本申請?zhí)峁┮环N云服務隱私數據檢測方法和云服務器，涉及電數字數據處理領域，該方法包括：基于云服務器中公開的云端數據和預設機器學習算法構建用于隱私數據識別的初始化模型，并下發(fā)至多個本地服務器，基于每個本地服務器存儲的本地數據分別對初始化模型進行訓練，得到對應的本地機器學習模型；依據每個本地服務器對應的本地數據在云服務器中的數據占比，將多個本地機器學習模型的模型參數在初始化模型上進行聚合，得到全局模型，使用該全局模型對用戶獲取的目標云端數據進行識別，得到隱私數據檢測結果。該方法降低了直接在云服務環(huán)境中構建數據集訓練隱私數據識別模型過程可能導致的隱私數據泄露風險，提高了隱私數據保護的安全等級。
【技術實現步驟摘要】
本申請涉及電數字數據處理領域，尤其涉及一種云服務隱私數據檢測方法和云服務器。
技術介紹
1、在當今的數字化時代，數據隱私已成為一個重要的全球性問題。隨著云計算技術的快速發(fā)展和廣泛應用，大量敏感數據被存儲和處理在云服務器上。這增加了數據泄露的風險，從而需要對這些數據進行有效的隱私保護和監(jiān)控。
2、相關技術中的隱私數據檢測技術主要基于集中式模型處理方式。在這種方法中，各個服務器的本地數據需要傳輸到中心服務器中進行整合，再依據整合后的云數據訓練集中式模型，用于對后續(xù)采集的數據進行隱私分析和檢測。
3、然而，傳統的隱私數據檢測技術，中用于隱私數據檢測分析的模型，其構建過程需要將收集到的本地數據發(fā)送到中心服務器進行信息共享，導致模型訓練過程中存在隱私數據泄露的安全隱患。
技術實現思路
1、本申請?zhí)峁┝艘环N云服務隱私數據檢測方法和云服務器，用于應對傳統技術在云服務環(huán)境中構建隱私數據識別模型的過程中可能存在隱私數據泄露的問題。
2、第一方面，本申請?zhí)峁┮环N云服務隱私數據檢測方法，應用于云服務器，該方法包括：
3、基于云服務器中公開的云端數據和預設機器學習算法構建用于隱私數據識別的初始化模型，該云服務器與一個或多個本地服務器通信連接；
4、將該初始化模型下發(fā)至多個本地服務器，并基于每個該本地服務器存儲的本地數據構建數據集，分別對該初始化模型進行訓練，得到每個該本地服務器對應的本地機器學習模型，該本地服務器為該云服務器提供數據支持；
5、獲取每個該本地服務器對應的本地數據在該云服務器中的數據占比，以及每個該本地服務器上傳的本地機器學習模型的模型參數；
6、依據該數據占比將該模型參數在該初始化模型上進行聚合，得到全局模型；
7、當檢測到用戶通過云服務api接口從該云服務器獲取目標云端數據時，使用該全局模型對該目標云端數據進行隱私數據識別，得到隱私數據檢測結果。
8、通過上述實施例，云服務器通過構建初始化模型并將其下發(fā)至多個本地服務器進行訓練，使得不同本地服務器之間的模型數據訓練過程是分開進行的，只需要將各個本地服務器的模型訓練參數進行聚合，便得到用于對所有云服務數據進行隱私數據識別的全局模型。該方法降低了傳統技術直接在云服務環(huán)境中構建數據集訓練隱私數據識別模型過程可能導致的隱私數據泄露風險，在保障隱私數據識別模型精準度的基礎上，提高了隱私數據保護的安全等級。
9、在一些實施例中，該基于每個該本地服務器存儲的本地數據構建數據集，分別對該初始化模型進行訓練，得到每個該本地服務器對應的本地機器學習模型的步驟，具體包括：
10、通過本地服務器獲取本地數據并進行預處理，得到示例數據，該預處理包括數據清洗、格式化、歸一化、標準化和缺失值處理；
11、對該示例數據進行隱私數據類型劃分，得到標簽數據；
12、基于該示例數據和該標簽數據構建示例數據集；
13、使用該示例數據集訓練和測試該初始化模型，得到用于對隱私數據進行識別和分類的本地機器學習模型。
14、通過上述實施例，云服務器控制每個本地服務器對本地數據進行預處理和隱私數據類型的劃分，使得訓練得到的本地機器學習模型能夠有效地學習到有關隱私數據的特征，進而對隱私數據進行識別和分類，提高模型數據識別的精度和效率。
15、在一些實施例中，該依據該數據占比將該模型參數在該初始化模型上進行聚合，得到全局模型的步驟，具體包括：
16、依據該數據占比確定每個該本地服務器的權重；
17、依據該權重計算該模型參數的加權平均值，得到全局模型的對應參數。
18、通過上述實施例，云服務器根據各個本地服務器數據在云服務器中的數據占比聚合各個本地服務器上傳的模型參數，以構建全局模型。這種方法通過考慮各本地服務器數據的重要性和代表性進行權重分配，確保了全局模型在整合過程中能更加公平和有效地反映各本地數據的特征，提高了模型的泛化能力，使全局模型在新的數據上也能保持較高的識別效果。
19、在一些實施例中，該使用該全局模型對該目標云端數據進行隱私數據識別，得到隱私數據檢測結果的步驟，具體包括：
20、確定該目標云端數據對應的一個或多個目標本地服務器，該目標云端數據存儲在對應的該目標本地服務器中；
21、使用該目標本地服務器對應的本地機器學習模型對該目標云端數據進行隱私數據識別，得到第一識別結果；
22、使用該全局模型對該目標云端數據進行隱私數據識別，得到第二識別結果；
