一种基于隐私保护的数据处理方法、装置及设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种基于隐私保护的数据处理方法、装置及设备。

背景技术

近年来，生物识别技术被广泛应用于社会的生产和生活，例如，在出行、支付、门禁和安防等场景中都得到广泛应用。在生物识别技术，尤其是人脸识别技术的推广，也带来了一些隐患，即隐私数据泄露的问题。由于生物识别系统涉及到对用户生物信息的采集、处理、存储和传输等步骤，因此系统存在用户隐私数据泄漏的风险。

为了更好保护用户的隐私安全，目前有部分生物识别系统已经对用户的生物信息采取了隐私保护措施，但是，此类加密算法一般都可以通过暴力破解等方式破解，隐私保护等级较弱。基于此，需要提供一种更优的隐私保护方案。

发明内容

本说明书实施例的目的是提供一种更优的隐私保护方案。

为了实现上述技术方案，本说明书实施例是这样实现的：

本说明书实施例提供的一种基于隐私保护的数据处理方法，应用于终端设备，所述方法包括：获取待处理的隐私数据，并获取对所述隐私数据进行切分处理的所述终端设备的性能信息。将所述性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定对所述隐私数据进行切分处理所需采用的数据切分模式，所述数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到。基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个所述隐私数据切块对应的数据类型，将所述隐私数据切块提供给相应的服务器，以使所述服务器通过预先训练的特征提取模型对获取的所述隐私数据切块进行特征提取，并触发对提取的多个所述隐私数据切块的特征的融合处理，得到对所述隐私数据进行隐私保护后的目标数据，所述特征提取模型是通过与多个不同隐私数据样本中的预设数据类型相匹配的隐私样本切块进行模型训练得到。获取对所述隐私数据进行隐私保护后的所述目标数据，并基于所述目标数据进行业务处理。

本说明书实施例提供的一种基于隐私保护的数据处理方法，应用于服务器，所述方法包括：接收终端设备发送的通过数据切分模式对待处理的隐私数据进行切分处理后得到的预设数据类型的隐私数据切块，所述数据切分模式是将所述终端设备的性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定的，所述数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到。基于所述预设数据类型对应的预先训练的特征提取模型对所述隐私数据切块进行特征提取，得到所述隐私数据切块对应的隐私数据特征，所述特征提取模型是通过与所述预设数据类型相匹配的隐私样本切块进行模型训练得到。基于所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征进行融合处理，得到对所述隐私数据进行隐私保护后的所述目标数据，并将所述目标数据提供给所述终端设备，以使所述终端设备基于所述目标数据进行业务处理。

本说明书实施例提供的一种基于隐私保护的数据处理装置，所述装置包括：信息获取模块，获取待处理的隐私数据，并获取对所述隐私数据进行切分处理的终端设备的性能信息。切分模式确定模块，将所述性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定对所述隐私数据进行切分处理所需采用的数据切分模式，所述数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到。隐私切分模块，基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个所述隐私数据切块对应的数据类型，将所述隐私数据切块提供给相应的服务器，以使所述服务器通过预先训练的特征提取模型对获取的所述隐私数据切块进行特征提取，并触发对提取的多个所述隐私数据切块的特征的融合处理，得到对所述隐私数据进行隐私保护后的目标数据，所述特征提取模型是通过与多个不同隐私数据样本中的预设数据类型相匹配的隐私样本切块进行模型训练得到。业务处理模块，获取对所述隐私数据进行隐私保护后的所述目标数据，并基于所述目标数据进行业务处理。

本说明书实施例提供的一种基于隐私保护的数据处理装置，所述装置包括：数据切块接收模块，接收终端设备发送的通过数据切分模式对待处理的隐私数据进行切分处理后得到的预设数据类型的隐私数据切块，所述数据切分模式是将所述终端设备的性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定的，所述数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到。特征提取模块，基于所述预设数据类型对应的预先训练的特征提取模型对所述隐私数据切块进行特征提取，得到所述隐私数据切块对应的隐私数据特征，所述特征提取模型是通过与所述预设数据类型相匹配的隐私样本切块进行模型训练得到。融合模块，基于所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征进行融合处理，得到对所述隐私数据进行隐私保护后的所述目标数据，并将所述目标数据提供给所述终端设备，以使所述终端设备基于所述目标数据进行业务处理。

本说明书实施例提供的一种基于隐私保护的数据处理设备，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：获取待处理的隐私数据，并获取对所述隐私数据进行切分处理的终端设备的性能信息。将所述性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定对所述隐私数据进行切分处理所需采用的数据切分模式，所述数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到。基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个所述隐私数据切块对应的数据类型，将所述隐私数据切块提供给相应的服务器，以使所述服务器通过预先训练的特征提取模型对获取的所述隐私数据切块进行特征提取，并触发对提取的多个所述隐私数据切块的特征的融合处理，得到对所述隐私数据进行隐私保护后的目标数据，所述特征提取模型是通过与多个不同隐私数据样本中的预设数据类型相匹配的隐私样本切块进行模型训练得到。获取对所述隐私数据进行隐私保护后的所述目标数据，并基于所述目标数据进行业务处理。

本说明书实施例提供的一种基于隐私保护的数据处理设备，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：接收终端设备发送的通过数据切分模式对待处理的隐私数据进行切分处理后得到的预设数据类型的隐私数据切块，所述数据切分模式是将所述终端设备的性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定的，所述数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到。基于所述预设数据类型对应的预先训练的特征提取模型对所述隐私数据切块进行特征提取，得到所述隐私数据切块对应的隐私数据特征，所述特征提取模型是通过与所述预设数据类型相匹配的隐私样本切块进行模型训练得到。基于所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征进行融合处理，得到对所述隐私数据进行隐私保护后的所述目标数据，并将所述目标数据提供给所述终端设备，以使所述终端设备基于所述目标数据进行业务处理。

本说明书实施例还提供了一种存储介质，其中，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取待处理的隐私数据，并获取对所述隐私数据进行切分处理的终端设备的性能信息。将所述性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定对所述隐私数据进行切分处理所需采用的数据切分模式，所述数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到。基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个所述隐私数据切块对应的数据类型，将所述隐私数据切块提供给相应的服务器，以使所述服务器通过预先训练的特征提取模型对获取的所述隐私数据切块进行特征提取，并触发对提取的多个所述隐私数据切块的特征的融合处理，得到对所述隐私数据进行隐私保护后的目标数据，所述特征提取模型是通过与多个不同隐私数据样本中的预设数据类型相匹配的隐私样本切块进行模型训练得到。获取对所述隐私数据进行隐私保护后的所述目标数据，并基于所述目标数据进行业务处理。

本说明书实施例还提供了一种存储介质，其中，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：接收终端设备发送的通过数据切分模式对待处理的隐私数据进行切分处理后得到的预设数据类型的隐私数据切块，所述数据切分模式是将所述终端设备的性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定的，所述数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到。基于所述预设数据类型对应的预先训练的特征提取模型对所述隐私数据切块进行特征提取，得到所述隐私数据切块对应的隐私数据特征，所述特征提取模型是通过与所述预设数据类型相匹配的隐私样本切块进行模型训练得到。基于所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征进行融合处理，得到对所述隐私数据进行隐私保护后的所述目标数据，并将所述目标数据提供给所述终端设备，以使所述终端设备基于所述目标数据进行业务处理。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1A为本说明书一种基于隐私保护的数据处理方法实施例；

图1B为本说明书一种基于隐私保护的数据处理过程的示意图；

图2为本说明书一种基于隐私保护的数据处理系统的结构示意图；

图3为本说明书另一种基于隐私保护的数据处理方法实施例；

图4为本说明书又一种基于隐私保护的数据处理方法实施例；

图5A为本说明书又一种基于隐私保护的数据处理方法实施例；

图5B为本说明书另一种基于隐私保护的数据处理过程的示意图；

图6为本说明书又一种基于隐私保护的数据处理方法实施例；

图7为本说明书一种基于隐私保护的数据处理装置实施例；

图8为本说明书另一种基于隐私保护的数据处理装置实施例；

图9为本说明书一种基于隐私保护的数据处理设备实施例。

具体实施方式

本说明书实施例提供一种基于隐私保护的数据处理方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

实施例一

如图1A和图1B所示，本说明书实施例提供一种基于隐私保护的数据处理方法，该方法的执行主体可以为终端设备，其中，该终端设备可以如笔记本电脑或台式电脑等计算机设备，还可以如手机或平板电脑等移动终端设备。该方法具体可以包括以下步骤：

