(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111637376.X (22)申请日 2021.12.3 0 (65)同一申请的已公布的文献号 申请公布号 CN 113989036 A (43)申请公布日 2022.01.28 (73)专利权人 百融至信 （北京） 征信有限公司 地址 100000 北京市朝阳区阜荣 街10号环 球创意广场A座1- 3层 (72)发明人 郭浩亮　张韶峰　刘凯　 (74)专利代理 机构 北京鼎佳达知识产权代理事 务所(普通 合伙) 11348 代理人 刘铁生　孟阿妮 (51)Int.Cl. G06Q 40/02(2012.01) G06F 21/60(2013.01) G06N 3/08(2006.01)(56)对比文件 CN 113779608 A,2021.12.10 CN 112686700 A,2021.04.20 CN 112906912 A,2021.0 6.04 CN 113420886 A,2021.09.21 夏家骏 等.基 于秘密共享与同态加密的纵 向联邦学习方案 研究. 《信息通信技 术与政策》 .2021,第47 卷(第6期),第19-26页. 王健宗 等.联邦学习算法综述. 《大 数据》 .2020,第6卷(第6期),第64-82页. 孙爽 等.不同场景的联邦学习安全与隐私 保护研究综述. 《计算机 应用研究》 .2021,第38卷 (第12期),第3 527-3534页. Xueqing Zhang,etal.D2D-As sisted Federated Learn ing in Mobile Edge Computing Networks. 《2021 IE EE Wireless Communications and Netw orking Conference》 .2021,第1-7页. 审查员 彭一 (54)发明名称 一种不暴露入模变量的联邦学习预测方法 及系统 (57)摘要 本发明公开了一种不暴露入模变量的联邦 学习预测方法， 其中， 所述方法包括： 获得调用方 数据信息； 获得合作方数据信息， 所述合作方数 据信息包括所述调用方用户id信息、 用户特征 值、 特征权重值， 其中， 所述调用方用户id信息包 括所述待评价用户id信息； 获得加密掩码信息， 并将所述加密掩码信息、 待评价用户id信息发送 至合作方； 获得合作方特征加权和， 并将所述合 作方特征加权和发送至调用方； 获得加权和明 文； 根据所述加权和明文、 调用方数据信息， 获得 用户打分， 解决了现有技术中存在预测过程中会 暴露入模变量的技术问题， 达到了基于纵向逻辑 回归方法， 使用加密掩码在不暴露入模变量的前 提下完成基 于双方数据的预测打 分的技术效果。 权利要求书2页 说明书12页 附图3页 CN 113989036 B 2022.03.18 CN 113989036 B 1.一种不 暴露入模变量的联邦学习预测方法， 其特 征在于， 所述方法包括： 获得调用方 数据信息， 所述调用方 数据信息包括待评价用户id信息； 获得合作方数据信息， 所述合作方数据信息包括所述调用方用户id信息、 用户特征值、 特征权重值， 其中， 所述调用方用户id信息包括所述待评价用户id信息； 调用方根据所述用户特征值， 生成掩码信 息， 并对所述掩码信 息进行加密， 获得加密掩 码信息， 并将所述加密掩码信息、 待评价用户id信息发送至合作方； 合作方根据所述加密掩码信息、 所述待评价用户id信息、 所述特征权重值， 获得合作 方 特征加权和， 并将所述 合作方特征加权和发送至调用方； 调用方对所述 合作方特征加权和进行解密， 获得加权和明文； 根据所述加权和明文、 调用方 数据信息， 获得用户打 分； 其中， 所述 根据所述加权和明文、 调用方 数据信息， 获得用户打 分， 包括： 根据所述加权和明文、 所述调用方 数据信息， 获得用户特 征加权和； 获得预设映射 函数； 基于所述预设映射 函数对所述用户特 征加权和进行映射， 获得 所述用户打 分。 2.如权利要求1所述的方法， 其特 征在于， 所述获得调用方 数据信息之前， 包括： 获得调用方训练数据； 获得合作方训练数据； 基于所述调用方训练数据、 所述合作方训练数据完成纵向联邦回归模型的训练， 获得 联邦逻辑回归 模型。 