训练模型的方法、装置、电子设备以及存储介质与流程

1.本公开涉及数据处理领域，进一步涉及云计算、联邦学习技术领域，具体涉及一种训练模型的方法、装置、电子设备以及存储介质。


背景技术：

2.目前，在对模型进行联合训练时，通常将不同数据持有方的数据聚合在同一集群中，并使用传统的分布式技术对模型进行训练，但是近年来越来越多的法案出台以保护数据隐私，导致数据的聚合受到了很多限制，给模型的联合训练提出了更高的要求。


技术实现要素：

3.本公开提供了一种用于训练模型的方法、装置、设备以及存储介质。
4.根据本公开的一方面，提供了一种训练模型的方法，包括：接收来自于多个终端的加密数据，其中，加密数据是由多个终端中每个终端对本地模型进行训练后得到的中间结果进行加密后得到的数据；基于加密数据对初始云端模型进行训练与更新，得到目标云端模型；将目标云端模型对应的更新后网络参数返回至多个终端，以使多个终端中每个终端对本地模型进行更新。
5.可选地，基于加密数据对初始云端模型进行训练与更新，得到目标云端模型包括：基于加密数据的数据维度，对加密数据进行聚合处理，得到处理结果；利用处理结果对初始云端模型进行训练与更新，得到目标云端模型。
6.根据本公开的另一方面，提供了一种训练模型的装置，包括：接收模块，用于接收来自于多个终端的加密数据，其中，加密数据是由多个终端中每个终端对本地模型进行训练后得到的中间结果进行加密后得到的数据；处理模块，用于基于加密数据对初始云端模型进行训练与更新，得到目标云端模型；反馈模块，用于将目标云端模型对应的更新后网络参数返回至多个终端，以使多个终端中每个终端对本地模型进行更新。
7.可选地，处理模块包括：第一处理单元和第二处理单元。其中，第一处理单元，用于基于加密数据的数据维度，对加密数据进行聚合处理，得到处理结果；第二处理单元，利用处理结果对初始云端模型进行训练与更新，得到目标云端模型。
8.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开实施例的训练模型的方法。
9.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开实施例的训练模型的方法。
10.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本公开实施例的训练模型的方法。
11.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特
征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
12.附图用于更好地理解本方案，不构成对本公开的限定。其中：
13.图1是根据本公开实施例的一种训练模型的方法的流程图；
14.图2是根据本公开实施例的一种相关技术中联合训练模型的方法的示意图；
15.图3是根据本公开实施例的一种纵向联邦学习的示意图；
16.图4是根据本公开实施例的一种基于splitnn的云端模型训练方案与奖励机制的示意图；
17.图5是根据本公开实施例的一种训练模型的装置的示意图；
18.图6是根据本公开实施例的一种电子设备的示意性框图。
具体实施方式
19.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
20.下面对本公开实施例的训练模型的方法进行进一步地介绍。
21.图1是根据本公开实施例的一种训练模型的方法的流程图，如图1所示，该方法可以包括以下步骤：
22.步骤s102，接收来自于多个终端的加密数据，其中，加密数据是由多个终端中每个终端对本地模型进行训练后得到的中间结果进行加密后得到的数据。
23.在本公开上述步骤s102提供的技术方案中，终端可以是用户持有的移动设备，比如，手机和平板等，本地模型可以是互联网数据中心(比如，淘宝)基于终端数据训练得到的模型，在进行联合训练时，云端服务器接收来自各个训练方的本地模型输出的加密的中间结果数据。
24.在该实施例中，在本地模型训练完成后，得到各层(维度)的权重，指定好要输出的中间层的名字，并建立从输入到输出的函数对象，获取输入输出的数据维度，然后获取中间层的输出值，最终得到中间层的输出数据，也即，得到中间结果。
25.在该实施例中，对中间结果进行加密可以是对中间结果数据进行编码，使用一个向量对中间结果数据进行表示。
26.步骤s104，基于加密数据对初始云端模型进行训练与更新，得到目标云端模型。
27.在本公开上述步骤s104提供的技术方案中，目标云端模型可以是具有多个训练参与方的联合训练模型，在对用于表示中间结果的向量进行加密并上传至云端后，云端模型通过对不同训练方的向量进行拼接后，对联合训练模型进行训练与更新，得到更新后的联合训练模型。
