联邦学习模型自动生成系统及方法

技术领域

本发明涉及联邦学习技术领域，具体为联邦学习模型自动生成系统及方法。

背景技术

联邦学习是一种分布式机器学习技术，在用户可以在不用想数据的情况下共同建模，生成更加准确的数据模型，在企业服务器架构中得到了管饭的使用，现有的联邦数据模型系统安全性能差，数据上传的过程中容易发生信息的泄露，存在一定管的安全隐患；同时系统模型在建立后无法进行参数优化，数据整体变化后需要重新上传学习，模型更迭计算的周期长，影响了系统的实用性；且现有的模型生成方法无法结合上传数据为用户提供由大数据训练出的备用模型，难以满足用户的个性化需求，降低了用户的使用体验；因此设计联邦学习模型自动生成系统及方法是很有必要的。

发明内容

本发明的目的在于提供联邦学习模型自动生成系统及方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：联邦学习模型自动生成系统，包括用户端口模块、接口互联模块、联邦平台模块、备用模型模块、模型生成模块、云端连接模块和迭代更新模块，所述用户端口模块控制连接接口互联模块，且接口互联模块控制连接联邦平台模块，联邦平台模块分别控制连接备用模型模块和模型生成模块，且备用模型模块和模型生成模块分别控制连接云端连接模块和迭代更新模块，迭代更新模块控制连接联邦平台模块。

优选的，所述用户端口模块由用户登入模块、安全验证模块、管理平台模块和端口传输模块组成，用户登入模块控制连接安全验证模块，且安全验证模块控制连接管理平台模块，管理平台模块控制连接端口传输模块。

优选的，所述接口互联模块由端口连接模块、格式转化模块、加密处理模块、分割排序模块、传输连接模块、整理还原模块和接口输出模块组成，端口连接模块控制连接格式转化模块，且格式转化模块控制连接加密处理模块。

优选的，所述加密处理模块控制连接分割排序模块，且分割排序模块控制连接传输连接模块，传输连接模块控制连接整理还原模块，且整理还原模块控制连接接口输出模块。

优选的，所述备用模型模块由指令接收模块、云端调用模块、辅助运算模块、云端模型模块和备用输出模块组成，指令接收模块控制连接云端调用模块，且云端调用模块分别控制连接辅助运算模块和云端模型模块，云端模型模块分别控制连接辅助运算模块和备用输出模块。

优选的，所述模型生成模块由数据接收模块、数据整合模块、数据划分模块、基础训练模块、深度训练模块、优化训练模块和模型输出模块组成，数据接收模块控制连接数据整合模块，且数据整合模块控制连接数据划分模块，数据划分模块分别控制连接基础训练模块、深度训练模块和优化训练模块，且基础训练模块控制连接深度训练模块，深度训练模块控制连接优化训练模块，优化训练模块控制连接模型输出模块。

优选的，所述迭代更新模块由迭代分析模块、数据更迭模块、模型更迭模块、模型调用模块和优化输出模块组成，迭代分析模块控制连接数据更迭模块，且数据更迭模块控制连接模型更迭模块，模型更迭模块分别控制连接模型调用模块和优化输出模块。

联邦学习模型自动生成方法，包括以下步骤：步骤一，数据上传；步骤二，模型训练；步骤三，辅助训练；步骤四，参数优化；

其中上述步骤一中，客户从用户端口模块中的用户登入模块进行登录操作，并通过安全验证模块进行登录的安全验证，随后进入到管理平台模块中，随后上传需要模型所需的数据，接着端口传输模块将数据传输到接口互联模块中，并利用接口互联模块将数据传输到联邦平台模块中，其中接口互联模块的数据传输过程为：首先端口连接模块接收初始数据，随后由格式转化模块验证数据格式，并将格式转化为传输格式，接着加密处理模块对转化格式后的数据进行加密处理，然后分割排序模块对加密后的数据进行分割处理，之后对分割后的数据进行随机排序，并生成对应的特征解码数据链，随后传输连接模块将分割数据和特征解码数据链发送到整理还原模块中，由整理还原模块结合特征解码数据链对分割数据进行排序还原，还原后由接口输出模块进行数据输出；

其中上述步骤二中，联邦平台模块将接收的数据发送到模型生成模块中，并由数据接收模块进行接收，同时由数据整合模块整合所有来着联邦平台模块的数据，接着通过数据划分模块对整合数据进行划分，将数据划分为初始训练数据、深化训练数据和优化训练数据，之后分别将初始训练数据、深化训练数据和优化训练数据传输到基础训练模块、深度训练模块和优化训练模块中，接着基础训练模块结合初始训练数据进行初步训练，生成初始模型，随后深度训练模块使用深化训练数据对初始模型进行深化训练，生成深化模型，接着优化训练模块结合优化训练数据对深化模型进行优化训练，然后通过模型输出模块将优化训练模块后的学习模型发送回联邦平台模块，之后利用接口互联模块反馈到用户端口模块中；

