本申請涉及物聯(lián)網(wǎng)，特別涉及基于少樣本預(yù)學(xué)習(xí)的物聯(lián)網(wǎng)隱私泄露檢測方法及設(shè)備。

背景技術(shù)：

1、物聯(lián)網(wǎng)（iot）技術(shù)的快速發(fā)展為我們的生活帶來了便利，但也帶來了新的安全挑戰(zhàn)。物聯(lián)網(wǎng)中物聯(lián)網(wǎng)設(shè)備數(shù)量龐大、且往往缺乏有效的安全防護措施，這使得物聯(lián)網(wǎng)容易成為黑客攻擊的目標(biāo)，物聯(lián)網(wǎng)設(shè)備中大量隱私數(shù)據(jù)面臨潛在巨大的泄露風(fēng)險。

技術(shù)實現(xiàn)思路

1、本申請?zhí)峁┝嘶谏贅颖绢A(yù)學(xué)習(xí)的物聯(lián)網(wǎng)隱私泄露檢測方法及設(shè)備，以實現(xiàn)物聯(lián)網(wǎng)隱私泄露檢測。

2、本申請?zhí)峁┑募夹g(shù)方案包括：

3、一種基于少樣本預(yù)學(xué)習(xí)的物聯(lián)網(wǎng)隱私泄露檢測方法，該方法應(yīng)用于電子設(shè)備，包括：

4、通過將隱私檢測數(shù)據(jù)集中各行數(shù)據(jù)轉(zhuǎn)換為指定尺寸的二維2d矩陣，再將各2d矩陣轉(zhuǎn)換為三維圖像得到隱私數(shù)據(jù)訓(xùn)練樣本集；所述隱私檢測數(shù)據(jù)集中各行數(shù)據(jù)是通過將設(shè)定時間段內(nèi)采集的物聯(lián)網(wǎng)中各物聯(lián)網(wǎng)設(shè)備的業(yè)務(wù)數(shù)據(jù)和已公開的用于隱私檢測的公共數(shù)據(jù)集相融合得到；

5、基于隱私數(shù)據(jù)訓(xùn)練樣本集，獲得訓(xùn)練任務(wù)集；所述訓(xùn)練任務(wù)集中包括多個訓(xùn)練任務(wù)；任一訓(xùn)練任務(wù)包括：基于從第一數(shù)據(jù)集中選擇對應(yīng)的一組隱私數(shù)據(jù)訓(xùn)練樣本確定的內(nèi)層模型訓(xùn)練集和內(nèi)層模型測試集；所述一組隱私數(shù)據(jù)訓(xùn)練樣本包括k?個隱私數(shù)據(jù)類別下的隱私數(shù)據(jù)訓(xùn)練樣本，所述內(nèi)層模型訓(xùn)練集由k?個隱私數(shù)據(jù)類別下的部分隱私數(shù)據(jù)訓(xùn)練樣本組成，所述內(nèi)層模型測試集由k?個隱私數(shù)據(jù)類別下的剩余隱私數(shù)據(jù)訓(xùn)練樣本組成；所述隱私數(shù)據(jù)訓(xùn)練樣本集被劃分為第一數(shù)據(jù)集和第二數(shù)據(jù)集；

6、從訓(xùn)練任務(wù)集中采樣當(dāng)前訓(xùn)練批次所需的一批訓(xùn)練任務(wù)；獲得用于描述該批訓(xùn)練任務(wù)之間相似關(guān)系的任務(wù)相似性評估矩陣?s；

7、針對該批訓(xùn)練任務(wù)中每一訓(xùn)練任務(wù)，基于該訓(xùn)練任務(wù)與其它訓(xùn)練任務(wù)之間的相似度確定該訓(xùn)練任務(wù)的自適應(yīng)學(xué)習(xí)率，從該訓(xùn)練任務(wù)中采樣訓(xùn)練樣本以訓(xùn)練當(dāng)前物聯(lián)網(wǎng)隱私泄露檢測模型中的內(nèi)層模型，在訓(xùn)練結(jié)束時基于該自適應(yīng)學(xué)習(xí)率調(diào)整所述內(nèi)層模型的當(dāng)前參數(shù)得到該訓(xùn)練任務(wù)對應(yīng)的參考參數(shù)；

8、從每一訓(xùn)練任務(wù)采樣測試樣本以測試該訓(xùn)練任務(wù)對應(yīng)的參考參數(shù)得到損失值，基于各損失值和當(dāng)前物聯(lián)網(wǎng)隱私泄露檢測模型中外層預(yù)學(xué)習(xí)器的外層學(xué)習(xí)率，將當(dāng)前物聯(lián)網(wǎng)隱私泄露檢測模型中內(nèi)層模型的參數(shù)調(diào)整為目標(biāo)參數(shù)，得到當(dāng)前訓(xùn)練批次下的物聯(lián)網(wǎng)隱私泄露檢測模型；