28.在该实施例中，基于加密数据对初始云端模型进行训练与更新，得到目标云端模型可以包括：基于加密数据的数据维度，对加密数据进行聚合处理，得到处理结果；利用处理结果对初始云端模型进行训练与更新，得到目标云端模型。
29.在该实施例中，基于加密数据对初始云端模型进行训练与更新的过程，可以是借助联邦学习技术实现的。比如，纵向联邦学习，是在两个数据集的用户重叠较多而特征重叠较少的情况下，把数据集按照纵向(即特征维度)切分，并去除双方用户相同而用户特征不完全相同的那部分数据进行训练，纵向联邦学习就是将这些不同特征在加密状态下加以聚合，以增强模型能力。
30.在该实施例中，优选地，根据各模型训练方的数据维度，云端服务器会对中间结果数据的聚合方式进行调整，当不同数据方持有相同维度的数据时，云端服务器将采取加权平均的方式对目标云端模型进行训练和更新；当不同数据方持有不同维度的数据时，云端服务器将对接收到的中间结果数据进行纵向拼接并完成后续训练。
31.在该实施例中，优选地，对初始云端模型进行训练与更新还包括：奖励机制，也即，云端服务器会对不同训练方提供的向量进行评估，通过在测试集上的不同表现对数据方的贡献进行打分，打分越高者得到更高的奖励，同时在接下来的训练过程中会承担更大的比重。
32.步骤s106，将目标云端模型对应的更新后网络参数返回至多个终端，以使多个终端中每个终端对本地模型进行更新。
33.在本公开上述步骤s106提供的技术方案中，网络参数可以是各个训练方的向量梯度，在基于加密后的中间结果数据对目标云端模型进行训练及更新之后，云端服务器计算出各个训练方的向量梯度，并将其传回给各个训练方，以便其对本地模型进行更新。
34.通过上述步骤s102至步骤s106，接收来自于多个终端的加密数据，其中，加密数据是由多个终端中每个终端对本地模型进行训练后得到的中间结果进行加密后得到的数据；基于加密数据对初始云端模型进行训练与更新，得到目标云端模型；将目标云端模型对应的更新后网络参数返回至多个终端，以使多个终端中每个终端对本地模型进行更新，也就是说通过联邦学习技术对数据进行保护，训练方将中间结果数据进行编码，使用向量进行表示，在对数据进行加密后上传至云端，云端模型通过对不同训练方的向量进行加权平均或纵向拼接的方式聚合，对云端模型进行联合训练和更新，并将计算出的各个训练方的向量梯度传回，以便对其本地模型进行更新，从而解决了对云端模型的联合训练的效率低和数据安全性低的技术问题，达到了提高对云端模型的联合训练的效率和数据安全性的技术效果。
35.下面对该实施例的上述方法进行进一步地详细介绍。
36.作为一种可选的实施方式，步骤s104，基于加密数据对初始云端模型进行训练与更新，得到目标云端模型包括：基于加密数据的数据维度，对加密数据进行聚合处理，得到处理结果；利用处理结果对初始云端模型进行训练与更新，得到目标云端模型。
37.在该实施例中，基于加密数据的数据维度，对加密数据进行聚合处理，得到处理结果，比如，训练方将模型训练中的中间结果加密后上传给云端服务器，云端服务器根据不同的场景，对中间结果数据的聚合方式进行调整，以得到处理结果。
38.在该实施例中，处理结果可以是云端服务器对各训练方上传的加密后的中间结果数据采用加权平均方式得到的数据和/或云端服务器对各训练方上传的加密后的中间结果采用纵向拼接方式得到的数据。
39.作为一种可选的实施方式，基于加密数据的数据维度，对加密数据进行聚合处理，
得到处理结果包括：响应于来自于不同终端的加密数据具有相同的数据维度，采用加权平均方式对加密数据进行聚合处理，得到处理结果。
40.在该实施例中，响应于来自于不同终端的加密数据具有相同的数据维度，可以采用加权平均方式对加密数据进行聚合处理，得到处理结果，比如，当云端服务器检测到不同数据方上传的加密后的中间结果的数据维度(特征)相同时，云端服务器发出将该加密数据集的聚合方式调整为加权平均处理的指令信号，云端服务器响应于该信号，采用加权平均方式对该加密数据集进行聚合处理，得到处理结果。
41.在该实施例中，该方法还可以包括：利用目标云端模型对应的测试集，对目标云端模型进行测试，得到测试结果，其中，测试结果用于评估多个终端中每个终端发送的加密数据的数据质量；在再次采用加权平均方式对加密数据进行聚合处理的过程中，基于测试结果调整多个终端中每个终端发送的加密数据在加权平均计算中的权重。
42.作为一种可选的实施方式，基于加密数据的数据维度，对加密数据进行聚合处理，得到处理结果包括：响应于来自于不同终端的加密数据具有不同的数据维度，采用纵向拼接方式对加密数据进行聚合处理，得到处理结果。
43.在该实施例中，响应于来自于不同终端的加密数据具有不同的数据维度，可以采用纵向拼接方式对加密数据进行聚合处理，得到处理结果，比如，当云端服务器检测到不同数据方上传的加密后的中间结果的数据维度(特征)不同时，云端服务器发出将该加密数据集的聚合方式调整为纵向拼接处理的指令信号，云端服务器响应于该信号，采用纵向拼接方式对该加密数据集进行聚合处理，得到处理结果。