在步骤S102中，获取待处理的隐私数据，并获取对该隐私数据进行切分处理的终端设备的性能信息。

其中，隐私数据可以包括多种，例如文本信息类、图像类、音频类和视频类等，文本信息类隐私数据可以包括如记载有用户的手机号码、身份证号码、住址等用户的个人信息的文档的数据，图像类隐私数据可以包括如用户的面部图像、指纹图像、虹膜图像等的数据，音频类隐私数据可以包括如用户的手机号码、身份证号码等用户的个人信息的音频文件的数据，视频类隐私数据可以包括如用户的面部图像、指纹图像、虹膜图像等的视频文件的数据。终端设备的性能信息可以包括多种，如终端设备的中央处理器CPU的处理核心数量、CPU的频率、缓存值、通信速度、内存占用值、存储器状态等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，近年来，生物识别技术被广泛应用于社会的生产和生活，例如，在出行、支付、门禁和安防等场景中都得到广泛应用。在生物识别技术，尤其是人脸识别技术的推广，也带来了一些隐患，即隐私数据泄露的问题。由于生物识别系统涉及到对用户生物信息的采集、处理、存储和传输等步骤，因此系统存在用户隐私数据泄漏的风险。

为了更好保护用户的隐私安全，目前有部分生物识别系统已经对用户的生物信息采取了隐私保护措施，例如，部分人脸识别系统对人脸图像进行了加密，即传输和存储的图像均为加密后的图像，从而防止外部攻击者获取原始图像造成隐私泄露。但是，此类加密算法一般都可以通过暴力破解等方式破解，隐私保护等级较弱。除此之外，由于客户端算力有限，一般生物信息都要上传到云端服务器进行处理，具体地，客户端采集用户的生物信息等隐私数据后，需要对该生物信息进行加密处理(如通过AES加密算法进行加密处理等)，然后将加密的数据传输到服务端。服务端接收到数据后，进行解密处理以恢复出原始数据，之后通过恢复的原始数据进行相应计算，将计算得到的结果出输给客户端，上述方式在一定程度上可以防止用户隐私数据的泄漏，但是由于设备算力的限制，加密算法一般较简单，容易被破解，总体安全等级较低，而且，由于服务端可以获取到用户的完整隐私数据，也存在隐私泄漏和数据滥用的问题。基于此，需要提供一种更优的隐私保护方案。本说明书实施例提供一种隐私保护方案，具体可以包括以下内容：

当用户需要向终端设备输入用户的个人隐私数据时(例如，用户需要通过生物识别系统进行某项业务，具体如，用户需要通过人脸识别或指纹识别的方式进行支付，此时，需要用户向终端设备中输入该用户的人脸图像或指纹信息等用户的个人隐私数据)，该用户可以启动终端设备的隐私数据采集组件(如人脸采集摄像组件或指纹采集组件等)，并可以通过隐私数据采集组件采集用户的隐私数据，并可以将该隐私数据作为待处理的隐私数据。

为了避免隐私数据的处理设备得到完整的用户隐私数据，可以将待处理的隐私数据切分为多个不同的部分，然后分发给多方设备进行处理，从而使得各方设备均得到该隐私数据中的部分数据，保护用户的隐私数据的安全性，基于此，可以确定对该隐私数据进行切分处理的终端设备，然后，可以对该终端设备的性能进行分析，确定并获取该终端设备的性能信息。

在步骤S104中，将上述性能信息输入到预先训练的数据切分模型中，并基于数据切分模型的输出结果确定对上述隐私数据进行切分处理所需采用的数据切分模式，该数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到。

其中，设备类型可以包括多种，例如用户所使用的手机、平板电脑等移动终端设备类、用户所使用的个人计算机等终端设备类、某机构提供的对用户进行生物识别的机具(如售卖机具或支付机具等)类等，具体可以根据实际应用设定，本说明书实施例对此不做限定。数据切分模式可以用于限定对隐私数据进行切分所需使用的切分方式、切分过程、切分工具和切分后得到的数据数量，以及切分后得到的每份数据的相关信息等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，为了准确判定终端设备需要对隐私数据切分的数量，可以通过构建相应模型，并通过构建的模型确定隐私数据所需切分的数量，具体地，考虑到数据的切分主要由终端设备的性能和隐私数据所决定，如果隐私数据中包含的数据类型确定，则数据的切分主要由终端设备的性能所决定，因此，可以根据实际情况构建数据切分模型的模型架构，该模型架构中可以包括一个或多个待确定的参数的数值，并且，该数据切分模型可以根据终端设备的性能确定该终端设备所适合使用的数据切分模式。

在实际应用中，可以预先设定多种不同的数据切分方式或方法，可以基于设定的不同数据切分方式或方法设置相应的数据切分模式，例如可以预先设定三种不同的数据切分方式，分别为将数据划分为两部分的第一数据切分方式、将数据划分为三部分的第二数据切分方式和将数据划分为四部分的第三数据切分方式，然后，可以分别基于上述三种数据切分方式设置第一数据切分模式、第二数据切分模式和第三数据切分模式。可以基于上述设置的多个不同的数据切分模式构建相应的数据切分模型的模型架构，具体地，可以基于每种数据切分模式分别构建一个数据切分模型的模型架构，这样，可以得到三个数据切分模型的模型架构，或者，可以基于其中的多个不同的数据切分模式构建一个数据切分模型的模型架构，剩余的数据切分模式可以再次构建一个数据切分模型的模型架构，这样，可以得到两个、三个，甚至更多个数据切分模型的模型架构等，或者，可以基于设置的多个不同的数据切分模式构建一个数据切分模型的模型架构等，具体可以根据实际情况，本说明书实施例对此不做限定。

通过上述方式构建数据切分模型的模型架构后，可以获取多种不同设备类型的设备的性能信息，例如可以获取多个不同的移动终端设备的性能信息、获取多个不同的个人计算机等设备的性能信息、获取多个不同机具的性能信息等，然后，可以使用上述性能信息对上述构建的数据切分模型进行训练，最终可以得到训练后的数据切分模型。

通过上述步骤S102的处理得到对该隐私数据进行切分处理的终端设备的性能信息后，可以将该终端设备的性能信息输入到上述训练后的数据切分模型中，通过上述数据切分模型的计算，可以得到数据切分模型的输出结果。该输出结果可以包括上述设定的多种不同数据切分模式对应的切分准确度、匹配概率等信息，可以基于该输出结果中包含的内容，确定对上述隐私数据进行切分处理所需采用的数据切分模式，例如，可以从上述设定的多种不同数据切分模式中选择切分准确度最高的数据切分模式，并可以将选择的数据切分模式确定为对上述隐私数据进行切分处理所需采用的数据切分模式。

在步骤S106中，基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个隐私数据切块对应的数据类型，将该隐私数据切块提供给相应的服务器，以使服务器通过预先训练的特征提取模型对获取的该隐私数据切块进行特征提取，并触发对提取的多个隐私数据切块的特征的融合处理，得到对隐私数据进行隐私保护后的目标数据，该特征提取模型是通过与多个不同隐私数据样本中的预设数据类型相匹配的隐私样本切块进行模型训练得到。

其中，服务器可以包括多个不同的服务器，在实际应用中，可以将每一种数据类型对应一个服务器，或者，也可以将多种不同数据类型对应一个服务器等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，通过上述步骤S104的处理，确定对上述隐私数据进行切分处理所需采用的数据切分模式后，可以对确定的数据切分模式进行分析，确定该数据切分模式对应的数据切分方式、切分过程、切分工具和切分后得到的数据数量，以及切分后得到的每份数据的相关信息等，然后，可以基于该数据切分模式对应的数据切分方式、切分过程、切分工具和切分后得到的数据数量，以及切分后得到的每份数据的相关信息等信息对隐私数据进行切分处理，以将该隐私数据切分为多个不同的隐私数据切块。