9、利用所述第二數(shù)據(jù)集測試驗證當(dāng)前訓(xùn)練批次下的物聯(lián)網(wǎng)隱私泄露檢測模型是否為滿足設(shè)定要求的目標(biāo)物聯(lián)網(wǎng)隱私泄露檢測模型，如果否，返回所述從訓(xùn)練任務(wù)集中采樣一個訓(xùn)練批次樣本的步驟，如果是，結(jié)束當(dāng)前流程；所述目標(biāo)該物聯(lián)網(wǎng)隱私泄露檢測模型用于物聯(lián)網(wǎng)隱私泄露檢測。

10、一種基于少樣本預(yù)學(xué)習(xí)的物聯(lián)網(wǎng)隱私泄露檢測設(shè)備，該設(shè)備應(yīng)用于電子設(shè)備，包括：

11、數(shù)據(jù)處理單元，用于通過將隱私檢測數(shù)據(jù)集中各行數(shù)據(jù)轉(zhuǎn)換為指定尺寸的二維2d矩陣，再將各2d矩陣轉(zhuǎn)換為三維圖像得到隱私數(shù)據(jù)訓(xùn)練樣本集；所述隱私檢測數(shù)據(jù)集中各行數(shù)據(jù)是通過將設(shè)定時間段內(nèi)采集的物聯(lián)網(wǎng)中各物聯(lián)網(wǎng)設(shè)備的業(yè)務(wù)數(shù)據(jù)和已公開的用于隱私檢測的公共數(shù)據(jù)集相融合得到；

12、訓(xùn)練單元，用于基于隱私數(shù)據(jù)訓(xùn)練樣本集，獲得訓(xùn)練任務(wù)集；所述訓(xùn)練任務(wù)集中包括多個訓(xùn)練任務(wù)；任一訓(xùn)練任務(wù)包括：基于從第一數(shù)據(jù)集中選擇對應(yīng)的一組隱私數(shù)據(jù)訓(xùn)練樣本確定的內(nèi)層模型訓(xùn)練集和內(nèi)層模型測試集；所述一組隱私數(shù)據(jù)訓(xùn)練樣本包括k?個隱私數(shù)據(jù)類別下的隱私數(shù)據(jù)訓(xùn)練樣本，所述內(nèi)層模型訓(xùn)練集由k?個隱私數(shù)據(jù)類別下的部分隱私數(shù)據(jù)訓(xùn)練樣本組成，所述內(nèi)層模型測試集由k?個隱私數(shù)據(jù)類別下的剩余隱私數(shù)據(jù)訓(xùn)練樣本組成；所述隱私數(shù)據(jù)訓(xùn)練樣本集被劃分為第一數(shù)據(jù)集和第二數(shù)據(jù)集；以及，

13、從訓(xùn)練任務(wù)集中采樣當(dāng)前訓(xùn)練批次所需的一批訓(xùn)練任務(wù)；獲得用于描述該批訓(xùn)練任務(wù)之間相似關(guān)系的任務(wù)相似性評估矩陣?s；

14、針對該批訓(xùn)練任務(wù)中每一訓(xùn)練任務(wù)，基于該訓(xùn)練任務(wù)與其它訓(xùn)練任務(wù)之間的相似度確定該訓(xùn)練任務(wù)的自適應(yīng)學(xué)習(xí)率，從該訓(xùn)練任務(wù)中采樣訓(xùn)練樣本以訓(xùn)練當(dāng)前物聯(lián)網(wǎng)隱私泄露檢測模型中的內(nèi)層模型，在訓(xùn)練結(jié)束時基于該自適應(yīng)學(xué)習(xí)率調(diào)整所述內(nèi)層模型的當(dāng)前參數(shù)得到該訓(xùn)練任務(wù)對應(yīng)的參考參數(shù)；

15、從每一訓(xùn)練任務(wù)采樣測試樣本以測試該訓(xùn)練任務(wù)對應(yīng)的參考參數(shù)得到損失值，基于各損失值和當(dāng)前物聯(lián)網(wǎng)隱私泄露檢測模型中外層預(yù)學(xué)習(xí)器的外層學(xué)習(xí)率，將當(dāng)前物聯(lián)網(wǎng)隱私泄露檢測模型中內(nèi)層模型的參數(shù)調(diào)整為目標(biāo)參數(shù)，得到當(dāng)前訓(xùn)練批次下的物聯(lián)網(wǎng)隱私泄露檢測模型；

16、測試驗證單元，用于利用所述第二數(shù)據(jù)集測試驗證當(dāng)前訓(xùn)練批次下的物聯(lián)網(wǎng)隱私泄露檢測模型是否為滿足設(shè)定要求的目標(biāo)物聯(lián)網(wǎng)隱私泄露檢測模型，如果否，返回所述從訓(xùn)練任務(wù)集中采樣一個訓(xùn)練批次樣本的步驟，如果是，結(jié)束當(dāng)前流程；所述目標(biāo)該物聯(lián)網(wǎng)隱私泄露檢測模型用于物聯(lián)網(wǎng)隱私泄露檢測。

