本發(fā)明涉及通信，尤其是一種基于區(qū)塊鏈與聯(lián)邦學習的電信詐騙檢測模型訓練方法和裝置。

背景技術：

1、隨著現(xiàn)代社會的網(wǎng)絡智能化水平的提高,傳統(tǒng)犯罪活動不斷走向了網(wǎng)絡空間，利用通信和網(wǎng)絡等技術手段進行的非接觸犯罪，電信詐騙已成為社會關注的熱點、難點課題，研究和治理電信詐騙手段成為必需且迫切的需求。而通信行業(yè)在業(yè)務發(fā)展中承載了大量用戶與設備產(chǎn)生的海量數(shù)據(jù)，這些數(shù)據(jù)資源豐富多樣，包括黑名單數(shù)據(jù)、惡意網(wǎng)站、用戶標簽庫、通話數(shù)據(jù)、上網(wǎng)數(shù)據(jù)、網(wǎng)絡體驗等高價值數(shù)據(jù)。若能將通信行業(yè)數(shù)據(jù)用于共享參與協(xié)同構建反電信詐騙檢測模型，對打擊詐騙犯罪將有很大幫助。但在現(xiàn)實應用場景中，一方面因為行業(yè)競爭、利益沖突等原因，電信運營商行業(yè)數(shù)據(jù)大多仍處于信息孤島形態(tài)；另一方面，由于電信運營商行業(yè)數(shù)據(jù)涉及用戶隱私和安全問題，將電信運營商數(shù)據(jù)進行共享參與協(xié)同反詐治理需要考慮數(shù)據(jù)隱私保護和安全問題。

2、聯(lián)邦學習是將分布式思想應用到機器學習中，在中央服務器的協(xié)助下由多個參與者共同協(xié)作完成模型訓練。它最主要的優(yōu)點是所有參與者的訓練數(shù)據(jù)保留在本地，且參與者在訓練過程中不會直接互換本地數(shù)據(jù)集，而僅交換訓練中的模型梯度信息，最終訓練出近乎于集中式機器學習效果的模型。但聯(lián)邦學習由于是利用中央服務器進行模型聚合，可能出現(xiàn)惡意篡改模型聚合過程的梯度信息，從而面臨著信息易被篡改、數(shù)據(jù)隱私易泄漏等風險。

技術實現(xiàn)思路

1、本發(fā)明的目的在于至少一定程度上解決現(xiàn)有技術中存在的技術問題之一。

2、為此，本發(fā)明實施例的一個目的在于提供一種基于區(qū)塊鏈與聯(lián)邦學習的電信詐騙檢測模型訓練方法，該方法提高了電信詐騙檢測模型訓練的安全性和可靠性。

3、本發(fā)明實施例的另一個目的在于提供一種基于區(qū)塊鏈與聯(lián)邦學習的電信詐騙檢測模型訓練裝置。

4、為了達到上述技術目的，本發(fā)明實施例所采取的技術方案包括：

5、一方面，本發(fā)明實施例提供了一種基于區(qū)塊鏈與聯(lián)邦學習的電信詐騙檢測模型訓練方法，包括以下步驟：

6、獲取模型需求者發(fā)布的模型訓練任務，根據(jù)所述模型訓練任務確定任務參與者和聯(lián)邦委員會，并為所述任務參與者和所述聯(lián)邦委員會分配對應的第一公鑰和私鑰秘密份額；

7、通過所述任務參與者從聯(lián)盟鏈下載當前全局模型，根據(jù)本地數(shù)據(jù)集對所述當前全局模型進行訓練，得到本地局部模型，進而根據(jù)所述第一公鑰對所述本地局部模型進行加密得到加密局部模型，并將所述加密局部模型上傳至所述聯(lián)盟鏈；

8、通過所述聯(lián)邦委員會從所述聯(lián)盟鏈下載所述加密局部模型，對所述加密局部模型進行聚合得到加密全局模型，進而根據(jù)所述私鑰秘密份額對所述加密全局模型進行解密得到優(yōu)化后的所述當前全局模型，并將優(yōu)化后的所述當前全局模型上傳至所述聯(lián)盟鏈。

