模型训练方法及装置、存储介质及电子设备与流程

1.本技术涉及人工智能领域，尤其涉及一种模型训练方法及装置、存储介质及电子设备。


背景技术：

2.随着人工智能的发展，神经网络模型广泛应用于各个领域，包括语音识别、计算机视觉、医学医疗和智能博弈等。神经网络模型需要训练完成之后才能投入使用。
3.现有技术中，模型训练通常是在本地进行训练，而模型训练的过程往往需要占用大量的计算机资源，由此影响计算机的运行性能，导致其他业务无法正常运行。


技术实现要素：

4.本技术提供了一种模型训练方法及装置、存储介质及电子设备，目的在于解决本地对模型进行训练需要占用大量的计算机资源，由此影响计算机的运行性能，导致其他业务无法正常运行的问题。
5.为了实现上述目的，本技术提供了以下技术方案：
6.一种模型训练方法，包括：
7.获取模型训练数据和模型训练算法；
8.分别对所述模型训练数据和所述模型训练算法进行加密，得到模型训练数据密文和模型训练算法密文；
9.将所述模型训练数据密文和所述模型训练算法密文发送至云平台，以便于所述云平台依据所述模型训练算法密文对所述模型训练数据进行训练，得到加密模型；
10.获取所述云平台反馈的加密模型，对所述加密模型进行解密，得到目标模型。
11.上述的方法，可选的，所述分别对模型训练数据和模型训练算法进行加密，得到模型训练数据密文和模型训练算法密文，包括：
12.利用加密公钥，分别对模型训练数据和模型训练算法进行加密，得到模型训练数据密文和模型训练算法密文；
13.所述对所述加密模型进行解密，得到目标模型，包括：
14.利用解密私钥，对所述加密模型进行解密，得到目标模型。
15.上述的方法，可选的，所述获取模型训练数据和模型训练算法，包括：
16.响应于用户的模型训练触发指令，获取所述用户的用户信息密文；
17.依据所述用户信息密文，向云平台发送身份校验请求，以触发所述云平台依据预先存储的各个用户信息密文，对所述用户进行身份校验，生成身份校验结果；
18.接收所述云平台反馈的身份校验结果；
19.若所述身份校验结果表征所述用户通过身份校验，获取模型训练数据和模型训练算法。
20.上述的方法，可选的，还包括：
21.若所述身份校验结果表征所述用户未通过身份校验，则输出提示信息；所述提示信息用于提示未通过身份校验。
22.上述的方法，可选的，所述以触发所述云平台依据预先存储的各个用户信息密文，对所述用户进行身份校验，生成身份校验结果，包括：
23.以触发所述云平台将所述用户信息密文与预先存储的各个用户信息密文进行匹配，若预先存储的各个用户信息密文中存在与所述身份校验请求中携带的用户信息密文相匹配的用户信息密文，则生成表征通过身份校验的身份校验结果，若预先存储的各个用户信息密文中不存在与所述身份校验请求中携带的用户信息密文相匹配的用户信息密文，则生表征未通过身份校验的身份校验结果。
24.上述的方法，可选的，所述云平台包括私有云平台。
25.一种模型训练装置，包括：
26.获取单元，用于获取模型训练数据和模型训练算法；
27.加密单元，用于分别对所述模型训练数据和所述模型训练算法进行加密，得到模型训练数据密文和模型训练算法密文；
28.发送单元，用于将所述模型训练数据密文和所述模型训练算法密文发送至云平台，以便于所述云平台依据所述模型训练算法密文对所述模型训练数据进行训练，得到加密模型；
29.解密单元，用于在接收所述云平台反馈的加密模型后，对所述加密模型进行解密，得到目标模型。
30.上述的装置，可选的，所述获取单元具体用于：
31.响应于用户的模型训练触发指令，获取所述用户的用户信息密文；
32.依据所述用户的用户信息密文，向云平台发送身份校验请求，以触发所述云平台依据预先存储的各个用户信息密文，对所述用户进行身份校验，生成身份校验结果；
33.接收所述云平台反馈的身份校验结果；
34.若所述身份校验结果表征所述用户通过身份校验，获取模型训练数据和模型训练算法。
35.一种存储介质，所述存储介质存储有指令集，其中，所述指令集被处理器执行时实现上述的任一模型训练方法。
36.一种电子设备，包括：
37.存储器，用于存储至少一组指令集；
38.处理器，用于执行所述存储器中存储的指令集，通过执行所述指令集实现如上述的任一模型训练方法。
39.与现有技术相比，本技术包括以下优点：
