基于隐私保护的数据关联关系评估方法及装置

技术领域

本发明涉及数据关联性评估技术领域，尤其涉及一种基于隐私保护的数据关联关系评估方法及装置。

背景技术

在一些领域中需要在不公开数据的前提下，对不同数据域中的数据的关联关系进行评估。

如在一些应用场景下，一些业务会由多家公司负责经营，用户(即可以是自然人也可以是企业)可自行选择去各公司注册账号并办理相关业务(同一用户即可以选择一家公司进行账号注册，也可选择多家公司进行账号注册)。其中，某些业务会要求限定同一用户的买卖数量、购买及售卖的间隔频率等操作，以保障市场的正常运行。然而在实际操作中，由于同一用户可在多家公司进行账号的注册及业务的办理，而各家公司之间一般不会进行信息共享，这就导致一些用户会利用这一漏洞进行违规操作，以谋求自身利益。特别是对于一些企业用户而已，其进行账户注册时，未必采用了同一身份进行账号注册，这就导致监管难度进一步地提升了。

为保障能够有效对各业务买卖情况进行监管，了解各业务之间的关联关系，需对各公司的业务交易的关联关系进行评估分析，但同时也需注意到对用户隐私的保护。

故现需要一种能够克服数据孤岛困境、对跨数据域间的数据(如多家公司负责的业务)进行合并分析、且在分析过程中还需避免因数据出域而导致数据泄露的技术方案，对交易的关联关系进行评估分析，以找到多个数据域中包含关联关系的异常账户，保障交易市场的正常运行。

发明内容

有鉴于现有技术的上述缺陷，本发明有鉴于现有技术的上述缺陷，本发明提出了一种能够在关联组数未知、且对用户信息隐私进行保护的前提下，可有效识别出多个数据域中包含关联关系的异常账户，并具备实施方便、准确性高、适应性好等特点的基于隐私保护的数据关联关系评估方法及装置。

为了实现上述目的，本发明的基于隐私保护的数据关联关系评估方法及装置如下：

第一方面，本发明的实施例提出，一种基于隐私保护的数据关联关系评估方法，包括：

步骤1：获取各个数据域中待比对的原始数据集，各个所述待比对的原始数据集均包含对应的原始数据信息；

步骤2：基于主成分分析法对各所述待比对的原始数据集进行数据脱敏处理，获取包含各所述待比对的原始数据集的最大特征的得分矩阵，并将各个所述得分矩阵从各所述数据域中提取出；

步骤3：整合从各个所述数据域中提取出的与所述待比对的原始数据集对应的各所述得分矩阵，确定脱敏矩阵；

步骤4：获取所述脱敏矩阵的最大特征值所对应的特征向量，并以所述脱敏矩阵的最大特征值所对应的特征向量确定评估基准向量数据；

步骤5：将所述评估基准向量数据传输回各个对应的所述数据域，并获取各个所述待比对的原始数据集中的各个所述原始数据信息与所述评估基准向量数据之间的相关系数，根据各个所述原始数据信息与所述评估基准向量数据之间的相关系数确定各个所述待比对的原始数据集间存在关联关系的原始数据信息。

