基于隐私计算的政务数据开放技术平台设计与实践

数据作为新型生产要素,只有在充分共享和流通中才能充分释放数据要素价值.我国政务数据的规模体量庞大,类型来源丰富,开发潜力巨大,加强对政务数据的汇聚融合、共享开放和开发利用,对于推动数字经济发展和加快数字中国建设具有重要意义.当前,从中央到地方,各级政府对于政务数据开放均高度重视,政务数据开放进程逐渐加快,但与此同时数据安全保障的问题仍然存在.试图通过分析政务数据开放过程中的现状及问题,探索基于隐私计算技术的政务数据开放平台设计与建设思路,并介绍相关实践案例。

浅析隐私计算技术在电力行业的应用

数据作为新型生产要素,目前已形成了强烈的流通应用需求。电力作为中国经济、社会发展的基础行业,电力数据通过内外部融合以进行价值挖掘和场景应用的潜力巨大,但数据安全问题和隐私泄露风险伴随而来。隐私计算技术凭借“数据可用不可见”的特性,能够在保障数据安全的前提下充分释放电力数据要素价值,具体可以服务于小微信贷风控、税收风险分析、城市数字大脑、精准电桩布网、电费回收预测、短期负荷预测等应用场景,为电力、金融等行业的运行和发展决策提供有力支撑,并赋能社会经济持续健康发展。

面向隐私安全的联邦决策树算法

根据用户信息进行资质审查是金融领域的一项重要业务,银行等机构由于用户数据不足和隐私安全等原因,无法训练高性能的违约风险评估模型,从而无法对用户进行精准预测.因此,为了解决数据不共享情况下的联合建模问题,本文提出一种基于联邦学习的决策树算法FL-DT(Federated Learning-Decision Tree).首先,构造基于直方图的数据存储结构用于通信传输,通过减少通信次数,有效提升训练效率;其次,提出基于不经意传输的混淆布隆过滤器进行隐私集合求交,得到包含各参与方数据信息的联邦直方图,并建立联邦决策树模型.最后,提出多方协作预测算法,提升了FL-DT的预测效率.在四个常用的金融数据集上,评估了FL-DT算法的精确性和有效性.实验结果表明,FL-DT算法的准确率比仅利用本地数据建立模型的准确率高,逼近于数据集中情况下模型的准确率,而且优于其他联邦学习方法.另外,FL-DT的训练效率也优于已有算法.

基于联邦学习的Gamma回归算法

在水文学、气象学以及保险理赔评估等领域中,通常假设因变量服从Gamma分布,相比多元线性回归,在Gamma分布假设下建立起的Gamma回归具有更出色的拟合效果。以往获得Gamma回归模型的方法是将数据集中起来进行训练,当数据是由多方提供时,在不交换数据的情况下训练满足隐私保护的Gamma回归模型成为需要解决的问题。为此,提出了一种多方安全的纵向联邦Gamma回归算法,该算法首先使用迭代法推导出纵向联邦Gamma回归模型的对数似然估计表达式,然后结合工程实际确定模型的连接函数,进而构造损失函数建立参数的梯度更新策略,最后对同态加密后的各方参数进行融合更新,获得联邦学习后的Gamma回归模型。在两种公开数据集上进行性能测试,实验结果表明,所提联邦Gamma回归算法在不交换数据的前提下,可有效利用多方数据的价值生成Gamma回归模型,该模型对数据的拟合效果逼近数据在集中情况下学习到的Gamma回归模型,优于单方独立学习获得的Gamma回归模型。

隐私计算跨平台互联互通研究与实践

当前,数据对全球经济和社会发展的影响已发生由“量”到“质”的演进。2020年《关于构建更加完善的要素市场化配置体制机制的意见》正式发布,数据成为继土地、劳动力、资本、技术之后的第五大生产要素。但随着数据安全事件的频发,也亟须为基于数据的新兴产业构建良性有序的发展模式。