40.本技术提供了一种模型训练方法及装置，该方法包括：将加密后的模型训练数据和模型训练算法发送至云平台，通过云平台基于加密后的模型训练算法，对加密后的模型训练数据进行模型训练，得到加密模型，然后对加密模型进行解密，从而得到目标模型。可见，本技术方案，将模型训练数据和模型训练算法加密传输至云平台，云平台直接基于加密后的模型训练算法，对加密后的模型训练数据进行模型训练，从而避免了模型训练数据的泄露，并且，由于模型训练是在云平台进行，而不是在本地进行，从而降低了计算机资源损
耗、进而减小对计算机运行性能的影响。
附图说明
41.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
42.图1为本技术提供的一种模型训练方法的方法流程图；
43.图2为本技术提供的一种模型训练方法的又一方法流程图；
44.图3为本技术提供的一种模型训练方法的示例图；
45.图4为本技术提供的一种贷款用途监控装置的结构示意图；
46.图5为本技术提供的一种电子设备的结构示意图。
具体实施方式
47.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
48.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
49.需要注意，本技术公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
50.需要注意，本技术公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
51.本技术可用于众多通用或专用的计算装置环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
52.本技术实施例提供了一种模型训练方法，该方法可以应用在多种系统平台，其执行主体可以为计算机终端或各种移动设备的处理器，所述方法的方法流程图如图1所示，具体包括：
53.s101、获取模型训练数据和模型训练算法。
54.本实施例中，获取用于模型训练的模型训练数据和模型训练算法。
55.其中，模型训练算法的获取过程可以是，获取用户通过显示界面选择的模型训练算法，也可以是获取用户通过显示界面输入的模型训练算法。
56.其中，模型训练数据的获取过程，可以获取用户通过显示界面上传的模型训练数据，也可以是，获取本地预先存储的模型训练数据。
57.参阅图2，获取模型训练数据和模型训练算法的过程，具体包括以下步骤：
58.s201、响应于用户的模型训练触发指令，获取用户的用户信息密文。
59.本实施例中，预先生成加密公钥和解密私钥，其中，加密公钥和解密私钥是基于加密算法生成的，其中，加密算法包括但不限于同态加密算法。
60.可选的，可以将加密公钥发送至云平台，其中，云平台可以是私有云平台，也可以是公有云平台。
61.本实施例中，在接收到用户的模型训练触发指令后，对模型训练触发指令进行响应，获取该用户的用户信息密文，具体的，可以是获取该用户的用户信息，并对用户信息进行加密，得到用户信息密文。其中，用户信息为表征用户身份的信息，可选的，用户信息可以是用户身份证号，也可以是用户工作编号。
62.其中，对用户信息进行加密，具体包括：利用预先生成的加密公钥对用户信息进行加密。
63.s202、依据用户信息密文，向云平台发送身份校验请求，以触发云平台依据预先存储的各个用户信息密文，对用户进行身份校验，生成身份校验结果。
64.本实施例中，依据用户信息密文，向云平台发送身份校验请求，其中，身份校验请求中携带用户信息密文。
65.云平台在接收到身份校验请求后，依据预先存储的各个用户信息密文，对用户进行身份校验，具体的，将用户信息密文分别与预先存储的各个用户信息密文进行匹配，若预先存储的各个用户信息密文中存在与身份校验请求中携带的用户信息密文相匹配的用户信息密文，则确定出用户通过身份校验，并生成表征通过身份校验的身份校验结果，若预先存储的各个用户信息密文中不存在与身份校验请求中携带的用户信息密文相匹配的用户信息密文，则确定出该用户未通过身份校验，并生成表征未通过身份校验的身份校验结果。
66.其中，预先存储的用户信息密文为，用户在注册私有平台时，所上传的用户信息密文。
67.本实施例中，云平台直接在加密的用户信息上进行身份校验，无需解密用户信息，从而防止云平台用户信息的泄露。
68.本实施例中，云平台将对用户进行身份校验的身份校验结果进行反馈。
69.s203、接收云平台反馈的身份校验结果。
70.s204、判断身份校验结果是否表征用户通过身份校验，若否，执行s205，若是，执行s206。
71.s205、输出提示信息。