在一些实施例中，所述步骤3包括：

利用下式1整合从各个所述数据域中提取出的与各所述待比对的原始数据集对应的各所述得分矩阵，确定所述脱敏矩阵：

其中，T代表所述脱敏矩阵，T

在一些实施例中，所述步骤4包括：

步骤4.1：

基于预设于系统中的下式2获取所述脱敏矩阵的特征值向量λ；

其中，T为所述脱敏矩阵，T

步骤4.2：以所述脱敏矩阵的特征值向量λ中的最大特征值λ

在一些实施例中，所述步骤5包括：

步骤5.1：将所述评估基准向量数据t传输回各个对应的所述数据域；

步骤5.2：获取与各个所述数据域中的各所述待比对的原始数据集中的各个所述原始数据信息x

步骤5.3：获取各个所述相关系数r(x

步骤5.4：若所有所述相关系数绝对值丨r(x

步骤5.5：通过不相关评估标准，对所有所述数据域中的原始数据信息之间的相关关系进行划分，其中，所述不相关评估标准为：

依次通过下式4计算排序序列B＝[r

若第k个相关系数的绝对值r

在一些实施例中，所述方法还包括以下步骤：

当确定各所述候选关联数据组对应的待比对的原始数据集中的各个所述原始数据信息x

第二方面，本发明实施例提出，在一些实施例中，一种基于隐私保护的数据关联关系评估装置，所述装置包括：

数个数据域处理模块，分别用于存储对应的数据域中的原始数据集，并用于根据主成分分析法对各待比对的原始数据集进行数据脱敏处理，获取包含各所述待比对的原始数据集的最大特征的得分矩阵，并输出，其中，各个所述待比对的原始数据集均包含对应的原始数据信息；

外数据处理模块，用于获取各个所述数据域处理模块输出的所述得分矩阵，并进行整合确定脱敏矩阵，获取所述脱敏矩阵的最大特征值所对应的特征向量，并以所述脱敏矩阵的最大特征值所对应的特征向量确定评估基准向量数据；

所述外数据处理模块还用于将所述评估基准向量数据传输回各对应的所述数据域处理模块，并通过各所述数据域处理模块获取各个所述数据域中的待比对的原始数据集中各个所述原始数据信息与所述评估基准向量数据之间的相关系数，同时，根据所述外数据处理模块根据各个所述待比对的原始数据集中的各个所述原始数据信息与所述评估基准向量数据之间的相关系数确定各个所述数据域间存在关联关系的原始数据信息。

第三方面，本发明实施例还提供一种数据关联关系评估装置，所述装置包括：

至少一个处理器；

与所述至少一个处理器耦合的存储器，所述存储器存储有可执行指令，其中，所述可执行指令在被所述至少一个处理器执行时使得实现第一方面的所述的方法。

第四方面，本发明实施例还提供一种芯片，用于执行上述第一方面中的方法。具体地，该芯片包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有该芯片的设备用于执行上述第一方面中的方法。

第五方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面的任一项所述的方法。

与现有技术相比，本发明具有以下有益效果：

本发明采用主成分分析法对各所述原始数据集进行数据脱敏处理，获取包含各所述原始数据集最大特征的各得分矩阵，并根据得分矩阵组成的脱敏矩阵生成评估基准向量数据，然后将所述评估基准向量数据传输回各个所述数据域，并获取各个所述数据域中的各个所述原始数据信息与所述评估基准向量数据之间的相关系数，根据各个所述数据域中的各个所述原始数据信息与所述评估基准向量数据之间的相关系数确定各个所述数据域间存在关联关系的原始数据信息。从而可在不公开数据的前提下，对不同数据域中的数据的关联关系进行评估。同时由于本发明中的数据关联关系评估方法采用主成分分析法对各所述原始数据集进行数据脱敏处理，故使得脱敏后的数据仍然保留了最大特征，从而在完成信息脱敏后不影响关联性的识别。该数据关联关系评估方法、装置、芯片及可读存储介质具备处理逻辑简单、运行方便、有效减少数据分析成本、并能够对信息进行隐蔽，有效保护信息，适应性好的的特点。

附图说明

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

图1是本发明的基于隐私保护的数据关联关系评估方法一实施例流程示意图。

具体实施方式

为了使发明实现的技术手段、创造特征、达成目的和功效易于明白了解，下结合具体图示，进一步阐述本发明。但本发明不仅限于以下实施的案例。

须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

在进行数据关联关系评估时，常常面临数据孤岛困境。若对跨数据域间的数据进行合并分析，势必会导致至少一家数据出域，其过程可能面临数据泄露的风险。目前常用的解决方法是对数据进行脱敏或加密，再进行传输。然而，数据脱敏可能会破坏原有的数据域中的数据信息，数据加密使得数据更加复杂，对算力有极高的要求，给后续的数据分析过程带来了一定的挑战。

此外，目前常用的数据关联关系评估方法主要有两类，一类是利用枚举法计算对任意数据组的皮尔森等相关系数来衡量数据组的相关性强度，这类方法在面临海量数据(数据集)时，存在一定的效率问题，且仅能评估任意两个数据组的相关性，难以高效精准的在海量数据(数据集)中找到关联数据组；另一类方法是基于聚类模型，将海量数据若干个关联数据组，使得类内关联性最强，类间关联性最弱，然而这类方法受聚类中心的数量影响显著，也存在一定的局限性。

