本发明涉及计算机，具体的说，涉及的是一种联邦学习线性回归方法、装置、系统、设备、存储介质及产品。
背景技术：
1、随着人工智能时代的到来，越来越多的用户和企业开始关注机器学习领域，线性回归算法是一种基于假设自变量和因变量之间存在线性关系的统计学习方法，是机器学习领域中应用非常广泛的一种算法，通过线性回归算法可以对已有数据进行建模，从而进行预测。
2、一个表现优异的线性回归模型需要使用大量的数据样本来进行训练优化，大量的数据需要从多个数据提供者收集得到。然而随着数字经济的快速发展，数字资产开始变得越来越重要，数据提供者对于自身数据的隐私安全变得越来越重视，自身数据的泄露对于数据提供者来说是不可接受的，如何在保证自有数据隐私安全的前提下，使得多个数据提供则能够联合起来，共同协作完成一个线性回归算法的建模是一个非常有研究价值的问题。
技术实现思路
1、基于此，本发明提供了一种联邦学习线性回归方法、装置、系统、设备、存储介质及产品，其能够通过利用加密运算后的数据进行聚合运算得到聚合结果，通过对聚合结果进行解密运算得到最终的联合训练结果，在避免了数据泄露的前提下完成了模型的联合训练。
2、为实现上述目的，本发明实施例提供了一种联邦学习线性回归方法，包括：
3、接收不同参与方发送的加密数据；其中，所述加密数据由原始数据依次进行盲化处理、矩阵转置乘处理和公钥加密处理得到，所述原始数据包括原始自变量和原始因变量，所述矩阵转置乘处理指的是经所述盲化处理得到的盲化数据的转置与所述盲化数据相乘，所述公钥加密处理中的公钥由目标接收方生成并公开给所有所述参与方；
4、对所述加密数据进行聚合运算，得到聚合结果并反馈给所述目标接收方，以使所述目标接收方根据所述聚合结果得到联合训练结果；其中，所述聚合结果包括自变量聚合结果和因变量聚合结果，所述联合训练结果通过由所述聚合结果依次进行与所述公钥加密处理对应的私钥解密处理、矩阵求逆乘处理和与所述盲化处理对应的解盲处理得到，所述私钥解密处理中的私钥由所述目标接收方生成，所述矩阵求逆乘处理指的是经所述私钥解密处理后的自变量聚合结果求逆后与经所述私钥解密处理后的因变量聚合结果相乘。
5、为实现上述目的，本发明实施例提供了一种联邦学习线性回归方法，包括：
6、对获取的原始数据进行盲化处理、矩阵转置乘处理和公钥加密处理得到加密数据，并发送给数据聚合方，以使所述数据聚合方对所述加密数据进行聚合运算得到聚合结果并反馈给目标接收方，以使所述目标接收方根据所述聚合结果得到联合训练结果；
7、其中，所述原始数据包括原始自变量和原始因变量，所述矩阵转置乘处理指的是经所述盲化处理得到的盲化数据的转置与所述盲化数据相乘，所述公钥加密处理中的公钥由所述目标接收方生成并公开给所述参与方；所述聚合结果包括自变量聚合结果和因变量聚合结果，所述联合训练结果通过由所述聚合结果依次进行与所述公钥加密处理对应的私钥解密处理、矩阵求逆乘处理和与所述盲化处理对应的解盲处理得到，所述私钥解密处理中的私钥由所述目标接收方生成，所述矩阵求逆乘处理指的是经所述私钥解密处理后的自变量聚合结果求逆后与经所述私钥解密处理后的因变量聚合结果相乘。
8、为实现上述目的，本发明实施例提供了一种联邦学习线性回归方法，包括：
9、接收联合训练结果；其中，所述联合训练结果由上述任一实施例所述的联邦学习线性回归方法得到。
10、为实现上述目的，本发明实施例还提供了一种联邦学习线性回归装置，包括：
11、接收模块，用于接收不同参与方发送的加密数据；其中，所述加密数据由原始数据依次进行盲化处理、矩阵转置乘处理和公钥加密处理得到，所述原始数据包括原始自变量和原始因变量，所述矩阵转置乘处理指的是经所述盲化处理得到的盲化数据的转置与所述盲化数据相乘，所述公钥加密处理中的公钥由目标接收方生成并公开给所有所述参与方；
12、学习模块，用于对所述加密数据进行聚合运算，得到聚合结果并反馈给所述目标接收方，以使所述目标接收方根据所述聚合结果得到联合训练结果；其中，所述聚合结果包括自变量聚合结果和因变量聚合结果，所述联合训练结果通过由所述聚合结果依次进行与所述公钥加密处理对应的私钥解密处理、矩阵求逆乘处理和与所述盲化处理对应的解盲处理得到，所述私钥解密处理中的私钥由所述目标接收方生成，所述矩阵求逆乘处理指的是经所述私钥解密处理后的自变量聚合结果求逆后与经所述私钥解密处理后的因变量聚合结果相乘。
13、为实现上述目的，本发明实施例还提供了一种联邦学习线性回归系统，包括：