9、進一步地，在本發(fā)明的一個實施例中，所述電信詐騙檢測模型訓練方法還包括注冊加入所述聯(lián)盟鏈的步驟，其具體步驟：

10、接收用戶的聯(lián)盟鏈注冊請求，所述聯(lián)盟鏈注冊請求包括所述用戶的身份標識和當前時間戳；

11、通過所述聯(lián)盟鏈對所述身份標識和所述當前時間戳進行校驗；

12、當校驗成功，確定所述用戶為所述聯(lián)盟鏈的成員，并為所述用戶分配第二公鑰和第二私鑰。

13、進一步地，在本發(fā)明的一個實施例中，所述獲取模型需求者發(fā)布的模型訓練任務，根據(jù)所述模型訓練任務確定任務參與者和聯(lián)邦委員會，并為所述任務參與者和所述聯(lián)邦委員會分配對應的第一公鑰和私鑰秘密份額，其具體包括：

14、獲取所述模型需求者發(fā)布的所述模型訓練任務，所述模型訓練任務包括初始全局模型和任務激勵；

15、根據(jù)所述模型訓練任務從所述聯(lián)盟鏈的成員中確定多個所述任務參與者，并根據(jù)信譽值選擇多個所述任務參與者組成所述聯(lián)邦委員會，進而生成同態(tài)密鑰，所述同態(tài)密鑰包括所述第一公鑰和對應的第一私鑰；

16、根據(jù)所述任務參與者的數(shù)量將所述第一私鑰劃分為多個所述私鑰秘密份額，并將所述第一公鑰和所述私鑰秘密份額下發(fā)至對應的所述任務參與者。

17、進一步地，在本發(fā)明的一個實施例中，所述根據(jù)本地數(shù)據(jù)集對所述當前全局模型進行訓練，得到本地局部模型，其具體包括：

18、將所述本地數(shù)據(jù)集劃分為訓練集和測試集；

19、根據(jù)所述訓練集，通過梯度提升樹算法對所述當前全局模型進行訓練，得到當前局部模型；

20、根據(jù)所述測試集對所述當前局部模型進行測試，得到所述本地局部模型。

21、進一步地，在本發(fā)明的一個實施例中，所述根據(jù)所述第一公鑰對所述本地局部模型進行加密得到加密局部模型，并將所述加密局部模型所述上傳至所述聯(lián)盟鏈，其具體包括：

22、根據(jù)所述第一公鑰對所述本地局部模型進行加密，得到第一局部模型；

23、根據(jù)所述身份標識、本地訓練時長以及所述第二私鑰對所述第一局部模型進行簽名，得到所述加密局部模型；

24、將所述加密局部模型所述上傳至所述聯(lián)盟鏈，使得所述聯(lián)盟鏈根據(jù)所述第二公鑰對所述加密局部模型進行驗簽，并在驗簽通過時接收所述加密局部模型。

25、進一步地，在本發(fā)明的一個實施例中，所述對所述加密局部模型進行聚合得到加密全局模型，進而根據(jù)所述私鑰秘密份額對所述加密全局模型進行解密得到優(yōu)化后的所述當前全局模型，其具體包括：

26、從所述聯(lián)邦委員會中隨機選取一個成員作為聯(lián)邦委員會領導者，通過所述聯(lián)邦委員會領導者對多個所述加密局部模型進行聚合計算，得到所述加密全局模型；

27、通過所述聯(lián)邦委員會的所有成員對所述加密全局模型進行聚合驗證；

28、當聚合驗證成功，根據(jù)所述私鑰秘密份額計算對應的解密份額，進而通過所述聯(lián)邦委員會的所有成員根據(jù)對應的所述解密份額對所述加密全局模型進行協(xié)同解密，得到優(yōu)化后的所述當前全局模型。