72.本实施例中，若身份校验结果表征用户未通过身份校验，则输出提示信息，所述提示信息用于提示用户未通过身份校验。
73.s206、获取模型训练数据和模型训练算法。
74.本实施例中，若用户身份校验结果表征用户通过身份校验，则获取用于模型训练的模型训练数据和模型训练算法。
75.s102、分别对模型训练数据和模型训练算法进行加密，得到模型训练数据密文和模型训练算法密文。
76.本实施例中，分别对模型训练数据和模型训练算法进行加密，得到模型训练数据
密文和模型训练算法密文，也就是说，对模型训练数据进行加密，得到模型训练数据密文，对模型训练算法进行加密，得到模型训练算法密文。
77.本实施例中，分别对模型训练数据和模型训练算法进行加密，得到模型训练数据密文和模型训练算法密文的过程，包括：利用加密公钥，分别对模型训练数据和模型训练算法进行加密，得到模型训练数据密文和模型训练算法密文，其中，加密公钥基于加密算法生成，其中，加密算法包括但不限于同态加密算法。
78.s103、将模型训练数据密文和模型训练算法密文发送至云平台，以便于云平台依据模型训练算法密文对模型训练数据进行训练，得到加密模型。
79.本实施例中，将模型训练数据密文和模型训练算法密文发送至云平台。
80.云平台在接收到模型训练数据密文和模型训练算法密文后，直接基于模型训练算法密文对模型训练数据进行训练，从而得到加密模型。
81.云平台将加密模型进行反馈。
82.s104、在接收云平台反馈的加密模型后，对加密模型进行解密，得到目标模型。
83.本实施例中，在接收到云平台反馈的加密模型后，对加密模型进行解密，具体的，利用解密私钥，对加密模型进行解密，从而得到目标模型，其中，解密私钥基于加密算法生成，其中，加密算法包括但不限于同态加密算法。
84.本技术实施例提供的模型训练方法，将模型训练数据和模型训练算法加密传输至云平台，云平台直接基于加密后的模型训练算法，对加密后的模型训练数据进行模型训练，从而避免了数据的模型训练数据的泄露，由于模型训练是在云平台进行训练，而不是在本地进行训练，从而降低了计算机资源损耗、进而减小对计算机运行性能的影响，并且，由于解密私钥不对外公布，只存储在本地，当出现数据泄漏时，能够直接追踪到泄露根源。
85.需要说明的是，本技术实施例所提及的云平台可是公有云平台，也可以是私有云平台，其中，私有云的安全性高于公有云，优选的，本技术应用私有云平台进行模型训练，从而进一步提高数据的安全性。
86.参阅图3，对本技术实施例提供的模型训练过程进行举例说明，如下：
87.针对私有云用户1，私有云用户1对应的终端基于同态加密算法生成私有云用户1对应的加密公钥pk1和解密私钥sk1，并将加密公钥pk1和解密私钥sk1进行存储，可选的，可以将加密公钥pk1对外公布。
88.针对私有云用户2，私有云用户2对应的终端基于同态加密算法生成私有云用户2对应的加密公钥pk2和解密私钥sk2，并将加密公钥pk2和解密私钥sk2进行存储，可选的，可以将加密公钥pk2对外公布。
89.以此类推，针对私有云用户n，私有云用户n对应的终端基于同态加密算法生成私有云用户n对应的加密公钥pk1和解密私钥skn，并将加密公钥pkn和解密私钥skn进行存储，可选的，可以将加密公钥pkn对外公布。
90.每个私有云用户对应的终端中包括用户注册模快、同态加密模型和模型训练算法，其中，用户注册模块，用于利用加密公钥加密用户信息，得到用户信息密文，并将用户信息密文发送至私有云平台，完成私有云平台的注册；同态加密模块，用于利用私有云用户对应的加密公钥加密用户信息和模型训练数据，并将加密后的用户信息和模型训练数据发送至私有云平台，利用解密私钥sk1解密私有云平台反馈的加密模型，从而得到目标模型；模
型训练算法，用于利用加密公钥加密模型训练算法。
91.私有云平台包括身份认证模块和模型训练模块，其中，身份认证模块，用于依据预先存储的用户信息密文，对用户进行身份校验；模型训练模块，用于基于加密后的模型训练算法对加密后的模型训练数据进行训练，得到加密模型。
92.需要说明的是，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。
93.应当理解，本技术公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本技术公开的范围在此方面不受限制。
94.与图1所述的方法相对应，本技术实施例还提供了一种模型训练装置，用于对图1中方法的具体实现，其结构示意图如图4示，具体包括：