其中上述步骤三中，联邦平台模块采集接收数据中的样本信息，并将样本信息发送到备用模型模块中，随后指令接收模块接收样本信息，并结合样本信息向云端调用模块发送调用指令，之后云端调用模块从云端连接模块调用云端中的类似数据，并通过辅助运算模块和云端模型模块分析云端数据进行训练整合，之后将生成的云端数据模型发送到备用输出模块中，接着备用输出模块将云端数据模型发送回联邦平台模块，并利用接口互联模块反馈到用户端口模块中；

其中上述步骤四中，联邦平台模块将发送到平台的数据传输到迭代更新模块中，之后迭代更新模块中的迭代分析模块结合新传数据进行更迭分析，判定数据变化后数据更迭模块对新传数据进行整合，随后将整合的新传数据发送到模型更迭模块中，同时模型调用模块调用模型生成模块中的学习模型，然后模型更迭模块通过新传数据对学习模型进行更迭训练，训练完成后通过优化输出模块优化学习模型中参数，并通过接口互联模块将优化参数发送回用户端口模块。

与现有技术相比，本发明的有益效果是：该联邦学习模型自动生成系统及方法，利用分割排序模块在数据传输之前对加密后的数据进行分割处理，之后对分割后的数据进行随机排序，并生成对应的特征解码数据链，数据传输后由整理还原模块结合特征解码数据链对分割数据进行排序还原，避免数据在传输的过程中发生泄露，消除了安全隐患；利用迭代分析模块结合新传数据进行更迭分析，判定数据变化后数据更迭模块对新传数据进行整合，随后将整合的新传数据发送到模型更迭模块中，同时模型调用模块调用模型生成模块中的学习模型，然后模型更迭模块通过新传数据对学习模型进行更迭训练，自动优化学习模型的固有参数，无需重新上传数据进行训练，缩短了模型更迭计算的周期，提高了系统的实用性；利用指令接收模块接收采集接收数据中的样本信息，之后云端调用模块从云端连接模块调用云端中的类似数据，并通过辅助运算模块和云端模型模块分析云端数据进行训练整合，辅助生产云端数据的备用模型，满足了用户的个性化需求，提高了用户的使用体验。

附图说明

图1为本发明的系统流程图；

图2为本发明的系统框架图；

图3为本发明的方法流程图；

图中：1、用户端口模块；2、接口互联模块；3、联邦平台模块；4、备用模型模块；5、模型生成模块；6、云端连接模块；7、迭代更新模块；11、用户登入模块；12、安全验证模块；13、管理平台模块；14、端口传输模块；21、端口连接模块；22、格式转化模块；23、加密处理模块；24、分割排序模块；25、传输连接模块；26、整理还原模块；27、接口输出模块；41、指令接收模块；42、云端调用模块；43、辅助运算模块；44、云端模型模块；45、备用输出模块；51、数据接收模块；52、数据整合模块；53、数据划分模块；54、基础训练模块；55、深度训练模块；56、优化训练模块；57、模型输出模块；71、迭代分析模块；72、数据更迭模块；73、模型更迭模块；74、模型调用模块；75、优化输出模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1-2，本发明提供的一种实施例：联邦学习模型自动生成系统，包括用户端口模块1、接口互联模块2、联邦平台模块3、备用模型模块4、模型生成模块5、云端连接模块6和迭代更新模块7，用户端口模块1控制连接接口互联模块2，且接口互联模块2控制连接联邦平台模块3，联邦平台模块3分别控制连接备用模型模块4和模型生成模块5，且备用模型模块4和模型生成模块5分别控制连接云端连接模块6和迭代更新模块7，迭代更新模块7控制连接联邦平台模块3，用户端口模块1由用户登入模块11、安全验证模块12、管理平台模块13和端口传输模块14组成，用户登入模块11控制连接安全验证模块12，且安全验证模块12控制连接管理平台模块13，管理平台模块13控制连接端口传输模块14，接口互联模块2由端口连接模块21、格式转化模块22、加密处理模块23、分割排序模块24、传输连接模块25、整理还原模块26和接口输出模块27组成，端口连接模块21控制连接格式转化模块22，且格式转化模块22控制连接加密处理模块23，加密处理模块23控制连接分割排序模块24，且分割排序模块24控制连接传输连接模块25，传输连接模块25控制连接整理还原模块26，且整理还原模块26控制连接接口输出模块27，备用模型模块4由指令接收模块41、云端调用模块42、辅助运算模块43、云端模型模块44和备用输出模块45组成，指令接收模块41控制连接云端调用模块42，且云端调用模块42分别控制连接辅助运算模块43和云端模型模块44，云端模型模块44分别控制连接辅助运算模块43和备用输出模块45，模型生成模块5由数据接收模块51、数据整合模块52、数据划分模块53、基础训练模块54、深度训练模块55、优化训练模块56和模型输出模块57组成，数据接收模块51控制连接数据整合模块52，且数据整合模块52控制连接数据划分模块53，数据划分模块53分别控制连接基础训练模块54、深度训练模块55和优化训练模块56，且基础训练模块54控制连接深度训练模块55，深度训练模块55控制连接优化训练模块56，优化训练模块56控制连接模型输出模块57，迭代更新模块7由迭代分析模块71、数据更迭模块72、模型更迭模块73、模型调用模块74和优化输出模块75组成，迭代分析模块71控制连接数据更迭模块72，且数据更迭模块72控制连接模型更迭模块73，模型更迭模块73分别控制连接模型调用模块74和优化输出模块75，模型调用模块74用来调用模型生成模块5中的学习模型。

