦学习的方式容易造成用户的隐私泄露，安全性较差；对于数据量较大的参与方而言，联合学习的聚合效率较低，导致产生的模型效果较差等问题。
[0046]
下面将结合图2所示的整体框架对明火检测方法进行详细阐述，具体如下：
[0047]
在联合学习框架下，融合了隐私保护技术和知识蒸馏技术，其中，隐私保护，主要集中在本地与引擎参数和交互过程中的加密，对于联邦聚合算法进行一下部分的优化，增加数据加密逻辑；而知识蒸馏技术增加了对教师模型知识的聚合迭代，使得模型效果进一步得到提升，具体步骤如下：
[0048]
1、隐私保护
[0049]
1)前提假设
[0050]
假设需要进行联邦聚合的参与方(agent)有k个第i个参与方ai拥有自己的样本数
为ni，所有参与方的总样本量为:则第i个参与方在参数迭代中的权重大小为：αi＝ni/n
all
。
[0051]
2)聚合逻辑
[0052]
假设第i个参与方ai在迭代本地模型的时候计算出来需要更新的参数大小为di则在全局模型中参数更新的大小为
[0053]
联邦聚合加密的核心在于对进行加密，获得加和的数值但不泄露每个agent方的参数信息a
idi
。注意，a
idi
可以在参与方本地进行计算，所以聚合的时候计算逻辑只包含加法逻辑运算。
[0054]
3)加密方案(混淆方案)
[0055]
在初始化阶段agent端生成1个伪随机数bu，以该随机数为种子，利用伪随机数生成器f(该生成器只要定义了相同的初始种子数值，则后续生成的随机数顺序为固定的，生成器算法为prf)生成伪随机数数组(pu1,pu2,pu3,...,puk)；同时以密钥协商的各方公钥和己方的私钥生成共同的钥匙s
u,v
，以该钥匙为种子生成随机数组p
u,v
，其中，u表示以密钥协商的各方公钥；v表示己方的私钥。
[0056]
p
u,v
＝δ
u,v
*prg(s
u,v
)
[0057][0058]
注意，这里的p
u,v
由于前面有个参数，这能保证所有的p
u,v
相加之和为0。
[0059]
agent方将需要聚合的矩阵进行混淆
[0060]yu
←
xu+pu+∑p
u,v
[0061]
server端对混淆后的矩阵进行聚合，掉线的参与方的随机数通过秘密分享进行还原：
[0062]
z＝∑y
u-∑pu+∑p
u,v
[0063]
其中，∑pu和∑yu代表所有最终参与聚合的参与方的随机数数组，∑p
u,v
代表所有此次聚合掉线的参与方中的随机数组。
[0064]
2、知识蒸馏
[0065]
区别于本地知识蒸馏，联合蒸馏过程中，增加了对教师模型知识的聚合迭代：由联合学习引擎下发模型，由本地参与方进行知识蒸馏优化后并上传至联合学习引擎，然后再由引擎聚合模型下发至本地参与方进行优化，由本地优化后再次上传，直至教师模型知道本地模型修改，相比普通联合学习，模型效果进一步得到提升，如图3所示。
[0066]
参与方a有少量数据，参与方b有部分数据，参与方c数据占所有参与方数据之和的80％。
[0067]
明火检测中采用的教师模型可以是resnet50，学生模型可以是resnet18。实验表
明，联合蒸馏的方式对于所有参与方模型精度都有所提升，其效果》只联合或者只蒸馏》本地参与方自己模型。
[0068]
其次参照附图描述根据本技术实施例提出的明火检测装置。
[0069]
图4是本技术实施例的明火检测装置的方框示意图。
[0070]
如图4所示，该明火检测装置10包括：获取模块100、蒸馏模块200和加密模块300。
[0071]
其中，获取模块100用于获取一个或多个参与方的样本数据；蒸馏模块200用于根据每个参与方的样本数据进行本地知识的迭代蒸馏，在每次迭代过程中得到每个参与方对应本地模型的更新参数；加密模块300用于对更新参数进行联合聚合加密得到加密数据，上传加密数据至联合学习引擎，利用联合学习引擎进行联合蒸馏，以对所有参与方的本地模型知识进行聚合迭代，直到迭代结束，利用参与方的本体模型进行明火检测。
[0072]
在本技术实施例中，加密模块300进一步用于：以随机生成的伪随机数为种子，利用伪随机数生成器生成伪随机数数组；以密钥协商的各方公钥和己方的私钥生成共同钥匙，以共同钥匙为种子生成随机数组；根据伪随机数数组和随机数组进行混淆得到混淆矩阵，并聚合混淆矩阵得到聚合矩阵，利用聚合矩阵对更新参数进行加密得到加密数据。
[0073]
在本技术实施例中，联加密模块300进一步用于：识别所有最终参与聚合的参与方的随机数数组；通过秘密分享还原所有聚合掉线参与方的随机数组，聚合所有随机数组得到聚合矩阵。
[0074]
在本技术实施例中，加密模块300进一步用于：对所有参与方的教师模型知识进行聚合迭代。
[0075]
需要说明的是，前述对明火检测方法实施例的解释说明也适用于该实施例的明火检测装置，此处不再赘述。
[0076]
根据本技术实施例提出的明火检测装置，对每个参与方的样本数据进行迭代蒸馏，在每次迭代过程中得到参与方对应的本地模型的更新参数，对更新参数进行联合聚合加密得到加密数据，上传加密数据至联合学习引擎进行联合蒸馏，对所有参与方的本地模型知识进行聚合迭代，直至迭代结束，并利用迭代后的参与方本体模型进行明火检测，因此在联合学习的框架下，融合了隐私保护技术和知识蒸馏技术，既能够保护用户的数据隐私，又能够获取高效高精度的明火检测模型。由此，解决了相关技术中采用联邦学习的方式容易造成用户的隐私泄露，安全性较差；对于数据量较大的参与方而言，联合学习的聚合效率较低，导致产生的模型效果较差等问题。
[0077]
图5为本技术实施例提供的电子设备的结构示意图。该电子设备可以包括：
[0078]
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
[0079]
处理器502执行程序时实现上述实施例中提供的明火检测方法。
[0080]
进一步地，电子设备还包括：
[0081]
通信接口503，用于存储器501和处理器502之间的通信。
[0082]
存储器501，用于存放可在处理器502上运行的计算机程序。
[0083]
存储器501可能包含高速ram(random access memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
[0084]
如果存储器501、处理器502和通信接口503独立实现，则通信接口503、存储器501
和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component，外部设备互连)总线或eisa(extended industry standard architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0085]
可选的，在具体实现上，如果存储器501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
[0086]
处理器502可能是一个cpu(central processing unit，中央处理器)，或者是asic(application specific integrated circuit，特定集成电路)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0087]
本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的明火检测方法。
[0088]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0089]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0090]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0091]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。
[0092]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0093]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述
实施例进行变化、修改、替换和变型。