图1是本发明的基于隐私保护的数据关联关系评估方法一实施例流程示意图。如图1所示，第一方面，本发明实施例一基于隐私保护的数据关联关系评估方法，包括：

步骤1：获取各个数据域中待比对的原始数据集，各个所述待比对的原始数据集均包含对应的原始数据信息；(即对夸数据源的多个数据集的数据进行提取，此时原始数据不出域)；

步骤2：基于主成分分析法(即PCA，全称Principal Component Analysis)对各所述待比对的原始数据集进行数据脱敏处理，获取包含各所述待比对的原始数据集的最大特征的得分矩阵，并将各个所述得分矩阵从各所述数据域中提取出；(即利通过PCA提取特征得到对应的得分矩阵)；

步骤3：整合从各个所述数据域中提取出的与所述待比对的原始数据集对应的各所述得分矩阵，确定脱敏矩阵；

步骤4：获取所述脱敏矩阵的最大特征值所对应的特征向量，并以所述脱敏矩阵的最大特征值所对应的特征向量确定评估基准向量数据；(即以所述脱敏矩阵的最大特征值所对应的特征向量作为评估基准向量数据，评估基准向量数据为计算线性评估向量)；

步骤5：将所述评估基准向量数据传输回各个所述数据域，并获取各个所述待比对的原始数据集中的各个所述原始数据信息与所述评估基准向量数据之间的相关系数，根据各个所述原始数据信息与所述评估基准向量数据之间的相关系数确定各个所述待比对的原始数据集间存在关联关系的原始数据信息。

其中，数据脱敏是指对某些敏感信息通过脱敏规则进行数据的变形，实现敏感隐私数据的可靠保护。当前存在如下数据脱敏方式：

在涉及客户安全数据或者一些商业性敏感数据的情况下，在不违反系统规则条件下，对真实数据进行改造并提供测试使用，如采用一些无效数据段对身份证号、手机号、卡号、客户号等个人信息中的部分信息进行隐藏、或采用数据替换的方式将原始数据随机转换成其他数据表达方式，以进行数据脱敏。但这种脱敏方法可能会破坏原有的数据结构，为后续数据分析带来困难。该类方法可能会破坏原有的数据结构，为后续数据分析带来困难。

数据加密是指通过加密算法和加密密钥将明文转变为密文，它利用密码技术对信息进行加密，实现信息隐蔽，从而起到保护信息的安全的作用。但这类方法使得数据变得更加复杂，需要极高的算力，给数据分析带来了不少的成本。

而本发明采用主成分分析法(PCA)对原始数据集进行数据脱敏，PCA是最常见的线性特征提取方法之一，例如，基于PCA，数据域矩阵X可被分解为：

其中，T是得分矩阵，P是投影矩阵，P

T＝XP

其可在对数据进行脱敏后任保留了数据的最大特征，从而后续可根据具备各原始数据集最大特征的得分矩阵生成评估基准向量数据，再根据评估基准向量数据进行相关度分析，从而即满足了数据脱敏的目的，也无需增加相关度运算复杂度，具有操作方便、适应性强的特点。

具体操作时，所述步骤3包括：

利用下式1整合从各个所述数据域中提取出的与各所述待比对的原始数据集对应的各所述得分矩阵，确定所述脱敏矩阵：

其中，T代表所述脱敏矩阵，T

所述步骤4包括：

步骤4.1：

基于预设于系统中的下式2获取所述脱敏矩阵的特征值向量λ；

其中，T为所述脱敏矩阵，T

步骤4.2：以所述脱敏矩阵的特征值向量λ中的最大特征值λ

该实施例中利用上式2可获取脱敏矩阵的特征值λ，然后选取所述脱敏矩阵的特征值λ中的最大特征值向量λ

在评估基准向量数据的求取过程中，通常需要构建下式3形成目标函数：

利用上面构建的目标函数使得评估基准向量数据t尽可能与每一原始数据信息相关，但利用上式3形成目标函数在实际应用中难以对评估基准向量数据t进行求取，故本申请中利用上式2去求取脱敏矩阵的特征值λ，然后在通过获得脱敏矩阵的特征值λ中的最大特征值向量λ