44.在该实施例中，不同终端的加密数据具有不同的数据维度的场景，比如，一方有行为和标签，而另一方有内容和标签。
45.作为一种可选的实施方式，响应于来自于不同终端的加密数据具有相同的数据维度，采用加权平均方式对加密数据进行聚合处理，得到处理结果，该方法还包括：利用目标云端模型对应的测试集，对目标云端模型进行测试，得到测试结果，其中，测试结果用于评估多个终端中每个终端发送的加密数据的数据质量。
46.在该实施例中，可以利用目标云端模型对应的测试集，对目标云端模型进行测试，得到测试结果，其中，测试结果用于评估多个终端中每个终端发送的加密数据的数据质量，为了防止训练参与方恶意提供质量不高的模型以破坏云端模型的训练效果，云端服务器会对各方提供的向量的质量进行评估。
47.举例而言，云端服务器利用云端模型对应的测试集进行测试，若发现某个参与方提供的中间结果数据对模型训练的效果影响不大或者甚至起到了负面影响，云端服务器将在下次的训练中降低该参与方的比重；若某参与方提供的中间结果数据对模型训练的效果有正向作用，则为其提供奖励并提供更高的训练比重。
48.在该实施例中，各训练方提供的数据分布都不尽相同，若某一方在训练中所占比重越高，云端模型在该数据上的效果就越好，从奖励效果和模型效果两个角度，各参与方都更倾向于提供更高质量的数据。
49.作为一种可选的实施方式，利用目标云端模型对应的测试集，对目标云端模型进行测试，得到测试结果，该方法还包括：在再次采用加权平均方式对加密数据进行聚合处理的过程中，基于测试结果调整多个终端中每个终端发送的加密数据在加权平均计算中的权
重。
50.在该实施例中，在再次采用加权平均方式对加密数据进行聚合处理的过程中，可以基于测试结果调整多个终端中每个终端发送的加密数据在加权平均计算中的权重，比如，当不同数据方持有相同维度的数据时，云端服务器基于该多个数据方提供的数据质量的测试结果，调整多个终端中每个终端发送的加密数据在加权平均计算中的权重，然后采用加权平均的方式对加密数据进行聚合处理。
51.在本公开实施例中，通过联邦学习技术对数据进行保护，各训练方将本地模型训练的中间结果数据进行加密并上传至云端服务器，云端服务器根据不同数据方持有的数据维度是否相同，对中间结果的聚合方式进行调整，若不同数据方持有相同维度的数据，云端服务器采取加权平均的方式对加密的中间结果数据进行聚合处理，反之对加密的中间结果数据进行纵向拼接的聚合处理，在进行下次的加权平均处理时，云端服务器对各方提供的数据进行评估，根据各方提供的数据在测试集上的打分结果，调整多个终端中每个终端发送的加密数据在加权平均计算中的权重，使得各参与方都更倾向于提供更高质量的数据，从而解决了对云端模型的联合训练的效率低和数据安全性低的技术问题，达到了提高对云端模型的联合训练的效率和数据安全性的技术效果。
52.下面结合优选的实施例对本公开的训练模型的方法作进一步地介绍。
53.在相关技术中，联合训练方法主要有以下缺点：
54.(1)传统的分布式技术需要讲各方的数据进行聚合，但现在对数据的保护更加严格，不允许数据持有方将用户的隐私数据轻易地迁移出私域服务器，使得数据不能充分的聚合，模型无法得到充分的训练；
55.(2)传统的分布式技术只支持对相同纬度数据的训练(所有数据方提供的数据需要持有相同的数据特征)，所以若不同方提供的数据特征不同，需要对数据进行拼接，更加无法确保数据的安全性。
56.为了解决上述问题，本方案引入了分裂网络驱动的垂直分区(splitnn)技术。在保证数据不出私域的情况下对云端模型进行联合训练，保证了数据的安全性。同时splitnn技术满足对不同维度数据的训练，满足了不同数据持有方对不同特征数据训练的需求。
57.图2是根据本公开实施例的一种相关技术中联合训练模型的方法的示意图，如图2所示，将不同数据持有方的数据聚合至同一集群，使用传统的分布式技术对模型进行训练。训练中主要分两种角色，分别承担训练过程中的几个步骤：
58.首先，训练方(trainer)对数据进行训练：每个训练方会使用本地数据对本地的模型进行训练，并输出对于每个参数的梯度，并上传至服务器(server)。
59.其次，训练方对所有训练方上传的梯度进行聚合，并对云端的模型进行更新，更新后服务器会将新的参数回传至训练方。
60.最后，训练方将本地模型进行更新并开始新一轮的训练。
61.图3是根据本公开实施例的一种纵向联邦学习的示意图，如图3所示，训练过程中，训练方只需要将自己的数据进行编码，使用一个向量对自己的数据进行表示，对向量表示进行加密并上传至云端。云端模型通过对不同训练方的向量进行拼接后，对自己的模型进行训练及更新，并将计算出各个训练方的向量梯度并传回，以便其对本地模型进行更新。
62.同时云端服务器会对不同训练方提供的向量进行评估，通过在测试集上的不同表