29、進一步地，在本發(fā)明的一個實施例中，所述電信詐騙檢測模型訓練方法還包括以下步驟：

30、根據(jù)預設的激勵機制計算各所述任務參與者的獎勵值和信譽值激勵；

31、根據(jù)所述獎勵值對各所述任務參與者進行獎勵，并根據(jù)所述信譽值激勵更新各所述任務參與者的所述信譽值。

32、另一方面，本發(fā)明實施例提供了一種基于區(qū)塊鏈與聯(lián)邦學習的電信詐騙檢測模型訓練裝置，包括：

33、任務發(fā)布模塊，用于獲取模型需求者發(fā)布的模型訓練任務，根據(jù)所述模型訓練任務確定任務參與者和聯(lián)邦委員會，并為所述任務參與者和所述聯(lián)邦委員會分配對應的第一公鑰和私鑰秘密份額；

34、局部模型訓練模塊，用于通過所述任務參與者從聯(lián)盟鏈下載當前全局模型，根據(jù)本地數(shù)據(jù)集對所述當前全局模型進行訓練，得到本地局部模型，進而根據(jù)所述第一公鑰對所述本地局部模型進行加密得到加密局部模型，并將所述加密局部模型上傳至所述聯(lián)盟鏈；

35、全局模型聚合模塊，用于通過所述聯(lián)邦委員會從所述聯(lián)盟鏈下載所述加密局部模型，對所述加密局部模型進行聚合得到加密全局模型，進而根據(jù)所述私鑰秘密份額對所述加密全局模型進行解密得到優(yōu)化后的所述當前全局模型，并將優(yōu)化后的所述當前全局模型上傳至所述聯(lián)盟鏈。

36、另一方面，本發(fā)明實施例提供了一種電子設備，所述電子設備包括存儲器、處理器、存儲在所述存儲器上并可在所述處理器上運行的程序以及用于實現(xiàn)所述處理器和所述存儲器之間的連接通信的數(shù)據(jù)總線，所述程序被所述處理器執(zhí)行時實現(xiàn)如前面所述的基于區(qū)塊鏈與聯(lián)邦學習的電信詐騙檢測模型訓練方法。

37、另一方面，本發(fā)明實施例還提供了一種存儲介質(zhì)，所述存儲介質(zhì)為計算機可讀存儲介質(zhì)，用于計算機可讀存儲，所述存儲介質(zhì)存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執(zhí)行，以實現(xiàn)如前面所述的基于區(qū)塊鏈與聯(lián)邦學習的電信詐騙檢測模型訓練方法。

38、本發(fā)明的優(yōu)點和有益效果將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到：

39、本發(fā)明實施例獲取模型需求者發(fā)布的模型訓練任務，根據(jù)模型訓練任務確定任務參與者和聯(lián)邦委員會，并為任務參與者和聯(lián)邦委員會分配對應的第一公鑰和私鑰秘密份額，通過任務參與者從聯(lián)盟鏈下載當前全局模型，根據(jù)本地數(shù)據(jù)集對當前全局模型進行訓練，得到本地局部模型，進而根據(jù)第一公鑰對本地局部模型進行加密得到加密局部模型，并將加密局部模型上傳至聯(lián)盟鏈，通過聯(lián)邦委員會從聯(lián)盟鏈下載加密局部模型，對加密局部模型進行聚合得到加密全局模型，進而根據(jù)私鑰秘密份額對加密全局模型進行解密得到優(yōu)化后的當前全局模型，并將優(yōu)化后的當前全局模型上傳至聯(lián)盟鏈。本發(fā)明實施例將區(qū)塊鏈技術與聯(lián)邦學習、密碼學機制相結合，由于區(qū)塊鏈具備去中心化、防篡改、可溯源等特點，可以與聯(lián)邦學習很好地形成互補，為協(xié)同訓練提供隱私保護，能夠有效解決電信詐騙檢測模型訓練數(shù)據(jù)源單一、數(shù)據(jù)隱私易泄露等安全問題，有利于電信運營商與公安部門、金融機構、互聯(lián)網(wǎng)企業(yè)等組織在去中心化的環(huán)境下進行多方協(xié)作，安全可信地進行電信詐騙檢測模型的聯(lián)合訓練，實現(xiàn)電信運營商數(shù)據(jù)的價值流通，提高了電信詐騙檢測模型訓練的安全性和可靠性，有效保障各參與方數(shù)據(jù)隱私的同時實現(xiàn)了電信詐騙的高效檢測。