14、参与方，用于：对获取的原始数据进行盲化处理、矩阵转置乘处理和公钥加密处理得到加密数据，并发送给数据聚合方；其中，所述原始数据包括原始自变量和原始因变量，所述矩阵转置乘处理指的是经所述盲化处理得到的盲化数据的转置与所述盲化数据相乘，所述公钥加密处理中的公钥由目标接收方生成并公开给所述参与方；
15、所述数据聚合方，用于：对所述加密数据进行聚合运算得到聚合结果并发送给所述目标接收方；
16、所述目标接收方，用于：接收所述聚合结果，对所述聚合结果依次进行与所述公钥加密处理对应的私钥解密处理、矩阵求逆乘处理和与所述盲化处理对应的解盲处理得到联合训练结果；其中，所述聚合结果包括自变量聚合结果和因变量聚合结果，所述矩阵求逆乘处理指的是经所述私钥解密处理后的自变量聚合结果求逆后与经所述私钥解密处理后的因变量聚合结果相乘。
17、为实现上述目的，本发明实施例还提供了一种联邦学习线性回归设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一实施例所述的联邦学习线性回归方法。
18、为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一实施例所述的联邦学习线性回归方法。
19、为实现上述目的，本发明实施例还提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如上述任一实施例所述的联邦学习线性回归方法。
20、与现有技术相比，本发明实施例公开的联邦学习线性回归方法、装置、系统、设备、存储介质及产品，通过对接收的不同参与方发送的加密数据进行聚合运算，以得到聚合结果并反馈给目标接收方，以使得目标接收方根据所述聚合结果得到联合训练结果，其中，所述加密数据由原始数据依次进行盲化处理、矩阵转置乘处理和公钥加密处理得到；所述原始数据包括原始自变量和原始因变量，所述矩阵转置乘处理指的是经所述盲化处理得到的盲化数据的转置与所述盲化数据相乘，所述公钥加密处理中的公钥由目标接收方生成并公开给所有所述参与方；所述聚合结果包括自变量聚合结果和因变量聚合结果，所述联合训练结果通过由所述聚合结果依次进行与所述公钥加密处理对应的私钥解密处理、矩阵求逆乘处理和与所述盲化处理对应的解盲处理得到，所述私钥解密处理中的私钥由所述目标接收方生成，所述矩阵求逆乘处理指的是经所述私钥解密处理后的自变量聚合结果求逆后与经所述私钥解密处理后的因变量聚合结果相乘。由此可知，本发明实施例中，从各个参与方中获取由参与方对自身的原始数据进行一系列的加密计算后的加密数据，进行聚合运算后将聚合结果反馈给目标接收方，由目标接收方对聚合结果解密得到联合训练结果，在整个训练过程中，原始数据不存在泄露风险，且实现了模型的联合训练。
1.一种联邦学习线性回归方法，其特征在于，包括：
2.如权利要求1所述的联邦学习线性回归方法，其特征在于，还包括：
3.如权利要求1所述的联邦学习线性回归方法，其特征在于，所述盲化处理的步骤如下：使用公共密钥和私有密钥对所述原始自变量进行盲化处理，使用所述私有密钥对所述原始因变量进行盲化处理；其中，所述公共密钥由所述目标接收方生成并公开给所有所述参与方，所述私有密钥由所述原始自变量所属参与方生成的。
4.如权利要求3所述的联邦学习线性回归方法，其特征在于，所述使用公共密钥和私有密钥对所述原始自变量进行盲化处理，使用所述私有密钥对所述原始因变量进行盲化处理，包括：
5.如权利要求3或4所述的联邦学习线性回归方法，其特征在于，所述解盲处理的步骤如下：使用所述公共密钥对经过所述矩阵求逆乘处理后得到的数据进行解盲处理。
6.如权利要求1所述的联邦学习线性回归方法，其特征在于，所述目标接收方为所有所述参与方中的其中一方。
7.一种联邦学习线性回归方法，其特征在于，包括：
8.如权利要求7所述的联邦学习线性回归方法，其特征在于，所述参与方包括第一算力设备及其对应的算力空间；
9.一种联邦学习线性回归方法，其特征在于，包括：
10.一种联邦学习线性回归装置，其特征在于，包括：
11.一种联邦学习线性回归系统，其特征在于，包括：
12.一种联邦学习线性回归设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至9中任意一项所述的联邦学习线性回归方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至9中任意一项所述的联邦学习线性回归方法。
14.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现如权利要求1至9中任意一项所述的联邦学习线性回归方法。