由于每个隐私数据切块对应的数据类型可能不同，例如，隐私数据被切分后得到的多个不同的隐私数据切块按照某种方式排列后，其频率逐渐减小或者先增大后减小等，则可以根据隐私数据切块对应的频率信息确定每个隐私数据切块对应的数据类型，具体如，将频率值大于某阈值的隐私数据切块划分为同一数据类型，将频率值小于或等于该阈值的隐私数据切块划分为同一数据类型等，具体可以根据实际情况设定。如图2所示，可以确定每个隐私数据切块对应的数据类型，然后，可以根据数据类型确定处理相应的隐私数据切块的服务器的信息，例如可以参见下表1所示。

表1

基于上述表1所示，对于数据类型1的隐私数据切块，可以将其发送给服务器A处理，对于不同于数据类型1的数据类型2的隐私数据切块，可以将其发送给不同于服务器A的服务器B处理等。

对于需要对隐私数据切块进行处理的服务器，可以预先设定相应的特征提取模型，并可以获取多个不同的隐私数据作为隐私数据样本，并从每个隐私数据样本中提取其包含的数据类型的隐私样本切块，并可以使用某数据类型的隐私样本切块对该数据类型对应的服务器中的特征提取模型进行训练，得到每个服务器中训练后的特征提取模型。然后，各个服务器接收到相应的隐私数据切块后，可以对该隐私数据切块进行特征提取，这样，每个服务器可以得到某一种数据类型的隐私数据切块对应的特征。各个服务器可以将得到的特征提供给指定的主服务器，主服务器可以对提取的多个隐私数据切块的特征进行融合处理，得到相应的融合数据，可以将该融合数据确定为对隐私数据进行隐私保护后的目标数据。

在步骤S108中，获取对上述隐私数据进行隐私保护后的目标数据，并基于目标数据进行业务处理。

在实施中，通过上述处理，服务器可以得到对上述隐私数据进行隐私保护后的目标数据，可以将该目标数据发送给终端设备，终端设备可以接收到该目标数据。由于目标数据是将用户的隐私数据切分为多个不同的部分，然后，再通过多方计算得到相应的结果后，最后通过数据融合的方式得到的结果，因此，该目标数据相对于用户的原始的隐私数据来说，防止了用户的隐私数据被泄露，并防止服务端对用户的隐私数据的滥用。

通过上述方式得到目标数据后，当用户需要申请某项业务服务，且该项业务服务需要使用用户的上述隐私数据时，可以通过该目标数据进行该项业务处理。

本说明书实施例提供一种基于隐私保护的数据处理方法，通过将获取的对该隐私数据进行切分处理的终端设备的性能信息输入到预先训练的数据切分模型中，并基于该数据切分模型的输出结果确定对待处理的隐私数据进行切分处理所需采用的数据切分模式，然后，再基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个隐私数据切块对应的数据类型，将该隐私数据切块提供给相应的服务器，从而使得每个服务器获取到的均是隐私数据的一部分数据，即使某一个或多个服务器泄露了其中的部分隐私数据，隐私数据的窃取者也无法得到该用户的完整隐私数据，从而保护用户的隐私，降低了数据滥用的风险，提高了隐私数据在传输过程中的安全性，此外，各个服务器通过预先训练的特征提取模型对获取的隐私数据切块进行特征提取，并触发对提取的多个隐私数据切块的特征的融合处理，得到对隐私数据进行隐私保护后的目标数据，将该目标数据提供给终端设备，终端设备可以基于对该隐私数据进行隐私保护后的目标数据进行业务处理，进而可以提高业务处理的安全性。

实施例二

如图3所示，本说明书实施例提供一种基于隐私保护的数据处理方法，该方法的执行主体可以为终端设备，其中，该终端设备可以如笔记本电脑或台式电脑等计算机设备，还可以如手机或平板电脑等移动终端设备。该方法具体可以包括以下步骤：

在步骤S302中，获取多种不同设备类型的设备的性能信息。

其中，该设备的性能信息可以包括终端设备所使用的中央处理器的处理核心数量、终端设备所使用的中央处理器的频率、终端设备和指定的服务端进行通信的速度和终端设备所使用的中央处理器的空闲占比中的一项或多项。

在步骤S304中，基于预设算法构建数据切分模型的模型架构，该数据切分模型的模型架构中包括特征提取子模型的模型架构和概率输出子模型的模型架构。

其中，预设算法可以根据实际情况设定，具体如特征提取算法和分类算法等。

在实施中，可以根据实际情况选取特征提取算法和分类算法，选取上述算法后，可以通过特征提取算法构建特征提取子模型的模型架构，该模型架构中可以包括待定的参数，此外，也可以通过分类算法构建分类子模型的模型架构，该模型架构中也可以包括待定的参数，其中，上述两个子模型中待定的参数可以不同。

在步骤S306中，分别将多种不同设备类型的设备的性能信息输入到特征提取子模型的模型架构中，并分别将得到的特征提取子模型的模型架构的输出结果输入到概率输出子模型的模型架构中，并结合预设的损失函数对特征提取子模型和概率输出子模型进行训练，得到数据切分模型。

其中，该损失函数可以为Softmax损失函数。

上述模型的具体训练方式可以参见上述相关内容，在此不再赘述。

在步骤S308中，获取待处理的隐私数据。

在步骤S310中，在预设时间段内的多个不同的预设时间点，分别采集终端设备的性能信息。

其中，采集的终端设备的性能信息可以包括终端设备所使用的中央处理器的处理核心数量、终端设备所使用的中央处理器的频率、终端设备和指定的服务端进行通信的速度和终端设备所使用的中央处理器的空闲占比中的一项或多项。

其中，预设时间段可以包括多种，例如每天的9:00:00-12:00:00、每个月的前7天或者任意5分钟或10分钟等，相应的预设时间点可以是上述时间段中的任意一个或多个时间点，例如预设时间段为5分钟，预设时间点为每隔5秒钟对应的时间点等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

需要说明的是，上述包含的性能信息仅是可行或可实现的信息，在实际应用中，终端设备的性能信息除了可以包括上述信息外，还可以包括多种信息，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在步骤S312中，将上述性能信息输入到预先训练的数据切分模型中，得到对上述隐私数据进行切分处理的预选数据切分模式和每个预选数据切分模式对应的匹配概率。

其中，匹配概率可以用于表征选取的数据切分模式与终端设备的性能相匹配的程度，匹配概率越大，则表明该终端设备越适合使用该数据切分模式，匹配概率越小，则表明该终端设备越不适合使用该数据切分模式。

在实施中，以预设时间段为5分钟，预设时间点为每隔5秒钟对应的时间点，该性能信息包括终端设备所使用的中央处理器的处理核心数量(以N表示)、终端设备所使用的中央处理器的频率(以F表示)、终端设备和指定的服务端进行通信的速度(以V表示)和终端设备所使用的中央处理器的空闲占比(以R表示)，则终端设备的性能信息可以是从计时开始后每隔5秒钟记录一次N、F、V和R的数值，直到5分钟后结束计时，然后，可以将上述记录的性能信息输入到数据切分模型中，通过该数据切分模型中的特征提取子模型，可以分别计算5分钟内N、F、V和R的平均值，得到的平均值作为该终端设备的特征组合，即[N，F，V，R]。然后，可以将该终端设备的特征组合[N，F，V，R]输入到概率输出子模型中，得到对上述隐私数据进行切分处理的预选数据切分模式和每个预选数据切分模式对应的匹配概率。

在步骤S314中，获取上述匹配概率大于预设概率阈值的预选数据切分模式，并基于获取的匹配概率大于预设概率阈值的预选数据切分模式，确定对上述隐私数据进行切分处理所需采用的数据切分模式。