23、將該第一識別結果和該第二識別結果進行整合，得到該隱私數據檢測結果。
24、通過上述實施例，云服務器分別使用全局模型和本地機器學習模型對目標云端數據進行隱私數據識別，并將兩者的識別結果進行整合。這種方法通過結合本地模型的專業(yè)性與全局模型的泛化能力，可以從不同角度識別和驗證隱私數據，從而大幅提高識別的準確性和可靠性。
25、在一些實施例中，在該將該第一識別結果和該第二識別結果進行整合，得到該隱私數據檢測結果的步驟之后，還包括：
26、確定該第一識別結果和該第二識別結果存在偏差的目標隱私數據；
27、將該目標隱私數據重新進行標注后發(fā)送到對應的本地服務器，并更新該本地服務器的示例數據集；
28、依據更新后的該示例數據集對該本地服務器對應的本地機器學習模型進行增量訓練。
29、通過上述實施例，云服務器通過識別并重新標注偏差數據，然后進行增量訓練，可以持續(xù)優(yōu)化本地機器學習模型的性能，持續(xù)提升模型數據處理的準確性和效率，確保隱私保護措施隨著時間推移而不斷完善。
30、在一些實施例中，在該當檢測到用戶通過云服務api接口從該云服務器獲取目標云端數據時，使用該全局模型對該目標云端數據進行隱私數據識別，得到隱私數據檢測結果的步驟之后，還包括：
31、對預設時間段內的該隱私檢測結果進行匯總和分類，統計不同類型的隱私數據的出現次數和分布情況；
32、依據不同類型的隱私數據的出現次數和分布情況生成檢測報告；
33、基于預定義的風險評估標準確定該檢測報告對應的風險評估等級，該風險評估等級包括高風險、中風險和低風險。
34、通過上述實施例，云服務器對隱私數據檢測結果的匯總、分類和風險評估，不僅可以幫助用戶理解隱私數據的分布情況，還能根據預定義的標準對潛在的隱私泄露風險進行評估，使得管理者可以及時了解系統的安全狀態(tài)，采取相應的防護措施，有效預防和減少數據泄露事件的發(fā)生。
35、在一些實施例中，在該基于預定義的風險評估標準確定該檢測報告對應的風險評估等級的步驟之后，還包括：
36、當檢測到該風險評估等級為高風險時觸發(fā)報警通知。
37、通過上述實施例，云服務器在檢測到風險評估等級為高風險時，將觸發(fā)報警通知，實現了對異常情況的快速響應，確保當數據本文檔來自技高網
...
【技術保護點】
1.一種云服務隱私數據檢測方法，應用于云服務器，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述基于每個所述本地服務器存儲的本地數據構建數據集，分別對所述初始化模型進行訓練，得到每個所述本地服務器對應的本地機器學習模型的步驟，具體包括：
3.根據權利要求1所述的方法，其特征在于，所述依據所述數據占比將所述模型參數在所述初始化模型上進行聚合，得到全局模型的步驟，具體包括：
4.根據權利要求1所述的方法，其特征在于，所述使用所述全局模型對所述目標云端數據進行隱私數據識別，得到隱私數據檢測結果的步驟，具體包括：
5.根據權利要求4所述的方法，其特征在于，在所述將所述第一識別結果和所述第二識別結果進行整合，得到所述隱私數據檢測結果的步驟之后，還包括：
6.根據權利要求1所述的方法，其特征在于，在所述當檢測到用戶通過云服務API接口從所述云服務器獲取目標云端數據時，使用所述全局模型對所述目標云端數據進行隱私數據識別，得到隱私數據檢測結果的步驟之后，還包括：
7.根據權利要求6所述的方法，其特征在于，在所述基于預定義的風險評估標準確定所述檢測報告對應的風險評估等級的步驟之后，還包括：
8.一種云服務器，其特征在于，所述云服務器包括：一個或多個處理器和存儲器；
9.一種計算機可讀存儲介質，包括指令，其特征在于，當所述指令在云服務器上運行時，使得所述云服務器執(zhí)行如權利要求1-7中任一項所述的方法。
10.一種計算機程序產品，其特征在于，當所述計算機程序產品在云服務器上運行時，使得所述云服務器執(zhí)行如權利要求1-7中任一項所述的方法。
...
【技術特征摘要】
1.一種云服務隱私數據檢測方法，應用于云服務器，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述基于每個所述本地服務器存儲的本地數據構建數據集，分別對所述初始化模型進行訓練，得到每個所述本地服務器對應的本地機器學習模型的步驟，具體包括：
3.根據權利要求1所述的方法，其特征在于，所述依據所述數據占比將所述模型參數在所述初始化模型上進行聚合，得到全局模型的步驟，具體包括：
4.根據權利要求1所述的方法，其特征在于，所述使用所述全局模型對所述目標云端數據進行隱私數據識別，得到隱私數據檢測結果的步驟，具體包括：
5.根據權利要求4所述的方法，其特征在于，在所述將所述第一識別結果和所述第二識別結果進行整合，得到所述隱私數據檢測結果的步驟之后，還包括：
【專利技術屬性】
技術研發(fā)人員：王新杰，
申請(專利權)人：北京時代新威信息技術有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。