技术特征：
1.一种机器学习模型的数据处理方法，其特征在于，包括：利用不经意传输协议或同态加密算法，获取第二终端的数据信息；将所述数据信息输入到树模型中，所述树模型的每一层调用实现比较功能的函数，并根据所述数据信息，获得所述树模型每一个节点对应的哈希值，其中，所述实现比较功能的函数用于基于输入的数据生成两个哈希向量，所述哈希向量用于哈希计算；根据所述树模型的叶子节点对应的哈希值，生成节点属性值加密信息，并将所述节点属性值加密信息发送给所述第二终端，以使得所述第二终端根据所述节点属性值加密信息，生成第二终端对应的第二预测值份额。2.如权利要求1所述的方法，其特征在于，所述树模型的每一层调用实现比较功能的函数，并根据所述数据信息，获得树模型每一个节点对应的哈希值，包括：根据所述数据信息，生成第一比较数据，并根据所述第二终端生成的第二比较数据，调用所述实现比较功能的函数，获得第一哈希向量；根据所述第一哈希向量生成所述树模型的节点的哈希值，并利用所述节点的哈希值对对应的节点的属性信息进行加密，获得每一个节点的节点加密信息；将所述节点加密信息发送给所述第二终端，以使得所述第二终端根据所述实现比较功能的函数返回的第二哈希向量对所述节点加密信息进行解密，获得媒介数据；根据所述媒介数据重新生成所述第一比较数据，以及所述第二终端更新的第二比较数据，进行下一层树模型的计算，直至所述树模型的最后一层。3.如权利要求2所述的方法，其特征在于，所述利用所述节点的哈希值对对应的节点的属性信息进行加密，包括：使用对称加密算法对所述属性信息进行加密。4.如权利要求1所述的方法，其特征在于，所述根据所述树模型的叶子节点对应的哈希值，生成节点属性值加密信息，包括：随机生成第一预测值份额，并获取所述树模型的叶子节点的属性值；计算所述叶子节点的属性值与所述第一预测值份额的异或信息；利用叶子节点对应的哈希值对对应的叶子节点的异或信息进行加密，获得所述节点属性值加密信息。5.如权利要求1所述的方法，其特征在于，所述方法还包括：若所述树模型有多个，则生成多个所述节点属性值加密信息，并将多个所述节点属性值加密信息发送给所述第二终端，以使得所述第二终端根据所述节点属性值加密信息，获得多个所述第二预测值份额。6.一种机器学习模型的数据处理方法，其特征在于，包括：利用不经意传输协议或同态加密算法，将数据信息发送至第一终端，以使得所述第一终端中的树模型调用实现比较功能的函数，根据所述数据信息获得所述树模型每一个节点对应的哈希值，其中，所述实现比较功能的函数用于基于输入的数据生成两个哈希向量，所述哈希向量用于哈希计算；接收所述第一终端根据所述树模型的叶子节点对应的哈希值生成的节点属性值加密信息；对所述的节点属性值加密信息进行解密，获得第二预测值份额。
7.如权利要求6所述的方法，其特征在于，所述将数据信息发送至第一终端后，所述方法还包括：初始化生成第二比较数据，并根据所述第一终端生成的第一比较数据，调用所述实现比较功能的函数，获得第二哈希向量；接收所述第一终端根据第一哈希向量生成的节点加密信息，并根据所述第二哈希向量对所述节点加密信息进行解密，获得媒介数据；根据所述媒介数据重新生成所述第二比较数据，以及所述第一终端更新的第一比较数据，进行下一层树模型的计算，直至所述树模型的最后一层。8.如权利要求6所述的方法，其特征在于，所述方法还包括：若所述第一终端包括多个树模型，则接收多个树模型生成的节点属性值加密信息；根据所述多个节点属性值加密信息，生成多个第二预测值份额；将所述多个第二预测值份额进行线性叠加，获得模型预测信息。9.一种机器学习模型的数据处理装置，其特征在于，包括：第一数据传输模块，用于利用不经意传输协议或同态加密算法，获取第二终端的数据信息；第一模型计算模块，用于将所述数据信息输入到树模型中，所述树模型的每一层调用实现比较功能的函数，并根据所述数据信息，获得所述树模型每一个节点对应的哈希值，其中，所述实现比较功能的函数用于基于输入的数据生成两个哈希向量，所述哈希向量用于哈希计算；第一预测模块，用于根据所述树模型的叶子节点对应的哈希值，生成节点属性值加密信息，并将所述节点属性值加密信息发送给所述第二终端，以使得所述第二终端根据所述节点属性值加密信息，生成第二终端对应的第二预测值份额。10.