其中，预设概率阈值可以根据实际情况设定，具体如70％或80％等。

在实施中，获取上述匹配概率大于预设概率阈值的预选数据切分模式，如果预选数据切分模式只包括一个，则可以将该预选数据切分模式确定为对上述隐私数据进行切分处理所需采用的数据切分模式，如果预选数据切分模式包括多个，则可以通过预设选取方式从上述预选数据切分模式中选取一个预选数据切分模式作为对上述隐私数据进行切分处理所需采用的数据切分模式，其中的预设选取方式可以包括多种，如随机选取方式、基于权重的选取方式等，具体可以根据实际情况设定。

在实际应用中，预选数据切分模式可以是基于多种不同的方式对数据进行切分的处理模式，以下提供两种可选的实现方式，具体可以包括以下内容预选数据切分模式为基于数据的频率信息对数据进行切分的处理模式，或者，预选数据切分模式为基于小波变换的方式对数据进行切分的处理模式。

此外，对于步骤S314中基于获取的匹配概率大于预设概率阈值的预选数据切分模式，确定对上述隐私数据进行切分处理所需采用的数据切分模式的处理，在实际应用中可以包括多种实现方式，以下提供一种可选的实现方式，具体可以包括以下步骤A2和步骤A4的处理：

在步骤A2中，在匹配概率大于预设概率阈值的预选数据切分模式中，获取匹配概率最大的预选数据切分模式。

在步骤A4中，将匹配概率最大的预选数据切分模式确定为对隐私数据进行切分处理所需采用的数据切分模式。

在步骤S316中，基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个隐私数据切块对应的数据类型，将隐私数据切块提供给相应的服务器，以使服务器通过预先训练的特征提取模型对获取的隐私数据切块进行特征提取，并触发对提取的多个隐私数据切块的特征的融合处理，得到对该隐私数据进行隐私保护后的目标数据，该特征提取模型是通过与多个不同隐私数据样本中的预设数据类型相匹配的隐私样本切块进行模型训练得到。

在步骤S318中，获取对隐私数据进行隐私保护后的目标数据，并基于目标数据进行业务处理。

本说明书实施例提供一种基于隐私保护的数据处理方法，通过将获取的对该隐私数据进行切分处理的终端设备的性能信息输入到预先训练的数据切分模型中，并基于该数据切分模型的输出结果确定对待处理的隐私数据进行切分处理所需采用的数据切分模式，然后，再基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个隐私数据切块对应的数据类型，将该隐私数据切块提供给相应的服务器，从而使得每个服务器获取到的均是隐私数据的一部分数据，即使某一个或多个服务器泄露了其中的部分隐私数据，隐私数据的窃取者也无法得到该用户的完整隐私数据，从而保护用户的隐私，降低了数据滥用的风险，提高了隐私数据在传输过程中的安全性，此外，各个服务器通过预先训练的特征提取模型对获取的隐私数据切块进行特征提取，并触发对提取的多个隐私数据切块的特征的融合处理，得到对隐私数据进行隐私保护后的目标数据，将该目标数据提供给终端设备，终端设备可以基于对该隐私数据进行隐私保护后的目标数据进行业务处理，进而可以提高业务处理的安全性。

实施例三

本实施例将结合具体的应用场景，对本发明实施例提供的一种基于隐私保护的数据处理方法进行详细的阐述，相应的应用场景为任意业务处理中的人脸识别的应用场景。

如图4所示，本说明书实施例提供一种基于隐私保护的数据处理方法，该方法的执行主体可以为终端设备，其中，该终端设备可以如笔记本电脑或台式电脑等计算机设备，还可以如手机或平板电脑等移动终端设备。该方法具体可以包括以下步骤：

在步骤S402中，获取多种不同设备类型的设备的性能信息。

在步骤S404中，基于预设算法构建数据切分模型的模型架构，该数据切分模型的模型架构中包括特征提取子模型的模型架构和概率输出子模型的模型架构。

在步骤S406中，分别将多种不同设备类型的设备的性能信息输入到特征提取子模型的模型架构中，并分别将得到的特征提取子模型的模型架构的输出结果输入到概率输出子模型的模型架构中，并结合预设的损失函数对特征提取子模型和概率输出子模型进行训练，得到数据切分模型。

其中，该损失函数为Softmax损失函数。

在步骤S408中，获取待处理的隐私数据。

在步骤S410中，在预设时间段内的多个不同的预设时间点，分别采集终端设备的性能信息，该性能信息包括终端设备所使用的中央处理器的处理核心数量、终端设备所使用的中央处理器的频率、终端设备和指定的服务端进行通信的速度和终端设备所使用的中央处理器的空闲占比中的一项或多项。

在步骤S412中，将上述性能信息输入到预先训练的数据切分模型中，得到对上述隐私数据进行切分处理的预选数据切分模式和每个预选数据切分模式对应的匹配概率，该数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到。

在实施中，例如，可以预先设定三种预选数据切分模式，具体包括双切分模式、三切分模式和四切分模式，其中，双切分模式可以将隐私数据切分为包含高频信息的隐私数据和包含低频信息的隐私数据，其中包含低频信息的隐私数据中仅包含(H/2*W/2)的频域信息，包含高频信息的隐私数据中可以包含剩余频域的信息。三切分模式可以将隐私数据切分为包含高频信息的隐私数据、包含中频信息的隐私数据和包含低频信息的隐私数据，其中包含高频信息的隐私数据、包含中频信息的隐私数据和包含低频信息的隐私数据中包含的频域信息可以根据实际情况进行划分，在此不再赘述。四切分模式可以将隐私数据切分为包含高频信息的隐私数据、包含中频信息1的隐私数据、包含中频信息2的隐私数据和包含低频信息的隐私数据，其中包含高频信息的隐私数据、包含中频信息1的隐私数据、包含中频信息2的隐私数据和包含低频信息的隐私数据中包含的频域信息可以根据实际情况进行划分，在此不再赘述。

在步骤S414中，获取上述匹配概率大于预设概率阈值的预选数据切分模式，并在匹配概率大于预设概率阈值的预选数据切分模式中，获取匹配概率最大的预选数据切分模式。

在实施中，考虑到某些隐私数据(如面部数据等)在频域内的特征可能更加突出，因此，可以通过隐私数据对应的频率信息对隐私数据进行切分，相应的，可以基于此，设置相应的预选数据切分模式。

其中，预选数据切分模式可以为基于数据的频率信息对数据进行切分的处理模式。

在步骤S416中，将匹配概率最大的预选数据切分模式确定为对隐私数据进行切分处理所需采用的数据切分模式。

其中，该数据切分模式为基于数据的频率信息对数据进行切分的处理模式。

在步骤S418中，将上述隐私数据转换为频域内的隐私数据。

在实施中，由于该数据切分模式为基于数据的频率信息对数据进行切分的处理模式，则需要将上述隐私数据转换为频域内的隐私数据，具体地，如果获取的用户的隐私数据为用户的面部图像，该面部图像的尺寸为H*W(H和W分别表示该面部图像的长度和宽度)。在实际应用中，可以通过傅里叶变换或离散余弦变换DCT等方式将上述隐私数据转换为频域内的隐私数据，以离散余弦变换DCT的方式将上述隐私数据转换为频域内的隐私数据为例，可以将上述尺寸为H*W的面部图像转换为相同尺寸的频域图像(即尺寸为H*W的频域图像)。

在步骤S420中，基于确定的数据切分模式对上述频域内的隐私数据进行切分处理，得到频域内的多个不同的隐私数据切块。

在步骤S422中，分别将频域内的每个隐私数据切块转换为时域内的隐私数据切块。

在步骤S424中，确定每个隐私数据切块对应的频段，并根据每个隐私数据切块对应的频段确定每个隐私数据切块对应的数据类型。

其中，上述频段可以包括第一低频段和第一高频段，具体可以参见上述双切分模式的相关内容，或者，上述频段包括第二低频段和第二高频段和第一中频段，具体可以参见上述三切分模式的相关内容，或者，上述频段包括第三低频段和第三高频段和多个不同的第二中频段，具体可以参见上述四切分模式的相关内容。