现对数据方的贡献进行打分，打分越高者会的到更高的奖励，同时在接下来的训练过程中会承担更大的比重。
63.在设计和实现中对关键问题的解决：
64.(1)数据隐私问题
65.本公开摒弃了原有方案中将数据聚合的方式对模型进行训练，而是借助了联邦学习技术对数据进行了保护。训练方只需要将模型训练中的中间结果加密后传递给云端，使得云端服务器或蓄意攻击者即使拿到上传的数据也无法还原训练方所持有的数据。同时云端服务器对数据进行聚合并传回给各个训练方后，训练方也无法还原其他参与者的数据。因此该方案极大地保护了数据的安全。
66.(2)对不同维度数据的训练问题
67.在训练开始前，不同的数据训练方会约定自己的数据是否拥有相同的数据维度，根据不同的场景，云端服务器会对中间结果的聚合方式进行调整。若不同数据方持有相同维度的数据，云端服务器将采取加权平均的方式；反之将对接收的中间结果进行纵向拼接并完成后续训练。
68.(3)数据提供者的数据及中间向量的质量问题
69.为了防止训练参与方恶意提供质量不高的模型以破坏云端模型的效果，云端服务会对各方提供的向量质量进行评估，若发现某个参与方对提供参数对模型效果影响不大甚至起到了负向的影响，云端服务器将降低下次训练中该参与方的比重；若某参与方提供数据对模型提升的有极大的正向效果，则为其提供奖励并提供更高的训练比重。
70.在该种训练范式中，各方持有的数据分布都不尽相同，若某一方在训练中所占比重越高，云端模型在该方数据上的效果就越好。故从奖励机制及模型效果两个角度，各参与方都更倾向于提供更高质量的数据。
71.(4)训练效率问题
72.传统的联邦学习技术因为涉及到了很多密码学的计算，所以训练效率低于普通深度学习框架近两个数量级。经过测试splitnn拥有极高的训练效率，与普通深度学习框架训练速度相似，故可以帮助参与方更快地训练出可用的模型。
73.图4是根据本公开实施例的一种基于splitnn的云端模型训练方案与奖励机制的示意图，如图4所示，以人脸识别模型的训练为例，不同地方持有当地居民的人脸照片，但城市之间不能共享这些照片，通过该方案，不同地方间可以训练一个通用的人脸识别模型，同时，不同的用户可以为模型提供少量的训练数据，若对云端模型提供了正向的影响，则会获得相应的奖励，进一步降低了标注数据的难度和成本。
74.在本公开上述实施例中，训练方只需要将自己的数据进行编码，使用一个向量对自己的数据进行表示，对向量表示进行加密并上传至云端。云端模型通过对不同训练方的向量进行拼接后，对自己的模型进行训练及更新，并将计算出各个训练方的向量梯度并传回，以便其对本地模型进行更新，同时云端服务器会对不同训练方提供的向量进行评估，通过在测试集上的不同表现对数据方的贡献进行打分，打分越高者会的到更高的奖励，同时在接下来的训练过程中会承担更大的比重，进而得到训练和更新后的云端模型，从而解决了对云端模型的联合训练的效率低和数据安全性低的技术问题，达到了提高对云端模型的联合训练的效率和数据安全性的技术效果。
75.本公开实施例还提供了一种用于执行图1所示实施例的训练模型的方法的装置。
76.图5是根据本公开实施例的一种训练模型的装置的示意图，如图5所示，该训练模型的装置50可以包括：接收模块51、处理模块52和反馈模块53。
77.接收模块51，用于接收来自于多个终端的加密数据，其中，加密数据是由多个终端中每个终端对本地模型进行训练后得到的中间结果进行加密后得到的数据；
78.处理模块52，用于基于加密数据对初始云端模型进行训练与更新，得到目标云端模型；
79.反馈模块53，用于将目标云端模型对应的更新后网络参数返回至多个终端，以使多个终端中每个终端对本地模型进行更新。
80.可选地，处理模块52包括：第一处理单元和第二处理单元，其中，第一处理单元可以包括：第一处理子模块和第二处理子模块，其中，第一处理子模块可以包括：测试模块，其中，测试模块可以包括：调整模块。
81.其中，第一处理单元，用于基于加密数据的数据维度，对加密数据进行聚合处理，得到处理结果；第二处理单元，利用处理结果对初始云端模型进行训练与更新，得到目标云端模型；第一处理子模块，用于响应于来自于不同终端的加密数据具有相同的数据维度，采用加权平均方式对加密数据进行聚合处理，得到处理结果；第二处理子模块，用于响应于来自于不同终端的加密数据具有不同的数据维度，采用纵向拼接方式对加密数据进行聚合处理，得到处理结果；测试模块，用于利用目标云端模型对应的测试集，对目标云端模型进行测试，得到测试结果，其中，测试结果用于评估多个终端中每个终端发送的加密数据的数据质量；调整模块，用于在再次采用加权平均方式对加密数据进行聚合处理的过程中，基于测试结果调整多个终端中每个终端发送的加密数据在加权平均计算中的权重。