所述步骤5包括：

步骤5.1：将所述评估基准向量数据t传输回各个所述数据域；

步骤5.2：获取与各个所述数据域中的各所述待比对的原始数据集中的各个所述原始数据信息x

步骤5.3：获取各个所述相关系数r(x

步骤5.4：若所有所述相关系数绝对值丨r(x

步骤5.5：通过不相关评估标准，对所有所述数据域中的原始数据信息之间的相关关系进行划分，其中，所述不相关评估标准为：

依次通过下式4计算排序序列B＝[r

若第k个相关系数的绝对值r

所述方法还包括以下步骤：

当确定各所述候选关联数据组对应的待比对的原始数据集中的各个所述原始数据信息x

该实施例中的基于隐私保护的数据关联关系评估装置具备下述特点：

1、提出一种高效精准的数据集中发现关联数据组的方法，避免枚举带来的繁琐；

2、无需事前定义关联数据组的数量；

3、解决跨数据域间数据孤岛问题，避免因加密或脱敏导致加重后续分析的负担；

4、在进行跨数据域数据协同分析时，原始数据不出域，增强隐私数据保护能力；可在关联组数未知的前提下，得到多个关联数据组。

该基于隐私保护的数据关联关系评估方法解决了跨数据域关联分析的数据安全问题，同时弥补了传统关联分析方法在效率和可靠性方面的短板。该方法利用PCA提取数据特征，通过传递得分矩阵，保护隐私数据，提升了跨数据域的数据安全交互能力。此外，该方法基于全新的相关评估标准和不相关评估标准，构建相关性评估递归网络，提升跨数据域的数据关联评估能力。在实际业务场景中，该方法可用于协助金融监管机构发现潜在的违规交易行为，维护金融市场的公平性。

为便于理解下面举一该基于隐私保护的数据关联关系评估方法的应用实例对该方法进行进一步地说明：

现有技术中，当一些不法分子通过关联交易等违规手段操纵证券期货交易市场，这些关联账户可能在不同的证券期货公司进行开户，极难监管。若将本发明的基于隐私保护的数据关联关系评估方法应用于证券交易领域，则可有效对上述问题进行管理。该关联分析方法有效解决了跨数据域关联关系评估时面临的数据安全问题，兼顾了数据处理效率和可靠性方面的问题。具体处理过程如下：

首先，获取各个数据域(X

然后，在各个数据域中基于主成分分析法对各所述待比对的原始数据集进行数据脱敏处理，即利用PCA对每个数据域中的待比对的原始数据集进行特征提取，表示如下：

T

其中，X

通过上述步骤获取包含各所述待比对的原始数据集的最大特征的得分矩阵后，将各个所述得分矩阵从各所述数据域中提取出；

由于跨数据域的关联关系评估时，原始数据X

为了解决上述问题，本申请采用得分矩阵最大特征值对应的特征向量确定评估基准向量数据t，即通过下式整合从各个所述数据域中提取出的与所述待比对的原始数据集对应的各所述得分矩阵，确定脱敏矩阵(其中，根据多个得分矩阵确定脱敏矩阵的构建方法可采样常规的数学公式进行处理)：

为了使得t尽可能和原始数据X相关，那么t需要应尽可能和T相关，故将获取所述脱敏矩阵的最大特征值所对应的特征向量，并以所述脱敏矩阵的最大特征值所对应的特征向量确定评估基准向量数据，具体操作为：

构建目标函数如下所示：

上述问题可以等效于如下的特征值分解问题：

故通过构建目标函数及特征值分解问题可选取最大特征值对应的特征向量确定评估基准向量数据t。系统运行时，可将上述两个公式预存于系统中，然后系统采集相关参数后，通过上述两个公式即可确定评估基准向量数据。