在步骤S426中，根据每个隐私数据切块对应的数据类型，将隐私数据切块提供给与每个隐私数据切块对应的频段相应的服务器，以使服务器通过预先训练的特征提取模型对获取的隐私数据切块进行特征提取，并触发对提取的多个隐私数据切块的特征的融合处理，得到对该隐私数据进行隐私保护后的目标数据，该特征提取模型是通过与多个不同隐私数据样本中的预设数据类型相匹配的隐私样本切块进行模型训练得到。

在步骤S428中，获取对隐私数据进行隐私保护后的目标数据，并基于目标数据进行业务处理。

本说明书实施例提供一种基于隐私保护的数据处理方法，通过将获取的对该隐私数据进行切分处理的终端设备的性能信息输入到预先训练的数据切分模型中，并基于该数据切分模型的输出结果确定对待处理的隐私数据进行切分处理所需采用的数据切分模式，然后，再基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个隐私数据切块对应的数据类型，将该隐私数据切块提供给相应的服务器，从而使得每个服务器获取到的均是隐私数据的一部分数据，即使某一个或多个服务器泄露了其中的部分隐私数据，隐私数据的窃取者也无法得到该用户的完整隐私数据，从而保护用户的隐私，降低了数据滥用的风险，提高了隐私数据在传输过程中的安全性，此外，各个服务器通过预先训练的特征提取模型对获取的隐私数据切块进行特征提取，并触发对提取的多个隐私数据切块的特征的融合处理，得到对隐私数据进行隐私保护后的目标数据，将该目标数据提供给终端设备，终端设备可以基于对该隐私数据进行隐私保护后的目标数据进行业务处理，进而可以提高业务处理的安全性。

实施例四

如图5A和图5B所示，本说明书实施例提供一种基于隐私保护的数据处理方法，该方法的执行主体可以为服务器，其中，该服务器可以是为某项业务(如进行交易的业务或金融业务等)或需要进行生物识别的服务器，具体如，该服务器可以是支付业务的服务器，也可以是与金融或即时通讯等相关业务的服务器等。该方法具体可以包括以下步骤：

在步骤S502中，接收终端设备发送的通过数据切分模式对待处理的隐私数据进行切分处理后得到的预设数据类型的隐私数据切块，该数据切分模式是将终端设备的性能信息输入到预先训练的数据切分模型中，并基于该数据切分模型的输出结果确定的，该数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到。

在步骤S504中，基于预设数据类型对应的预先训练的特征提取模型对隐私数据切块进行特征提取，得到该隐私数据切块对应的隐私数据特征，该特征提取模型是通过与预设数据类型相匹配的隐私样本切块进行模型训练得到。

在步骤S506中，基于隐私数据切块对应的隐私数据特征和隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征进行融合处理，得到对该隐私数据进行隐私保护后的目标数据，并将目标数据提供给终端设备，以使终端设备基于目标数据进行业务处理。

本说明书实施例提供一种基于隐私保护的数据处理方法，通过将获取的对该隐私数据进行切分处理的终端设备的性能信息输入到预先训练的数据切分模型中，并基于该数据切分模型的输出结果确定对待处理的隐私数据进行切分处理所需采用的数据切分模式，然后，再基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个隐私数据切块对应的数据类型，将该隐私数据切块提供给相应的服务器，从而使得每个服务器获取到的均是隐私数据的一部分数据，即使某一个或多个服务器泄露了其中的部分隐私数据，隐私数据的窃取者也无法得到该用户的完整隐私数据，从而保护用户的隐私，降低了数据滥用的风险，提高了隐私数据在传输过程中的安全性，此外，各个服务器通过预先训练的特征提取模型对获取的隐私数据切块进行特征提取，并触发对提取的多个隐私数据切块的特征的融合处理，得到对隐私数据进行隐私保护后的目标数据，将该目标数据提供给终端设备，终端设备可以基于对该隐私数据进行隐私保护后的目标数据进行业务处理，进而可以提高业务处理的安全性。

实施例五

如图6所示，本说明书实施例提供一种基于隐私保护的数据处理方法，该方法的执行主体可以为服务器，其中，该服务器可以是为某项业务(如进行交易的业务或金融业务等)或需要进行生物识别的服务器，具体如，该服务器可以是支付业务的服务器，也可以是与金融或即时通讯等相关业务的服务器等。该方法具体可以包括以下步骤：

在步骤S602中，获取多个不同的隐私数据中包含的与预设数据类型相匹配的隐私样本切块。

在步骤S604中，构建与预设数据类型相对应的特征提取模型的模型架构，并基于隐私样本切块对特征提取模型进行训练，得到训练后的特征提取模型。

在实施中，可以通过预先设定的特征提取算法设定相应的特征提取模型的模型架构，并可以基于隐私样本切块对特征提取模型进行训练，得到训练后的特征提取模型。

在步骤S606中，接收终端设备发送的通过数据切分模式对待处理的隐私数据进行切分处理后得到的预设数据类型的隐私数据切块，该数据切分模式是将终端设备的性能信息输入到预先训练的数据切分模型中，并基于该数据切分模型的输出结果确定的。

在步骤S608中，基于预设数据类型对应的预先训练的特征提取模型对隐私数据切块进行特征提取，得到该隐私数据切块对应的隐私数据特征，该特征提取模型是通过与预设数据类型相匹配的隐私样本切块进行模型训练得到。

其中，该特征提取模型可以为基于一个或多个ResNet(Residual NeuralNetwork)网络模型构建，ResNet网络模型的数量可以根据隐私数据被切分的数量确定，例如，如图2所示，隐私数据被切分的数量为2，则ResNet网络模型的数量也可以为2，若隐私数据被切分的数量为3，则ResNet网络模型的数量也可以为3等，其中的每个ResNet网络模型可以作为隐私数据切分的一个分支，如需要将隐私数据切分为3个部分，则需要3个分支，每个分支可以设定一个ResNet网络模型。对于ResNet网络模型，随着神经网络的加深，容易因梯度消失而造成训练集准确率下降现象,且不是由于过拟合造成的，于是提出了ResNet深度残差网络模型来解决上述问题。ResNet网络模型的结构可以极快地加速超深神经网络(网络层很多的神经网络)的训练，训练的ResNet网络模型的准确率也有非常大的提升。ResNet网络模型的基本思想是引入能够跳过一层或多层的快捷连接。ResNet网络模型可以包括多种，例如ResNet18网络模型、ResNet50网络模型等，其中的ResNet18网络模型中的18指的是带有权重的18个网络层，包括卷积层和全连接层，但不包括池化层和BN层，同样的，ResNet50网络模型中的50也是指带有权重的50个网络层，包括卷积层和全连接层，但不包括池化层和BN层。

在步骤S610中，将隐私数据切块对应的隐私数据特征和隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征输入到预先训练的特征融合模型中，得到对隐私数据进行隐私保护后的目标数据，并将目标数据提供给终端设备，该特征融合模型为基于多层感知机MLP构建。

在实际应用中，上述特征融合模型可以通过多种方式构建，以下提供一种可选的处理方式，具体可以包括以下步骤B2和步骤B4的处理。

在步骤B2中，获取基于特征提取模型对隐私样本切块进行特征提取得到的输出结果。

在步骤B4中，构建特征融合模型的模型架构，并基于获取的输出结果对特征融合模型进行训练，得到训练后的特征融合模型。

在实际应用中，步骤S610的具体处理可以包括多种，以下在提供一种可选的处理方式，具体可以包括以下内容：将隐私数据切块对应的隐私数据特征提供给数据融合设备，以触发数据融合设备基于隐私数据切块对应的隐私数据特征和隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征进行融合处理，得到对隐私数据进行隐私保护后的目标数据，并将目标数据提供给终端设备。

