一种隐私保护的数据传输方法、装置、电子设备及介质

技术领域

本文件涉及信号处理技术领域，尤其涉及一种隐私保护的数据传输方法、装置、电子设备及介质。

背景技术

随着计算机信息技术的发展，基于用户信息的大数据应用被广泛地进行使用。而用户信息属于敏感数据，在很多场景中，需要由用户终端将用户信息发送至服务器端进行数据处理，这就存在传输过程中隐私被泄露的风险。

鉴于此，亟需一种能够提供隐私保护的数据传输方案。

发明内容

本说明书实施例提供了一种隐私保护的数据传输方法、装置、电子设备及介质，能够提供具有隐私保护的数据传输服务。

为解决上述技术问题，本说明书实施例是这样实现的：

第一方面，提出了一种隐私保护的数据传输方法，包括：

发送端设备基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩，得到所述目标数据对应的脱敏信号；

所述发送端设备将所述脱敏信号发送至接收端设备；

所述接收端设备基于块稀疏贝叶斯学习算法，对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，其中，所述重构信号用于数据处理。

第二方面，提出了一种隐私保护的数据传输方法，包括：

基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩，得到所述目标数据对应的脱敏信号；

将所述脱敏信号发送至接收端设备；其中，所述接收端设备基于块稀疏贝叶斯学习算法对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，所述重构信号用于数据处理。

第三方面，提出了一种隐私保护的数据传输方法，包括：

接收发送端设备发送的目标数据对应的脱敏信号，所述脱敏信号是所述发送端设备基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩得到的；

基于块稀疏贝叶斯学习算法对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，其中，所述重构信号用于数据处理。

第四方面，提出了一种隐私保护的数据传输装置，包括：

压缩模块，基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩，得到所述目标数据对应的脱敏信号；

发送模块，将所述脱敏信号发送至接收端设备；其中，所述接收端设备基于块稀疏贝叶斯学习算法对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，所述重构信号用于数据处理。

第五方面，提出了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩，得到所述目标数据对应的脱敏信号；

将所述脱敏信号发送至接收端设备；其中，所述接收端设备基于块稀疏贝叶斯学习算法对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，所述重构信号用于数据处理。

第六方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩，得到所述目标数据对应的脱敏信号；

将所述脱敏信号发送至接收端设备；其中，所述接收端设备基于块稀疏贝叶斯学习算法对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，所述重构信号用于数据处理。

第七方面，提出了一种隐私保护的数据传输装置，包括：

接收模块，接收发送端设备发送的目标数据对应的脱敏信号，所述脱敏信号是所述发送端设备基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩得到的；

重构模块，基于块稀疏贝叶斯学习算法对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，其中，所述重构信号用于数据处理。

第八方面，提出了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

接收发送端设备发送的目标数据对应的脱敏信号，所述脱敏信号是所述发送端设备基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩得到的；

基于块稀疏贝叶斯学习算法对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，其中，所述重构信号用于数据处理。

第九方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

接收发送端设备发送的目标数据对应的脱敏信号，所述脱敏信号是所述发送端设备基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩得到的；

基于块稀疏贝叶斯学习算法对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，其中，所述重构信号用于数据处理。

基于本说明书实施例的方案，发送端设备采用算力要求较低的压缩感知算法对目标数据进行压缩，从而在有限的资源条件下，快速将目标数据高维度的原始信号压缩成低维度以实现脱敏处理；之后，发送端设备再将压缩得到的目标数据的脱敏信号发送至接收端设备，由接收端设备通过算力要求较高的块稀疏贝叶斯学习算法，不断优化推导出脱敏信号非稀疏的位置，从而进行稀疏重构以尝试还原出不影响业务的重构信号，并最终基于重构信号进行业务相关的数据处理工作。由于方案中除了发送端设备外，其他设备无法获知脱敏信号中非稀疏的位置，即便脱敏信号在传输过程中被拦截，普通拦截者也难以提供支撑稀疏贝叶斯学习算法运行的设备以尝试进行重构，从而实现了隐私保护的作用。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书实施例的隐私保护的数据传输方法的第一种流程示意图。

图2为本说明书实施例的隐私保护的数据传输方法的第二种流程示意图。

图3为本说明书实施例的隐私保护的数据传输装置的第一种结构示意图。

图4为本说明书实施例的隐私保护的数据传输装置的第二种流程示意图。

图5为本说明书实施例提供的电子设备的结构示意图。

具体实施方式

为使本文件的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本文件一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本文件保护的范围。

如前所述，随着计算机信息技术的发展，基于用户信息的大数据应用被广泛地进行使用。而用户信息属于敏感数据，在很多场景中，需要由用户终端将用户信息发送至服务器端进行数据处理，这就存在传输过程中隐私被泄露的风险。