82.在本公开实施例中，通过接收模块51接收来自于多个终端的加密数据，其中，加密数据是由多个终端中每个终端对本地模型进行训练后得到的中间结果进行加密后得到的数据；处理模块52基于加密数据对初始云端模型进行训练与更新，得到目标云端模型；反馈模块53将目标云端模型对应的更新后网络参数返回至多个终端，以使多个终端中每个终端对本地模型进行更新，解决了对云端模型的联合训练的效率低和数据安全性低的技术问题，达到了提高对云端模型的联合训练的效率和数据安全性的技术效果。
83.本公开实施例中，通过本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
84.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
85.本公开的实施例提供了一种电子设备，该电子设备可以包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开实施例的训练模型的方法。
86.可选地，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
87.可选地，在本实施例中，上述非易失性存储介质可以被设置为存储用于执行以下步骤的计算机程序：
88.步骤s1，接收来自于多个终端的加密数据，其中，加密数据是由多个终端中每个终端对本地模型进行训练后得到的中间结果进行加密后得到的数据；
89.步骤s2，基于加密数据对初始云端模型进行训练与更新，得到目标云端模型；
90.步骤s3，将目标云端模型对应的更新后网络参数返回至多个终端，以使多个终端中每个终端对本地模型进行更新。
91.可选地，在本实施例中，上述非瞬时计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
92.根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现以下步骤：
93.步骤s1，接收来自于多个终端的加密数据，其中，加密数据是由多个终端中每个终端对本地模型进行训练后得到的中间结果进行加密后得到的数据；
94.步骤s2，基于加密数据对初始云端模型进行训练与更新，得到目标云端模型；
95.步骤s3，将目标云端模型对应的更新后网络参数返回至多个终端，以使多个终端中每个终端对本地模型进行更新。
96.图6是根据本公开实施例的一种电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
97.图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
98.如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元1108加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备1100操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
99.设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
100.计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如方法基于加密数据对初始云端模型进行训练与更新，得到目标云端模型。例如，在一些实施例中，方法基于加密数据对初始云端模型进行训练与更新，得到目标云端模型可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的方法基于加密数据对初始云端模型进行训练与更新，得到目标云端模型的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法基于加密数据对初始云端模型进行训练与更新，得到目标云端模型。
101.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
102.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
103.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
104.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
105.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
106.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
107.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
108.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。