本说明书实施例提供一种基于隐私保护的数据处理方法，通过将获取的对该隐私数据进行切分处理的终端设备的性能信息输入到预先训练的数据切分模型中，并基于该数据切分模型的输出结果确定对待处理的隐私数据进行切分处理所需采用的数据切分模式，然后，再基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个隐私数据切块对应的数据类型，将该隐私数据切块提供给相应的服务器，从而使得每个服务器获取到的均是隐私数据的一部分数据，即使某一个或多个服务器泄露了其中的部分隐私数据，隐私数据的窃取者也无法得到该用户的完整隐私数据，从而保护用户的隐私，降低了数据滥用的风险，提高了隐私数据在传输过程中的安全性，此外，各个服务器通过预先训练的特征提取模型对获取的隐私数据切块进行特征提取，并触发对提取的多个隐私数据切块的特征的融合处理，得到对隐私数据进行隐私保护后的目标数据，将该目标数据提供给终端设备，终端设备可以基于对该隐私数据进行隐私保护后的目标数据进行业务处理，进而可以提高业务处理的安全性。

实施例六

以上为本说明书实施例提供的基于隐私保护的数据处理方法，基于同样的思路，本说明书实施例还提供一种基于隐私保护的数据处理装置，如图7所示。

该基于隐私保护的数据处理装置包括：数据获取模块701、切分模式确定模块702、隐私切分模块703和业务处理模块704，其中：

信息获取模块701，获取待处理的隐私数据，并获取对所述隐私数据进行切分处理的终端设备的性能信息；

切分模式确定模块702，将所述性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定对所述隐私数据进行切分处理所需采用的数据切分模式，所述数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到；

隐私切分模块703，基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个所述隐私数据切块对应的数据类型，将所述隐私数据切块提供给相应的服务器，以使所述服务器通过预先训练的特征提取模型对获取的所述隐私数据切块进行特征提取，并触发对提取的多个所述隐私数据切块的特征的融合处理，得到对所述隐私数据进行隐私保护后的目标数据，所述特征提取模型是通过与多个不同隐私数据样本中的预设数据类型相匹配的隐私样本切块进行模型训练得到；

业务处理模块704，获取对所述隐私数据进行隐私保护后的所述目标数据，并基于所述目标数据进行业务处理。

本说明书实施例中，所述信息获取模块701，在预设时间段内的多个不同的预设时间点，分别采集所述终端设备的性能信息，所述性能信息包括所述终端设备所使用的中央处理器的处理核心数量、所述终端设备所使用的中央处理器的频率、所述终端设备和指定的服务端进行通信的速度和所述终端设备所使用的中央处理器的空闲占比中的一项或多项。

本说明书实施例中，所述切分模式确定模块702，包括：

预选切分模式确定单元，将所述性能信息输入到预先训练的数据切分模型中，得到对所述隐私数据进行切分处理的预选数据切分模式和每个所述预选数据切分模式对应的匹配概率；

切分模式确定单元，获取所述匹配概率大于预设概率阈值的预选数据切分模式，并基于获取的所述匹配概率大于预设概率阈值的预选数据切分模式，确定对所述隐私数据进行切分处理所需采用的数据切分模式。

本说明书实施例中，所述切分模式确定单元，在所述匹配概率大于预设概率阈值的预选数据切分模式中，获取所述匹配概率最大的预选数据切分模式；将所述匹配概率最大的预选数据切分模式确定为对所述隐私数据进行切分处理所需采用的数据切分模式。

本说明书实施例中，所述预选数据切分模式为基于数据的频率信息对所述数据进行切分的处理模式，或者，所述预选数据切分模式为基于小波变换的方式对所述数据进行切分的处理模式。

本说明书实施例中，所述预选数据切分模式为基于数据的频率信息对所述数据进行切分的处理模式，

所述隐私切分模块703，包括：

转换单元，将所述隐私数据转换为频域内的隐私数据；

隐私切分单元，基于确定的数据切分模式对所述频域内的隐私数据进行切分处理，得到所述频域内的多个不同的隐私数据切块；

反转换单元，分别将所述频域内的每个隐私数据切块转换为时域内的隐私数据切块。

本说明书实施例中，所述转换单元，通过傅里叶变换或离散余弦变换DCT将所述隐私数据转换为频域内的隐私数据。

本说明书实施例中，所述隐私切分模块703，包括：

数据类型确定单元，确定每个所述隐私数据切块对应的频段，并根据每个所述隐私数据切块对应的频段确定每个所述隐私数据切块对应的数据类型，所述频段包括第一低频段和第一高频段，或者，所述频段包括第二低频段和第二高频段和第一中频段，或者，所述频段包括第三低频段和第三高频段和多个不同的第二中频段；

数据切块确定单元，根据每个所述隐私数据切块对应的数据类型，将所述隐私数据切块提供给与每个所述隐私数据切块对应的频段相应的服务器。

本说明书实施例中，所述装置还包括：

性能信息获取模块，获取多种不同设备类型的设备的性能信息；

模型架构构建模块，基于预设算法构建所述数据切分模型的模型架构，所述数据切分模型的模型架构中包括特征提取子模型的模型架构和概率输出子模型的模型架构；

模型训练模块，分别将所述多种不同设备类型的设备的性能信息输入到所述特征提取子模型的模型架构中，并分别将得到的所述特征提取子模型的模型架构的输出结果输入到所述概率输出子模型的模型架构中，并结合预设的损失函数对所述特征提取子模型和所述概率输出子模型进行训练，得到所述数据切分模型。

本说明书实施例中，所述损失函数为Softmax损失函数。

本说明书实施例提供一种基于隐私保护的数据处理装置，通过将获取的对该隐私数据进行切分处理的终端设备的性能信息输入到预先训练的数据切分模型中，并基于该数据切分模型的输出结果确定对待处理的隐私数据进行切分处理所需采用的数据切分模式，然后，再基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个隐私数据切块对应的数据类型，将该隐私数据切块提供给相应的服务器，从而使得每个服务器获取到的均是隐私数据的一部分数据，即使某一个或多个服务器泄露了其中的部分隐私数据，隐私数据的窃取者也无法得到该用户的完整隐私数据，从而保护用户的隐私，降低了数据滥用的风险，提高了隐私数据在传输过程中的安全性，此外，各个服务器通过预先训练的特征提取模型对获取的隐私数据切块进行特征提取，并触发对提取的多个隐私数据切块的特征的融合处理，得到对隐私数据进行隐私保护后的目标数据，将该目标数据提供给终端设备，终端设备可以基于对该隐私数据进行隐私保护后的目标数据进行业务处理，进而可以提高业务处理的安全性。

实施例七

基于同样的思路，本说明书实施例还提供一种基于隐私保护的数据处理装置，如图8所示。

该基于隐私保护的数据处理装置包括：数据切块接收模块801、特征提取模块802和融合模块803，其中：

数据切块接收模块801，接收终端设备发送的通过数据切分模式对待处理的隐私数据进行切分处理后得到的预设数据类型的隐私数据切块，所述数据切分模式是将所述终端设备的性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定的，所述数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到；

特征提取模块802，基于所述预设数据类型对应的预先训练的特征提取模型对所述隐私数据切块进行特征提取，得到所述隐私数据切块对应的隐私数据特征，所述特征提取模型是通过与所述预设数据类型相匹配的隐私样本切块进行模型训练得到；

融合模块803，基于所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征进行融合处理，得到对所述隐私数据进行隐私保护后的所述目标数据，并将所述目标数据提供给所述终端设备，以使所述终端设备基于所述目标数据进行业务处理。

本说明书实施例中，所述特征提取模型为基于一个或多个ResNet网络模型构建。

本说明书实施例中，所述装置还包括：

隐私样本获取模块，获取多个不同的隐私数据中包含的与所述预设数据类型相匹配的隐私样本切块；

模型构建模块，构建与所述预设数据类型相对应的所述特征提取模型的模型架构，并基于所述隐私样本切块对所述特征提取模型进行训练，得到训练后的特征提取模型。

本说明书实施例中，所述融合模块803，将所述隐私数据切块对应的隐私数据特征提供给数据融合设备，以触发所述数据融合设备基于所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征进行融合处理，得到对所述隐私数据进行隐私保护后的所述目标数据，并将所述目标数据提供给所述终端设备。