这里以人脸识别为例，用户终端在需要发起服务器侧的人脸验证时，需要将本地采集到的用户人脸图像发送至服务器侧进行身份识别。而人脸图像中的人脸特征一旦在传输中被泄露，则可能被恶意盗用。

有鉴于此，本说明书旨在提供一种能够提供隐私保护的数据传输方案。其中，本说明书的数据传输场景包括：发送端设备和接收端设备。发送端设备是指发送隐私数据(后文统称目标数据)的设备，可以包括产生目标数据的源端设备，比如上述人脸识别场景中的用户设备，也可以包括转发目标数据的中间节点设备，比如路由、网关等。接收端设备是指对目标数据进行数据处理的设备，比如上述人脸识别场景中的服务器。

这里，考虑到发送端设备通常情况下不太具有很富裕的算力和时间资源对目标数据进行脱敏化处理，为了实现较为理想的隐私保护效果，应将加密加单仅可能留给发送端设备，并在接收端设备侧进行难度较高的解密。基于此，在本说明书的数据传输方案中，发送端设备采用算力要求较小低的压缩感知算法对目标数据进行压缩，从而在有限的资源条件下，快速将目标数据高维度的原始信号压缩成低维度以实现脱敏处理；之后，发送端设备再将压缩得到的目标数据的脱敏信号发送至接收端设备，由接收端设备通过算力要求较高的块稀疏贝叶斯学习算法，不断优化推导出脱敏信号非稀疏的位置，从而进行稀疏重构以尝试还原出不影响业务的重构信号，并最终基于重构信号进行业务相关的数据处理工作。

具体地，在上述原理基础之上，本说明书一个实施例提供一种隐私保护的数据传输方法。其中，图1是数据传输方法流程示意图，具体包括如下步骤：

S102，发送端设备基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩，得到目标数据对应的脱敏信号。

压缩感知的基本思想是：只要高维信号是稀疏或可压缩的，则可用一个测量矩阵在低维空间上表示这个高维信号。本步骤中，发送端设备可以基于观测矩阵，对通过结构字典进行块稀疏表示的目标数据分块后的原始信号进行低维空间投影，以通过压缩低维空间的方式进行脱敏处理，从而得到脱敏信号。

具体地，压缩感知算法的模型公式为：y＝ΦΨs+n＝Φx+n。

上述公式中：y为脱敏信号，也称观测向量。Φ为观测矩阵。Ψ为用于向其他域进行变化的结构字典，比如离散预先变换DCT字典、加博尔变换gabor字典等；应理解，图像类的原始信号在时域上不是稀疏的，但是经DCT变换或gabor变换到其他域会呈现稀疏性。s为在结构字典对应的变换域中，具有块结构的稀疏性。n为高斯噪声，本说明书实施例引入高斯噪声是为了保证每次相同输入对应的输出不同，从而防止黑产破解。x为原始信号，x＝Ψs。

本说明书实施例中，目标数据细分成多个分块，对应的原始信号x按照分块可以表示成：x＝x

S104，发送端设备将脱敏信号发送至接收端设备。

应理解，除了发送端设备外，其他设备无法获知所有的块信号中非稀疏的位置，这就需要基于贝叶斯学习算法不断优化推导出非稀疏的位置，从而对脱敏信号进行重构。而贝叶斯学习算法对算力有着较高的要求，即便脱敏信号在传输过程中被拦截，普通拦截者难以提供支撑稀疏贝叶斯学习算法运行的设备，从而实现了隐私保护的作用。

S106，接收端设备基于块稀疏贝叶斯学习算法，对脱敏信号进行压缩还原的稀疏重构，得到目标数据对应的重构信号，其中，重构信号用于数据处理。

应理解，稀疏重构是指由观测向量重构稀疏信号的过程,稀疏贝叶斯学习(sparsebayesian learning，SBL)是稀疏信号重构的方法之一。稀疏贝叶斯学习的模型即上文所述的y＝Φx+n，稀疏重构可以理解为根据已知的y和Φ估计出x。

在稀疏贝叶斯框架下的压缩感知问题中，对待估计的x引入不同的先验分布对整个优化问题及其结构有很大的影响，即不同的先验分布对应不同的优化问题。

这里，本说明书实施例采用Spike and Slab作为x的先验分布。

其中，x的分块按照稀疏性划分为稀疏块和非稀疏块这两类。稀疏块是指所有元素均为稀疏元素的分块；非稀疏块是指存在非稀疏元素的分块。Spike函数公式为y＝N(x|0,1),Slab函数公式为y＝I(x＝0)；在Spike and Slab的先验分布下，有下述约束：

x

其中，κ是超参数；在第g组稀疏信号中，所有元素共享一个γ

对于本说明书实施例而言，接收端设备以目标数据的原始信号采用预设先验分布为约束，确定目标数据对应的每个分块的原始信号x和每个分块的稀疏性指示变量γ的最大化后验概率(Maximum A Posteriori Probability，MAP)推导。