95.获取单元401，用于获取模型训练数据和模型训练算法；
96.加密单元402，用于分别对所述模型训练数据和所述模型训练算法进行加密，得到模型训练数据密文和模型训练算法密文；
97.发送单元403，用于将所述模型训练数据密文和所述模型训练算法密文发送至云平台，以便于所述云平台依据所述模型训练算法密文对所述模型训练数据进行训练，得到加密模型；
98.解密单元404，用于获取所述云平台反馈的加密模型，对所述加密模型进行解密，得到目标模型。
99.本技术实施例提供的模型训练装置，将模型训练数据和模型训练算法加密传输至云平台，云平台直接基于加密后的模型训练算法，对加密后的模型训练数据进行模型训练，从而避免了数据的模型训练数据的泄露，由于模型训练是在云平台进行训练，而不是在本地进行训练，从而降低了计算机资源损耗、进而减小对计算机运行性能的影响，并且，由于解密私钥不对外公布，只存储在本地，当出现数据泄漏时，能够直接追踪到泄露根源。
100.在本技术的一个实施例中，基于前述方案，加密单元402具体用于：
101.利用加密公钥，分别对模型训练数据和模型训练算法进行加密，得到模型训练数据密文和模型训练算法密文；
102.解密单元404具体用于：
103.利用解密私钥，对所述加密模型进行解密，得到目标模型。
104.在本技术的一个实施例中，基于前述方案，获取单元401具体用于：
105.响应于用户的模型训练触发指令，获取所述用户的用户信息密文；
106.依据所述用户的用户信息密文，向云平台发送身份校验请求，以触发所述云平台依据预先存储的各个用户信息密文，对所述用户进行身份校验，生成身份校验结果；
107.接收所述云平台反馈的身份校验结果；
108.若所述身份校验结果表征所述用户通过身份校验，获取模型训练数据和模型训练算法。
109.在本技术的一个实施例中，基于前述方案，还可以配置为：
110.输出单元，用于若所述身份校验结果表征所述用户未通过身份校验，则输出提示
信息；所述提示信息用于提示未通过身份校验。
111.在本技术的一个实施例中，基于前述方案，用于执行以触发所述云平台依据预先存储的各个用户信息密文，对所述用户进行身份校验，生成身份校验结果的发送单元403，具体用于：
112.以触发所述云平台将所述用户信息密文与预先存储的各个用户信息密文进行匹配，若预先存储的各个用户信息密文中存在与所述身份校验请求中携带的用户信息密文相匹配的用户信息密文，则生成表征通过身份校验的身份校验结果，若预先存储的各个用户信息密文中不存在与所述身份校验请求中携带的用户信息密文相匹配的用户信息密文，则生成表征未通过身份校验的身份校验结果。
113.在本技术的一个实施例中，基于前述方案，云平台包括私有云平台。
114.本技术实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时执行以下操作：
115.获取模型训练数据和模型训练算法；
116.分别对所述模型训练数据和所述模型训练算法进行加密，得到模型训练数据密文和模型训练算法密文；
117.将所述模型训练数据密文和所述模型训练算法密文发送至云平台，以便于所述云平台依据所述模型训练算法密文对所述模型训练数据进行训练，得到加密模型；
118.获取所述云平台反馈的加密模型，对所述加密模型进行解密，得到目标模型。
119.本技术实施例还提供了一种电子设备，其结构示意图如图5所示，具体包括存储器501，用于存储至少一组指令集；处理器502，用于执行所述存储器中存储的指令集，通过执行所述指令集实现以下操作：
120.获取模型训练数据和模型训练算法；
121.分别对所述模型训练数据和所述模型训练算法进行加密，得到模型训练数据密文和模型训练算法密文；
122.将所述模型训练数据密文和所述模型训练算法密文发送至云平台，以便于所述云平台依据所述模型训练算法密文对所述模型训练数据进行训练，得到加密模型；
123.获取所述云平台反馈的加密模型，对所述加密模型进行解密，得到目标模型。
124.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
125.虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本技术公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
126.以上描述仅为本技术公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。