请参阅图3，本发明提供的一种实施例：联邦学习模型自动生成方法，包括以下步骤：步骤一，数据上传；步骤二，模型训练；步骤三，辅助训练；步骤四，参数优化；

其中上述步骤一中，客户从用户端口模块1中的用户登入模块11进行登录操作，并通过安全验证模块12进行登录的安全验证，随后进入到管理平台模块13中，随后上传需要模型所需的数据，接着端口传输模块14将数据传输到接口互联模块2中，并利用接口互联模块2将数据传输到联邦平台模块3中，其中接口互联模块2的数据传输过程为：首先端口连接模块21接收初始数据，随后由格式转化模块22验证数据格式，并将格式转化为传输格式，接着加密处理模块23对转化格式后的数据进行加密处理，然后分割排序模块24对加密后的数据进行分割处理，之后对分割后的数据进行随机排序，并生成对应的特征解码数据链，随后传输连接模块25将分割数据和特征解码数据链发送到整理还原模块26中，由整理还原模块26结合特征解码数据链对分割数据进行排序还原，还原后由接口输出模块27进行数据输出；

其中上述步骤二中，联邦平台模块3将接收的数据发送到模型生成模块5中，并由数据接收模块51进行接收，同时由数据整合模块52整合所有来着联邦平台模块3的数据，接着通过数据划分模块53对整合数据进行划分，将数据划分为初始训练数据、深化训练数据和优化训练数据，之后分别将初始训练数据、深化训练数据和优化训练数据传输到基础训练模块54、深度训练模块55和优化训练模块56中，接着基础训练模块54结合初始训练数据进行初步训练，生成初始模型，随后深度训练模块55使用深化训练数据对初始模型进行深化训练，生成深化模型，接着优化训练模块56结合优化训练数据对深化模型进行优化训练，然后通过模型输出模块57将优化训练模块56后的学习模型发送回联邦平台模块3，之后利用接口互联模块2反馈到用户端口模块1中；

其中上述步骤三中，联邦平台模块3采集接收数据中的样本信息，并将样本信息发送到备用模型模块4中，随后指令接收模块41接收样本信息，并结合样本信息向云端调用模块42发送调用指令，之后云端调用模块42从云端连接模块6调用云端中的类似数据，并通过辅助运算模块43和云端模型模块44分析云端数据进行训练整合，之后将生成的云端数据模型发送到备用输出模块45中，接着备用输出模块45将云端数据模型发送回联邦平台模块3，并利用接口互联模块2反馈到用户端口模块1中；

其中上述步骤四中，联邦平台模块3将发送到平台的数据传输到迭代更新模块7中，之后迭代更新模块7中的迭代分析模块71结合新传数据进行更迭分析，判定数据变化后数据更迭模块72对新传数据进行整合，随后将整合的新传数据发送到模型更迭模块73中，同时模型调用模块74调用模型生成模块5中的学习模型，然后模型更迭模块73通过新传数据对学习模型进行更迭训练，训练完成后通过优化输出模块75优化学习模型中参数，并通过接口互联模块2将优化参数发送回用户端口模块1。

基于上述，本发明的优点在于，本发明在使用时利用分割排序模块24在数据传输之前对加密后的数据进行分割处理，之后对分割后的数据进行随机排序，并生成对应的特征解码数据链，数据传输后由整理还原模块26结合特征解码数据链对分割数据进行排序还原，避免数据在传输的过程中发生泄露，消除了安全隐患；利用迭代分析模块71结合新传数据进行更迭分析，判定数据变化后数据更迭模块72对新传数据进行整合，随后将整合的新传数据发送到模型更迭模块73中，同时模型调用模块74调用模型生成模块5中的学习模型，然后模型更迭模块73通过新传数据对学习模型进行更迭训练，自动优化学习模型的固有参数，无需重新上传数据进行训练，缩短了模型更迭计算的周期，提高了系统的实用性；利用指令接收模块41接收采集接收数据中的样本信息，之后云端调用模块42从云端连接模块6调用云端中的类似数据，并通过辅助运算模块43和云端模型模块44分析云端数据进行训练整合，辅助生产云端数据的备用模型，满足了用户的个性化需求，提高了用户的使用体验。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。