这里，假设x

其中,

上述MAP问题包含l1正则化，其比l2正则化更能诱导信号的稀疏性。如果ρ＝[ρ

下面对代价函数的迭代过程进行详细介绍。

示例性地，本说明书实施例采用贪心算法的方式，快速对代价函数进行多轮迭代的优化求解。

首先，接收端设备初始化目标数据的非稀疏块划分结果。

之后，接收端设备按照贪心算法的原理，多轮迭代以执行：选取目标数据对应的一个对代价函数影响最大的目标分块，并对目标分块进行稀疏性指示变量的变更，其中，若对目标分块变更前的稀疏性指示变量指示所述目标分块为稀疏块，则变更后指示为非稀疏块，若所述对目标分块变更前的稀疏性指示变量指示所述目标分块为非稀疏块，则变更后指示为稀疏块；在对目标分块进行稀疏性指示变量的变更后，若代价函数产生可迭代的优化解，则基于对目标分块的稀疏性指示变量的变更，对目标数据的非稀疏块划分结果进行更新。

为方便理解，这里可以定义集合

在已知集合

具体的求解思想是在

在非稀疏块的位置已知时，假设优化问题会简化为lasso问题，即：

这里定义

无论是向结合

S21，初始化集合

比如，假设目标数据对应5个分块，则可以随机选取两个分块，如分块3和分块4作为非稀疏块，对应的集合

S22，遍历目标数据的所有分块，求解lasso问题，找到对

还是假设目标数据对应5个分块，初始的集合

比如：

先选取分块1，分块1原先是稀疏块，则将分块1改变为非稀疏块，此时非稀疏块包括分块1、分块3和分款4，并重新计算

之后，选取分块2，分块2原先是稀疏块，则将分块2改变为非稀疏块，此时非稀疏块包括分块2、分块3和分款4，并重新计算

再之后，选取分块3，分块3原先是非稀疏块，则将分块3改变为稀疏块，此时非稀疏块包括分分款4，并重新计算

……

最后，选取分块5，分块5原先是稀疏块，则将分块5改变为非稀疏块，此时非稀疏块包括分块5、分块3和分款4，并重新计算

其中，对

S23，对目标分块的稀疏性指示变量γ进行改变。

也就是若对目标分块变更前的γ指示目标分块为稀疏块，则变更后指示为非稀疏块，若对目标分块变更前的γ指示目标分块为非稀疏块，则变更后指示为稀疏块。

S24，确定目标分块γ值变换后对应的

如果小于，则迭代尚未结束，执行S25；否则，结束迭代(也可以在达到一定轮次后主动结束迭代)。

S25，更新集合

比如，原先集合

应理解，上述S21至S25即基于贪心算法对

综上所述，基于本说明书实施例的方法，发送端设备采用算力要求较低的压缩感知算法对目标数据进行压缩，从而在有限的资源条件下，快速将目标数据高维度的原始信号压缩成低维度以实现脱敏处理；之后，发送端设备再将压缩得到的目标数据的脱敏信号发送至接收端设备，由接收端设备通过算力要求较高的块稀疏贝叶斯学习算法，不断优化推导出脱敏信号非稀疏的位置，从而进行稀疏重构以尝试还原出不影响业务的重构信号，并最终基于重构信号进行业务相关的数据处理工作。由于方案中除了发送端设备外，其他设备无法获知脱敏信号中非稀疏的位置，即便脱敏信号在传输过程中被拦截，普通拦截者也难以提供支撑稀疏贝叶斯学习算法运行的设备以尝试进行重构，从而实现了隐私保护的作用。

以上是对本说明书实施例的数据传输方法的示例性介绍。应理解，本说明书实施例的方法可以应用于任何需要发送隐私数据的应用场景。比如，由用户终端发起的需要云端服务器进行人脸验证的场景。对于作为发送端设备的用户终端而言，可以在本地可信执行环境(Trusted execution environment，Tee)下，调用配置有压缩感知算法的程序，将采集到的用户人脸图像进行脱敏化压缩；之后，用户终端通过移动网络，再将压缩得到的用户人脸图像的脱敏信号发送给作为接收端设备的服务器，由服务器调用自身算力资源运行块稀疏贝叶斯学习算法，以尝试对脱敏信号进行稀疏重构，得到不影响人脸验证的重构信号，从而基于重构信号来识别用户终端使用者的身份。

此外，与上述图1所示方法相对应地，本说明书实施例还提供隐私保护的数据传输装置。其中，图3是本说明书实施例提供的隐私保护的数据传输装置300的结构示意图，包括：

压缩模块310，基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩，得到所述目标数据对应的脱敏信号.