技术特征：
1.一种明火检测方法，其特征在于，包括以下步骤：获取一个或多个参与方的样本数据；根据每个参与方的样本数据进行本地知识的迭代蒸馏，在每次迭代过程中得到所述每个参与方对应本地模型的更新参数；对所述更新参数进行联合聚合加密得到加密数据，上传所述加密数据至联合学习引擎，利用所述联合学习引擎进行联合蒸馏，以对所有参与方的本地模型知识进行聚合迭代，直到迭代结束，利用所述参与方的本体模型进行明火检测。2.根据权利要求1所述的方法，其特征在于，所述对所述更新参数进行联合聚合加密得到加密数据，包括：以随机生成的伪随机数为种子，利用伪随机数生成器生成伪随机数数组；以密钥协商的各方公钥和己方的私钥生成共同钥匙，以所述共同钥匙为种子生成随机数组；根据所述伪随机数数组和所述随机数组进行混淆得到混淆矩阵，并聚合所述混淆矩阵得到聚合矩阵，利用所述聚合矩阵对所述更新参数进行加密得到所述加密数据。3.根据权利要求2所述的方法，其特征在于，所述聚合所述混淆矩阵得到聚合矩阵，包括：识别所有最终参与聚合的参与方的随机数数组；通过秘密分享还原所有聚合掉线参与方的随机数组，聚合所有随机数组得到所述聚合矩阵。4.根据权利要求1所述的方法，其特征在于，所述本地模型包括教师模型和学生模型，所述对所述所有参与方的本地模型知识进行聚合迭代，包括：对所述所有参与方的教师模型知识进行聚合迭代。5.一种明火检测装置，其特征在于，包括：获取模块，用于获取一个或多个参与方的样本数据；蒸馏模块，用于根据每个参与方的样本数据进行本地知识的迭代蒸馏，在每次迭代过程中得到所述每个参与方对应本地模型的更新参数；加密模块，用于对所述更新参数进行联合聚合加密得到加密数据，上传所述加密数据至联合学习引擎，利用所述联合学习引擎进行联合蒸馏，以对所有参与方的本地模型知识进行聚合迭代，直到迭代结束，利用所述参与方的本体模型进行明火检测。6.根据权利要求5所述的装置，其特征在于，所述加密模块进一步用于：以随机生成的伪随机数为种子，利用伪随机数生成器生成伪随机数数组；以密钥协商的各方公钥和己方的私钥生成共同钥匙，以所述共同钥匙为种子生成随机数组；根据所述伪随机数数组和所述随机数组进行混淆得到混淆矩阵，并聚合所述混淆矩阵得到聚合矩阵，利用所述聚合矩阵对所述更新参数进行加密得到所述加密数据。7.根据权利要求6所述的装置，其特征在于，所述加密模块进一步用于：识别所有最终参与聚合的参与方的随机数数组；通过秘密分享还原所有聚合掉线参与方的随机数组，聚合所有随机数组得到所述聚合矩阵。
8.根据权利要求5所述的装置，其特征在于，所述加密模块进一步用于：对所述所有参与方的教师模型知识进行聚合迭代。9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-4任一项所述的明火检测方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-4任一项所述的明火检测方法。

技术总结
本申请涉及联合学习框架技术领域，特别涉及一种明火检测方法、装置、电子设备及存储介质，其中，方法包括以下步骤：获取一个或多个参与方的样本数据；根据每个参与方的样本数据进行本地知识的迭代蒸馏，在每次迭代过程中得到每个参与方对应本地模型的更新参数；对更新参数进行联合聚合加密得到加密数据，上传加密数据至联合学习引擎，利用联合学习引擎进行联合蒸馏，以对所有参与方的本地模型知识进行聚合迭代，直到迭代结束，利用参与方的本体模型进行明火检测。由此，解决了相关技术中采用联邦学习的方式容易造成用户的隐私泄露，安全性较差；对于数据量较大的参与方而言，联合学习的聚合效率较低，导致产生的模型效果较差等问题。题。题。


技术研发人员：赵蕾
受保护的技术使用者：新奥新智科技有限公司
技术研发日：2023.05.29
技术公布日：2023/10/7