如权利要求9所述的装置，其特征在于，所述第一模型计算模块具体用于：根据所述数据信息，生成第一比较数据，并根据所述第二终端生成的第二比较数据，调用所述实现比较功能的函数，获得第一哈希向量；根据所述第一哈希向量生成所述树模型的节点的哈希值，并利用所述节点的哈希值对对应的节点的属性信息进行加密，获得每一个节点的节点加密信息；将所述节点加密信息发送给所述第二终端，以使得所述第二终端根据所述实现比较功能的函数返回的第二哈希向量对所述节点加密信息进行解密，获得媒介数据；根据所述媒介数据重新生成所述第一比较数据，以及所述第二终端更新的第二比较数据，进行下一层树模型的计算，直至所述树模型的最后一层。11.如权利要求10所述的装置，其特征在于，所述第一模型计算模块使用对称加密算法对所述属性信息进行加密。12.如权利要求9所述的装置，其特征在于，所述第一预测模块具体用于：随机生成第一预测值份额，并获取所述树模型的叶子节点的属性值；计算所述叶子节点的属性值与所述第一预测值份额的异或信息；利用叶子节点对应的哈希值对对应的叶子节点的异或信息进行加密，获得所述节点属性值加密信息。13.如权利要求9所述的装置，其特征在于，所述第一预测模块还用于：
若所述树模型有多个，则生成多个所述节点属性值加密信息，并将多个所述节点属性值加密信息发送给所述第二终端，以使得所述第二终端根据所述节点属性值加密信息，获得多个所述第二预测值份额。14.一种机器学习模型的数据处理设备，其特征在于，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1
‑
5任一项所述的方法。15.一种机器学习模型的数据处理装置，其特征在于，包括：第二数据传输模块，用于利用不经意传输协议或同态加密算法，将数据信息发送至第一终端，以使得所述第一终端中的树模型调用实现比较功能的函数，根据所述数据信息获得所述树模型每一个节点对应的哈希值，其中，所述实现比较功能的函数用于基于输入的数据生成两个哈希向量，所述哈希向量用于哈希计算；数据接收模块，用于接收所述第一终端根据所述树模型的叶子节点对应的哈希值生成的节点属性值加密信息；第二预测模块，用于对所述的节点属性值加密信息进行解密，获得第二预测值份额。16.如权利要求15所述的装置，其特征在于，所述装置还包括第二模型计算模块，用于：将数据信息发送至第一终端后，初始化生成第二比较数据，并根据所述第一终端生成的第一比较数据，调用所述实现比较功能的函数，获得第二哈希向量；接收所述第一终端根据第一哈希向量生成的节点加密信息，并根据所述第二哈希向量对所述节点加密信息进行解密，获得媒介数据；根据所述媒介数据重新生成所述第二比较数据，以及所述第一终端更新的第一比较数据，进行下一层树模型的计算，直至所述树模型的最后一层。17.如权利要求15所述的装置，其特征在于，所述第二预测模块还用于：若所述第一终端包括多个树模型，则接收多个树模型生成的节点属性值加密信息；根据所述多个节点属性值加密信息，生成多个第二预测值份额；将所述多个第二预测值份额进行线性叠加，获得模型预测信息。18.一种机器学习模型的数据处理设备，其特征在于，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求6
‑
8任一项所述的方法。19.一种机器学习模型的数据处理系统，其特征在于，包括：模型客户端、数据客户端、数据传输模块、比较功能模块，所述模型客户端中包含有一个或多个树模型，所述数据客户端中包含有数据信息，所述数据传输模块中包括不经意传输协议或同态加密算法；所述模型客户端和所述数据客户端通过调用所述数据传输模块进行数据的传输，所述模型客户端和所述数据客户端调用所述比较功能模块，对所述模型客户端中的树模型的每一层进行数据处理，所述模型客户端用于执行上述权利要求1
‑
5任一项所述的方法，所述数据客户端用于执行上述权利要求6
‑
8任一项所述的方法。
技术总结
本说明书提供一种机器学习模型的数据处理方法、装置及系统，可以利用不经意传输协议或同态加密算法，将数据持有者的数据发送给模型持有者(102)，并且在树模型的每一层调用实现比较功能的函数(104)，忽略数据在树模型中的路径选择。将不经意传输协议或同态加密算法与实现比较功能的函数相结合，保证在模型持有者和数据持有者除了模型输出结果之外，彼此间不透露任何其他信息，确保了数据交互的安全性和隐私性。和隐私性。和隐私性。
技术研发人员：谢翔 孙立林
受保护的技术使用者：矩阵元技术（深圳）有限公司
技术研发日：2019.02.03
技术公布日：2021/11/26