发送模块320，将所述脱敏信号发送至接收端设备；其中，所述接收端设备基于块稀疏贝叶斯学习算法对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，所述重构信号用于数据处理。

可选地，压缩模块310具体基于观测矩阵，对通过结构字典进行块稀疏表示的目标数据分块后的原始信号进行低维空间投影，得到脱敏信号。

应理解，本说明书实施例的数据传输装置作为图1所示方法中对应发送端设备侧步骤的执行主体，因此能够实现图1所示方法的步骤和功能。

此外，与上述图1所示方法相对应地，本说明书实施例还提供隐私保护的数据传输装置。其中，图4是本说明书一个实施例提供的隐私保护的数据传输装置400的结构示意图，包括：

接收模块410，接收发送端设备发送的目标数据对应的脱敏信号，所述脱敏信号是所述发送端设备基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩得到的；

重构模块420，基于块稀疏贝叶斯学习算法对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，其中，所述重构信号用于数据处理。可选地，

可选地，重构模块420基于块稀疏贝叶斯学习算法，对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，包括：以所述目标数据的原始信号采用预设先验分布为约束，确定所述目标数据对应的每个分块的原始信号和每个分块的稀疏性指示变量的最大化后验概率推导；将所述最大化后验概率推导转换为基于lasso算法的代价函数，其中代价函数的变量与所述目标数据的非稀疏块划分结果相关联；对所述代价函数进行多轮迭代的优化求解，确定迭代结束后所述代价函数对应的时所述目标数据的非稀疏块划分结果，其中，非稀疏块是指所述目标数据中存在有非稀疏元素的分块；基于确定得到的所述目标数据的非稀疏块划分结果，对所述脱敏信号进行压缩还原的稀疏重构，得到重构信号。

可选地，重构模块420所述接收端设备对所述代价函数进行多轮迭代的优化求解，包括：初始化所述目标数据的非稀疏块划分结果；多轮迭代以执行：选取所述目标数据对应的一个对所述代价函数影响最大的目标分块，并对所述对目标分块进行稀疏性指示变量的变更，其中，若所述对目标分块变更前的稀疏性指示变量指示所述目标分块为稀疏块，则变更后指示为非稀疏块，若所述对目标分块变更前的稀疏性指示变量指示所述目标分块为非稀疏块，则变更后指示为稀疏块；在对所述目标分块进行稀疏性指示变量的变更后，若所述代价函数产生可迭代的优化解，则基于对所述目标分块的稀疏性指示变量的变更，对所述目标数据的非稀疏块划分结果进行更新，其中，稀疏块是指所述目标数据中全部元素均为稀疏元素的分块。

可选地，所述预设先验分布为Spike and Slab先验分布。

可选地，所述目标数据包括人脸图像数据，所述数据处理包括人脸识别处理。

应理解，本说明书实施例的数据传输装置作为图1所示方法中对应接收端设备侧步骤的执行主体，因此能够实现图1所示方法的步骤和功能。

图5是本说明书的一个实施例提供的电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

其中，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成上述图3所示的数据传输装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩，得到所述目标数据对应的脱敏信号。

将所述脱敏信号发送至接收端设备；其中，所述接收端设备基于块稀疏贝叶斯学习算法对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，所述重构信号用于数据处理。

或者，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成上述图4所示的数据传输装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

接收发送端设备发送的目标数据对应的脱敏信号，所述脱敏信号是所述发送端设备基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩得到的。

基于块稀疏贝叶斯学习算法对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，其中，所述重构信号用于数据处理。

上述如本说明书图1所示实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

该电子设备还可执行图1的方法，本说明书在此不再赘述。

当然，除了软件实现方式之外，本说明书的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序。

其中，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的发送端设备侧的方法，并具体用于执行以下操作：

基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩，得到所述目标数据对应的脱敏信号；

将所述脱敏信号发送至接收端设备；其中，所述接收端设备基于块稀疏贝叶斯学习算法对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，所述重构信号用于数据处理。

或者，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的接收端设备侧的方法，并具体用于执行以下操作：

接收发送端设备发送的目标数据对应的脱敏信号，所述脱敏信号是所述发送端设备基于压缩感知算法，对目标数据分块后的原始信号进行脱敏化压缩得到的；

基于块稀疏贝叶斯学习算法对所述脱敏信号进行压缩还原的稀疏重构，得到所述目标数据对应的重构信号，其中，所述重构信号用于数据处理。

总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。