本说明书实施例中，所述融合模块803，将所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征输入到预先训练的特征融合模型中，得到对所述隐私数据进行隐私保护后的所述目标数据，所述特征融合模型为基于多层感知机MLP构建。

本说明书实施例中，所述装置还包括：

结果获取模块，获取基于所述特征提取模型对所述隐私样本切块进行特征提取得到的输出结果；

融合模型训练模块，构建所述特征融合模型的模型架构，并基于获取的输出结果对所述特征融合模型进行训练，得到训练后的特征融合模型。

本说明书实施例提供一种基于隐私保护的数据处理装置，通过将获取的对该隐私数据进行切分处理的终端设备的性能信息输入到预先训练的数据切分模型中，并基于该数据切分模型的输出结果确定对待处理的隐私数据进行切分处理所需采用的数据切分模式，然后，再基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个隐私数据切块对应的数据类型，将该隐私数据切块提供给相应的服务器，从而使得每个服务器获取到的均是隐私数据的一部分数据，即使某一个或多个服务器泄露了其中的部分隐私数据，隐私数据的窃取者也无法得到该用户的完整隐私数据，从而保护用户的隐私，降低了数据滥用的风险，提高了隐私数据在传输过程中的安全性，此外，各个服务器通过预先训练的特征提取模型对获取的隐私数据切块进行特征提取，并触发对提取的多个隐私数据切块的特征的融合处理，得到对隐私数据进行隐私保护后的目标数据，将该目标数据提供给终端设备，终端设备可以基于对该隐私数据进行隐私保护后的目标数据进行业务处理，进而可以提高业务处理的安全性。

实施例八

以上为本说明书实施例提供的基于隐私保护的数据处理装置，基于同样的思路，本说明书实施例还提供一种基于隐私保护的数据处理设备，如图9所示。

所述基于隐私保护的数据处理设备可以为上述实施例提供的终端设备或服务器等。

基于隐私保护的数据处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器901和存储器902，存储器902中可以存储有一个或一个以上存储应用程序或数据。其中，存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对基于隐私保护的数据处理设备中的一系列计算机可执行指令。更进一步地，处理器901可以设置为与存储器902通信，在基于隐私保护的数据处理设备上执行存储器902中的一系列计算机可执行指令。基于隐私保护的数据处理设备还可以包括一个或一个以上电源903，一个或一个以上有线或无线网络接口904，一个或一个以上输入输出接口905，一个或一个以上键盘906。

具体在本实施例中，基于隐私保护的数据处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对基于隐私保护的数据处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取待处理的隐私数据，并获取对所述隐私数据进行切分处理的所述终端设备的性能信息；

将所述性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定对所述隐私数据进行切分处理所需采用的数据切分模式，所述数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到；

基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个所述隐私数据切块对应的数据类型，将所述隐私数据切块提供给相应的服务器，以使所述服务器通过预先训练的特征提取模型对获取的所述隐私数据切块进行特征提取，并触发对提取的多个所述隐私数据切块的特征的融合处理，得到对所述隐私数据进行隐私保护后的目标数据，所述特征提取模型是通过与多个不同隐私数据样本中的预设数据类型相匹配的隐私样本切块进行模型训练得到；

获取对所述隐私数据进行隐私保护后的所述目标数据，并基于所述目标数据进行业务处理。

本说明书实施例中，所述获取对所述隐私数据进行切分处理的所述终端设备的性能信息，包括：

在预设时间段内的多个不同的预设时间点，分别采集所述终端设备的性能信息，所述性能信息包括所述终端设备所使用的中央处理器的处理核心数量、所述终端设备所使用的中央处理器的频率、所述终端设备和指定的服务端进行通信的速度和所述终端设备所使用的中央处理器的空闲占比中的一项或多项。

本说明书实施例中，所述将所述性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定对所述隐私数据进行切分处理所需采用的数据切分模式，包括：

将所述性能信息输入到预先训练的数据切分模型中，得到对所述隐私数据进行切分处理的预选数据切分模式和每个所述预选数据切分模式对应的匹配概率；

获取所述匹配概率大于预设概率阈值的预选数据切分模式，并基于获取的所述匹配概率大于预设概率阈值的预选数据切分模式，确定对所述隐私数据进行切分处理所需采用的数据切分模式。

本说明书实施例中，所述基于获取的所述匹配概率大于预设概率阈值的预选数据切分模式，确定对所述隐私数据进行切分处理所需采用的数据切分模式，包括：

在所述匹配概率大于预设概率阈值的预选数据切分模式中，获取所述匹配概率最大的预选数据切分模式；

将所述匹配概率最大的预选数据切分模式确定为对所述隐私数据进行切分处理所需采用的数据切分模式。

本说明书实施例中，所述预选数据切分模式为基于数据的频率信息对所述数据进行切分的处理模式，或者，所述预选数据切分模式为基于小波变换的方式对所述数据进行切分的处理模式。

本说明书实施例中，所述预选数据切分模式为基于数据的频率信息对所述数据进行切分的处理模式，

所述基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，包括：

将所述隐私数据转换为频域内的隐私数据；

基于确定的数据切分模式对所述频域内的隐私数据进行切分处理，得到所述频域内的多个不同的隐私数据切块；

分别将所述频域内的每个隐私数据切块转换为时域内的隐私数据切块。

本说明书实施例中，所述将所述隐私数据转换为频域内的隐私数据，包括：

通过傅里叶变换或离散余弦变换DCT将所述隐私数据转换为频域内的隐私数据。

本说明书实施例中，所述根据每个所述隐私数据切块对应的数据类型，将所述隐私数据切块提供给相应的服务器，包括：

确定每个所述隐私数据切块对应的频段，并根据每个所述隐私数据切块对应的频段确定每个所述隐私数据切块对应的数据类型，所述频段包括第一低频段和第一高频段，或者，所述频段包括第二低频段和第二高频段和第一中频段，或者，所述频段包括第三低频段和第三高频段和多个不同的第二中频段；

根据每个所述隐私数据切块对应的数据类型，将所述隐私数据切块提供给与每个所述隐私数据切块对应的频段相应的服务器。

本说明书实施例中，还包括：

获取多种不同设备类型的设备的性能信息；

基于预设算法构建所述数据切分模型的模型架构，所述数据切分模型的模型架构中包括特征提取子模型的模型架构和概率输出子模型的模型架构；

分别将所述多种不同设备类型的设备的性能信息输入到所述特征提取子模型的模型架构中，并分别将得到的所述特征提取子模型的模型架构的输出结果输入到所述概率输出子模型的模型架构中，并结合预设的损失函数对所述特征提取子模型和所述概率输出子模型进行训练，得到所述数据切分模型。

此外，具体在本实施例中，基于隐私保护的数据处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对基于隐私保护的数据处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

接收终端设备发送的通过数据切分模式对待处理的隐私数据进行切分处理后得到的预设数据类型的隐私数据切块，所述数据切分模式是将所述终端设备的性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定的，所述数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到；

基于所述预设数据类型对应的预先训练的特征提取模型对所述隐私数据切块进行特征提取，得到所述隐私数据切块对应的隐私数据特征，所述特征提取模型是通过与所述预设数据类型相匹配的隐私样本切块进行模型训练得到；

基于所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征进行融合处理，得到对所述隐私数据进行隐私保护后的所述目标数据，并将所述目标数据提供给所述终端设备，以使所述终端设备基于所述目标数据进行业务处理。

本说明书实施例中，所述特征提取模型为基于一个或多个ResNet网络模型构建。

本说明书实施例中，所述基于所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征进行融合处理，得到对所述隐私数据进行隐私保护后的所述目标数据，并将所述目标数据提供给所述终端设备，包括：

将所述隐私数据切块对应的隐私数据特征提供给数据融合设备，以触发所述数据融合设备基于所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征进行融合处理，得到对所述隐私数据进行隐私保护后的所述目标数据，并将所述目标数据提供给所述终端设备。