接着将评估基准向量数据传输至各数据域，并获取各个所述待比对的原始数据集中的各个所述原始数据信息与所述评估基准向量数据之间的相关系数；

在真实的数据中，由于噪声的存在，几乎不可能使得两个变量与评估基准向量数据t的皮尔森系数的绝对值(即相关系数绝对值)一致。但是当相关系数绝对值|r(x

如果

其中，rate代表系统预设不相关系数阈值(即rate

值得注意的是上述理论是一个充分非必要条件。也就是说，当原始数据信息x1和原始数据信息x2相关，那么|r(x

依次通过下式4计算排序序列B＝[r

若第k个相关系数的绝对值r

本申请采用相关性评估标准对原始数据信息是否存在关联关系进行划分：

对于变量集X和评估基准向量数据t，如果变量集中与评估基准向量数据t相关系数绝对值丨r(x

由于经过单独一轮的相关关系评估后可能并不能完全获取到所有原始数据信息之间的关联关系，故在实际操作中，往往会对划分后的候选关联数据组中的原始数据信息进行多轮相关性评估，直到当确定各所述候选关联数据组对应的待比对的原始数据集中的各个所述原始数据信息x

即假设2个数据域中的待比对的原始数据集总共包括18个原始数据信息，其中，A数据域中包括10个原始数据信息，这10个原始数据信息与评估基准向量数据t之间的相关系数的绝对值分别为：0.1、0.6、0.9、0.9、0.6、0.7、0.9、0.6、0.1、.0.7，B数据域中包括8个原始数据信息，这8个原始数据信息与评估基准向量数据t之间的相关系数的绝对值分别为：0.5、0.5、0.6、0.7、0.9、0.7、0.9、0.8，

然后，将各个原始数据信息与评估基准向量数据t之间的相关系数从数据域中提取并对相关系数的绝对值进行从大到小的排序，得到如下排序序列：

0.9、0.9、0.9、0.9、0.9、0.8、0.7、0.7、0.7、0.7、0.6、0.6、0.6、0.6、0.5、0.5、0.1、0.1；

假设，系统预设不相关系数阈值rate

A(0.9、0.9、0.9、0.9、0.9)、B(0.8)、C(0.7、0.7、0.7、0.7)、D(0.6、0.6、0.6、0.6)、E(0.5、0.5)、F(0.1、0.1)；

后续在对上述每一组候选关联数据组中的原始数据信息再分别进行关联关系评估，如将A组相关系数的绝对值对应的原始数据信息进行关联关系评估时，需再次获取对应的评估基准向量数据进行评估，假设A组中各个相关系数的绝对值对应的原始数据信息中3个原始数据信息属于A数据域，2个原始数据信息属于B数据域，那么后续根据A数据域中的3个原始数据信息构成的待比对的原始数据集得到对应的得分矩阵，根据B数据域中的2个原始数据信息构成的待比对的原始数据集得到对应的得分矩阵，然后根据这两个得分矩阵确定脱敏矩阵，并生成新的评估基准向量数据；

然后再确定新的评估基准向量数据与A数据域中的3个原始数据信息之间的相关系数，及新的评估基准向量数据与B数据域中的2个原始数据信息之间的相关系数，并对相关系数的绝对值进行排列，得到如下排序序列：

0.9、0.9、0.9、0.9、0.6；

那么可以确定与0.6对应的原始数据信息与其他原始数据信息必然不存在相关性，而对于其他4个原始数据信息将再次执行上述操作步骤，直到确定各所述候选关联数据组对应的待比对的原始数据集中的各个所述原始数据信息x

即假设经过新一轮的迭代后，得到的排列序列为：

0.99、0.99、0.98、0.97；

而相关度阈值r

对于上述C至F组所对应的原始数据信息进行同样的迭代判断流程，从而确定各个数据域中所有原始数据集间存在关联关系的数据。

第二方面，本发明实施例提出，一种基于隐私保护的数据关联关系评估装置，所述装置包括：

数个数据域处理模块，分别用于存储对应的数据域中的原始数据集，并用于根据主成分分析法对各待比对的原始数据集进行数据脱敏处理，获取包含各所述待比对的原始数据集的最大特征的得分矩阵，并输出，其中，各个所述待比对的原始数据集均包含对应的原始数据信息；

外数据处理模块，用于获取各个所述数据域处理模块输出的所述得分矩阵，并进行整合确定脱敏矩阵，获取所述脱敏矩阵的最大特征值所对应的特征向量，并以所述脱敏矩阵的最大特征值所对应的特征向量确定评估基准向量数据；