3.如权利要求1所述的方法， 其特征在于， 所述根据 所述用户特征值， 生成掩码信 息， 并 对所述掩码信息进行加密， 获得加密掩码信息， 包括： 根据所述用户特 征值， 获得合作方 特征数量； 根据所述用户特 征值， 获得调用特 征信息； 根据所述合作 方特征数量、 所述调用特征信 息， 获得掩码生成要求， 所述掩码生成要求 的掩码长度与所述 合作方特征数量相同； 基于所述掩码生成要求对所述用户特 征值生成所述掩码信息； 获得预设加密方法； 根据所述预设加密方法， 获得公钥； 利用所述公钥对所述掩码信息进行加密， 获得加密掩码信息 。 4.如权利要求2所述的方法， 其特征在于， 所述根据所述加密掩码信息、 所述待评价用 户id信息、 所述特 征权重值， 获得合作方 特征加权和， 包括： 根据所述待评价用户id信息， 获得交集数据， 其中， 所述交集数据为通过所述待评价用 户id信息在合作方 数据中进行求交集处 理确定的数据； 根据所述交集数据， 获得用户合作方 特征值； 根据所述用户合作方特征值， 获得所述特征权重值， 所述特征权重值为所述用户合作 方特征值在所述联邦 逻辑回归 模型中的权 重值； 根据所述特 征权重值、 所述用户合作方 特征值， 获得用户特 征加权和； 根据所述用户特 征加权和、 所述加密掩码信息， 获得 所述合作方特征加权和。 5.如权利要求3所述的方法， 其特征在于， 所述对所述合作方特征加权和进行解密， 获权　利　要　求　书 1/2 页 2 CN 113989036 B 2得加权和明文， 包括： 根据所述预设加密方法， 获得私钥； 根据所述私钥对所述 合作方特征加权和进行解密， 获得 所述加权和明文。 6.如权利要求1所述的方法， 其特征在于， 所述调用方数据信 息还包括： 调用方特征值、 调用方特征权重。 7.如权利要求6所述的方法， 其特征在于， 当所述调用方数据信 息包括所述调用方特征 值、 调用方 特征权重时， 所述 根据所述加权和明文、 调用方 数据信息， 获得用户打 分， 包括： 根据所述调用方 特征值、 所述调用方 特征权重， 获得调用方加权和； 根据所述调用方加权和、 所述加权和明文， 获得综合特 征加权和； 基于所述预设映射 函数对所述综合特 征加权和进行映射， 获得 所述用户打 分。 8.一种不 暴露入模变量的联邦学习预测系统， 其特 征在于， 所述系统包括： 第一获得单元： 所述第一获得单元用于获得调用方数据信息， 所述调用方数据信息包 括待评价用户id信息； 第二获得单元： 所述第二获得单元获得合作方数据信息， 所述合作方数据信息包括所 述调用方用户id信息、 用户特征值、 特征权重值， 其中， 所述调用方用户id信息包括所述待 评价用户id信息； 第三获得单元： 所述第三获得单元调用方根据 所述用户特征值， 生成掩码信息， 并对所 述掩码信息进 行加密， 获得加密掩码信息， 并将所述加密 掩码信息、 待评价用户id信息发送 至合作方； 第四获得单元： 所述第 四获得单元合作方根据所述加密掩码信息、 所述待评价用户id 信息、 所述特征权重值， 获得合作方特征加权和， 并将所述合作方特征加权和发送至调用 方； 第五获得单元： 所述第五获得单元调用方对所述合作方特征加权和进行解密， 获得加 权和明文； 第六获得单元： 所述第六获得单元根据 所述加权和明文、 调用方数据信息， 获得用户打 分； 其中， 所述第六获得 单元包括: 第二十三获得单元： 所述第二十三获得单元用于根据所述加权和明文、 所述调用方数 据信息， 获得用户特 征加权和； 第二十四获得 单元： 所述第二十四获得 单元用于获得 预设映射 函数； 第二十五获得单元： 所述第 二十五获得单元用于基于所述预设映射函数对所述用户特 征加权和进行映射， 获得 所述用户打 分。 9.一种不暴露入模变量的联邦学习预测的装置， 包括存储器、 处理器及存储在存储器 上并可在处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述程序时实现权利 要求1~7任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 113989036 B 3