本说明书实施例中，所述基于所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征进行融合处理，得到对所述隐私数据进行隐私保护后的所述目标数据，包括：

将所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征输入到预先训练的特征融合模型中，得到对所述隐私数据进行隐私保护后的所述目标数据，所述特征融合模型为基于多层感知机MLP构建。

本说明书实施例提供一种基于隐私保护的数据处理设备，通过将获取的对该隐私数据进行切分处理的终端设备的性能信息输入到预先训练的数据切分模型中，并基于该数据切分模型的输出结果确定对待处理的隐私数据进行切分处理所需采用的数据切分模式，然后，再基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个隐私数据切块对应的数据类型，将该隐私数据切块提供给相应的服务器，从而使得每个服务器获取到的均是隐私数据的一部分数据，即使某一个或多个服务器泄露了其中的部分隐私数据，隐私数据的窃取者也无法得到该用户的完整隐私数据，从而保护用户的隐私，降低了数据滥用的风险，提高了隐私数据在传输过程中的安全性，此外，各个服务器通过预先训练的特征提取模型对获取的隐私数据切块进行特征提取，并触发对提取的多个隐私数据切块的特征的融合处理，得到对隐私数据进行隐私保护后的目标数据，将该目标数据提供给终端设备，终端设备可以基于对该隐私数据进行隐私保护后的目标数据进行业务处理，进而可以提高业务处理的安全性。

实施例九

进一步地，基于上述图1至图6所示的方法，本说明书一个或多个实施例还提供了一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：

获取待处理的隐私数据，并获取对所述隐私数据进行切分处理的所述终端设备的性能信息；

将所述性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定对所述隐私数据进行切分处理所需采用的数据切分模式，所述数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到；

基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个所述隐私数据切块对应的数据类型，将所述隐私数据切块提供给相应的服务器，以使所述服务器通过预先训练的特征提取模型对获取的所述隐私数据切块进行特征提取，并触发对提取的多个所述隐私数据切块的特征的融合处理，得到对所述隐私数据进行隐私保护后的目标数据，所述特征提取模型是通过与多个不同隐私数据样本中的预设数据类型相匹配的隐私样本切块进行模型训练得到；

获取对所述隐私数据进行隐私保护后的所述目标数据，并基于所述目标数据进行业务处理。

本说明书实施例中，所述获取对所述隐私数据进行切分处理的所述终端设备的性能信息，包括：

在预设时间段内的多个不同的预设时间点，分别采集所述终端设备的性能信息，所述性能信息包括所述终端设备所使用的中央处理器的处理核心数量、所述终端设备所使用的中央处理器的频率、所述终端设备和指定的服务端进行通信的速度和所述终端设备所使用的中央处理器的空闲占比中的一项或多项。

本说明书实施例中，所述将所述性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定对所述隐私数据进行切分处理所需采用的数据切分模式，包括：

将所述性能信息输入到预先训练的数据切分模型中，得到对所述隐私数据进行切分处理的预选数据切分模式和每个所述预选数据切分模式对应的匹配概率；

获取所述匹配概率大于预设概率阈值的预选数据切分模式，并基于获取的所述匹配概率大于预设概率阈值的预选数据切分模式，确定对所述隐私数据进行切分处理所需采用的数据切分模式。

本说明书实施例中，所述预选数据切分模式为基于数据的频率信息对所述数据进行切分的处理模式，或者，所述预选数据切分模式为基于小波变换的方式对所述数据进行切分的处理模式。

本说明书实施例中，所述预选数据切分模式为基于数据的频率信息对所述数据进行切分的处理模式，

所述基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，包括：

将所述隐私数据转换为频域内的隐私数据；

基于确定的数据切分模式对所述频域内的隐私数据进行切分处理，得到所述频域内的多个不同的隐私数据切块；

分别将所述频域内的每个隐私数据切块转换为时域内的隐私数据切块。

本说明书实施例中，所述将所述隐私数据转换为频域内的隐私数据，包括：

通过傅里叶变换或离散余弦变换DCT将所述隐私数据转换为频域内的隐私数据。

本说明书实施例中，所述根据每个所述隐私数据切块对应的数据类型，将所述隐私数据切块提供给相应的服务器，包括：

确定每个所述隐私数据切块对应的频段，并根据每个所述隐私数据切块对应的频段确定每个所述隐私数据切块对应的数据类型，所述频段包括第一低频段和第一高频段，或者，所述频段包括第二低频段和第二高频段和第一中频段，或者，所述频段包括第三低频段和第三高频段和多个不同的第二中频段；

根据每个所述隐私数据切块对应的数据类型，将所述隐私数据切块提供给与每个所述隐私数据切块对应的频段相应的服务器。

本说明书实施例中，还包括：

获取多种不同设备类型的设备的性能信息；

基于预设算法构建所述数据切分模型的模型架构，所述数据切分模型的模型架构中包括特征提取子模型的模型架构和概率输出子模型的模型架构；

分别将所述多种不同设备类型的设备的性能信息输入到所述特征提取子模型的模型架构中，并分别将得到的所述特征提取子模型的模型架构的输出结果输入到所述概率输出子模型的模型架构中，并结合预设的损失函数对所述特征提取子模型和所述概率输出子模型进行训练，得到所述数据切分模型。

此外，在另一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：

接收终端设备发送的通过数据切分模式对待处理的隐私数据进行切分处理后得到的预设数据类型的隐私数据切块，所述数据切分模式是将所述终端设备的性能信息输入到预先训练的数据切分模型中，并基于所述数据切分模型的输出结果确定的，所述数据切分模型是通过多种不同设备类型的设备的性能信息进行模型训练得到；

基于所述预设数据类型对应的预先训练的特征提取模型对所述隐私数据切块进行特征提取，得到所述隐私数据切块对应的隐私数据特征，所述特征提取模型是通过与所述预设数据类型相匹配的隐私样本切块进行模型训练得到；

基于所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征进行融合处理，得到对所述隐私数据进行隐私保护后的所述目标数据，并将所述目标数据提供给所述终端设备，以使所述终端设备基于所述目标数据进行业务处理。

本说明书实施例中，所述特征提取模型为基于一个或多个ResNet网络模型构建。

本说明书实施例中，所述基于所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征进行融合处理，得到对所述隐私数据进行隐私保护后的所述目标数据，包括：

将所述隐私数据切块对应的隐私数据特征和所述隐私数据中包含的其它数据类型的隐私数据切块对应的隐私数据特征输入到预先训练的特征融合模型中，得到对所述隐私数据进行隐私保护后的所述目标数据，所述特征融合模型为基于多层感知机MLP构建。

本说明书实施例提供一种存储介质，通过将获取的对该隐私数据进行切分处理的终端设备的性能信息输入到预先训练的数据切分模型中，并基于该数据切分模型的输出结果确定对待处理的隐私数据进行切分处理所需采用的数据切分模式，然后，再基于确定的数据切分模式对隐私数据进行切分处理，得到多个不同的隐私数据切块，并根据每个隐私数据切块对应的数据类型，将该隐私数据切块提供给相应的服务器，从而使得每个服务器获取到的均是隐私数据的一部分数据，即使某一个或多个服务器泄露了其中的部分隐私数据，隐私数据的窃取者也无法得到该用户的完整隐私数据，从而保护用户的隐私，降低了数据滥用的风险，提高了隐私数据在传输过程中的安全性，此外，各个服务器通过预先训练的特征提取模型对获取的隐私数据切块进行特征提取，并触发对提取的多个隐私数据切块的特征的融合处理，得到对隐私数据进行隐私保护后的目标数据，将该目标数据提供给终端设备，终端设备可以基于对该隐私数据进行隐私保护后的目标数据进行业务处理，进而可以提高业务处理的安全性。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

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。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程欺诈案例的串并设备的处理器以产生一个机器，使得通过计算机或其他可编程欺诈案例的串并设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程欺诈案例的串并设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程欺诈案例的串并设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

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。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

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。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理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的权利要求范围之内。