所述外数据处理模块还用于将所述评估基准向量数据传输回各所述数据域处理模块，并通过各所述数据域处理模块获取各个所述数据域中的待比对的原始数据集中各个所述原始数据信息与所述评估基准向量数据之间的相关系数，同时，根据所述外数据处理模块根据各个所述待比对的原始数据集中的各个所述原始数据信息与所述评估基准向量数据之间的相关系数确定各个所述数据域间存在关联关系的原始数据信息。

上述的涉及到的数据关联关系评估装置具体技术细节和数据关联关系评估方法中类似，在数据关联关系评估装置的实施方式中所能达到的技术效果在数据关联关系评估方法数据关联关系评估方法的实施方式中也同样可以实现，为了减少重复，这里不再赘述。相应地，在数据关联关系评估方法实施方式中提到的相关技术细节也可应用在数据关联关系评估装置的实施方式中。

本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。

在第三方面，本发明还提供一种数据关联关系评估装置，包括：

至少一个处理器；与至少一个处理器耦合的存储器，存储器存储有可执行指令，其中，可执行指令在被至少一个处理器执行时使得实现本发明第一方面的方法。

本实施例提供一种数据关联关系评估装置，包括：至少一个处理器；与至少一个处理器耦合的存储器。处理器和存储器可以单独设置，也可以集成在一起。

例如，存储器可以包括随机存储器、闪存、只读存储器、可编程只读存储器、非易失性存储器或寄存器等。处理器可以是中央处理器(Central Processing Unit，CPU)等。或者是图像处理器(Graphic Processing Unit，GPU)存储器可以存储可执行指令。处理器可以执行在存储器中存储的可执行指令，从而实现本文描述的各个过程。

可以理解，本实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是ROM(Read-OnlyMemory，只读存储器)、PROM(ProgrammableROM，可编程只读存储器)、EPROM(ErasablePROM，可擦除可编程只读存储器)、EEPROM(ElectricallyEPROM，电可擦除可编程只读存储器)或闪存。易失性存储器可以是RAM(RandomAccessMemory，随机存取存储器)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如SRAM(StaticRAM，静态随机存取存储器)、DRAM(DynamicRAM，动态随机存取存储器)、SDRAM(SynchronousDRAM，同步动态随机存取存储器)、DDRSDRAM(DoubleDataRate SDRAM，双倍数据速率同步动态随机存取存储器)、ESDRAM(Enhanced SDRAM，增强型同步动态随机存取存储器)、SLDRAM(SynchlinkDRAM，同步连接动态随机存取存储器)和DRRAM(DirectRambusRAM，直接内存总线随机存取存储器)。本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

在一些实施方式中，存储器存储了如下的元素，升级包、可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统和应用程序。

其中，操作系统，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序，包含各种应用程序，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序中。

在本发明实施例中，处理器通过调用存储器存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，处理器用于执行第一方面所提供的方法步骤。

第四方面，本发明实施例还提供一种芯片，用于执行上述第一方面中的方法。具体地，该芯片包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有该芯片的设备用于执行上述第一方面中的方法。

此外，在第五方面，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现本发明第二方面的方法的步骤。

例如，机器可读存储介质可以包括但不限于各种已知和未知类型的非易失性存储器。

与现有技术相比，本发明具有以下有益效果：

本发明采用主成分分析法对各所述原始数据集进行数据脱敏处理，获取包含各所述原始数据集最大特征的各得分矩阵，并根据得分矩阵组成的脱敏矩阵生成评估基准向量数据，然后将所述评估基准向量数据传输回各个所述数据域，并获取各个所述数据域中的各个所述原始数据信息与所述评估基准向量数据之间的相关系数，根据各个所述数据域中的各个所述原始数据信息与所述评估基准向量数据之间的相关系数确定各个所述数据域间存在关联关系的原始数据信息。从而可在不公开数据的前提下，对不同数据域中的数据的关联关系进行评估。同时由于本发明中的数据关联关系评估方法采用主成分分析法对各所述原始数据集进行数据脱敏处理，故使得脱敏后的数据仍然保留了最大特征，从而在完成信息脱敏后不影响关联性的识别。该数据关联关系评估方法、装置、芯片及可读存储介质具备处理逻辑简单、运行方便、有效减少数据分析成本、并能够对信息进行隐蔽，有效保护信息，适应性好的的特点。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。