17、一種電子設(shè)備，該電子設(shè)備包括：處理器和機器可讀存儲介質(zhì)；

18、所述機器可讀存儲介質(zhì)存儲有能夠被所述處理器執(zhí)行的機器可執(zhí)行指令；

19、所述處理器用于執(zhí)行機器可執(zhí)行指令，以實現(xiàn)如上方法中的步驟。

20、由以上技術(shù)方案可以看出，本實施例通過構(gòu)建由內(nèi)層模型+外層預(yù)學(xué)習(xí)器組成的物聯(lián)網(wǎng)隱私泄露檢測模型，以使得按照內(nèi)循環(huán)（基于單個訓(xùn)練任務(wù)訓(xùn)練內(nèi)層模型）和外循環(huán)（基于各訓(xùn)練任務(wù)訓(xùn)練出的內(nèi)層模型的損失情況優(yōu)化外層預(yù)學(xué)習(xí)器、以及基于優(yōu)化后的外層預(yù)學(xué)習(xí)器優(yōu)化內(nèi)層模型）相配合的方式訓(xùn)練出滿足要求的物聯(lián)網(wǎng)隱私泄露檢測模型，這種由內(nèi)循環(huán)和外循環(huán)相配合的方式，相比常規(guī)單一訓(xùn)練模式，其可以實現(xiàn)在少量樣本的情況下快速訓(xùn)練模型的，且這種內(nèi)層模型的訓(xùn)練決定外層預(yù)學(xué)習(xí)器的優(yōu)化而外層預(yù)學(xué)習(xí)器決定內(nèi)層模型的優(yōu)化的方式，相互決策，能夠保證最終訓(xùn)練出的目標(biāo)物聯(lián)網(wǎng)隱私泄露檢測模型具有較高的檢測準(zhǔn)確率，大大提高物聯(lián)網(wǎng)隱私泄露檢測的準(zhǔn)確度。

21、進一步地，本實施例中，在當(dāng)前訓(xùn)練批次，會從訓(xùn)練任務(wù)集中采樣當(dāng)前訓(xùn)練批次所需的一批訓(xùn)練任務(wù)，對該批訓(xùn)練任務(wù)執(zhí)行以下步驟：針對當(dāng)前物聯(lián)網(wǎng)隱私泄露檢測模型中的內(nèi)層模型（記為初始內(nèi)層模型），從該批訓(xùn)練任務(wù)中每一訓(xùn)練任務(wù)的內(nèi)層模型訓(xùn)練集采樣訓(xùn)練樣本以訓(xùn)練該初始內(nèi)層模型，得到該訓(xùn)練任務(wù)對應(yīng)的參考內(nèi)層模型，最終會在當(dāng)前訓(xùn)練批次下訓(xùn)練出最新的物聯(lián)網(wǎng)隱私泄露檢測模型。這種方式能夠保證訓(xùn)練樣本的多樣性，使模型能夠?qū)W習(xí)到更多類型的隱私特征并且能夠提高模型的泛化能力，使訓(xùn)練出的模型能夠適應(yīng)更多類型的隱私數(shù)據(jù)的泄露檢測；

22、進一步地，本實施例根據(jù)訓(xùn)練任務(wù)之間的相似性動態(tài)調(diào)整各訓(xùn)練任務(wù)的自適應(yīng)學(xué)習(xí)率，以實現(xiàn)各訓(xùn)練任務(wù)的學(xué)習(xí)策略，從而提高模型對新任務(wù)的適應(yīng)能力和學(xué)習(xí)效率。

技術(shù)特征：

1.一種基于少樣本預(yù)學(xué)習(xí)的物聯(lián)網(wǎng)隱私泄露檢測方法，其特征在于，該方法應(yīng)用于電子設(shè)備，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將各2d矩陣轉(zhuǎn)換為三維圖像得到隱私數(shù)據(jù)訓(xùn)練樣本集包括：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于該訓(xùn)練任務(wù)與其它訓(xùn)練任務(wù)之間的相似度確定該訓(xùn)練任務(wù)的自適應(yīng)學(xué)習(xí)率包括：

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述基于該訓(xùn)練任務(wù)與其它訓(xùn)練任務(wù)之間的相似度、其它訓(xùn)練任務(wù)當(dāng)前的自適應(yīng)學(xué)習(xí)率、以及該訓(xùn)練任務(wù)與其它訓(xùn)練任務(wù)之間的相似度中取值最大的最大值，確定該訓(xùn)練任務(wù)的自適應(yīng)學(xué)習(xí)率包括：

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述在訓(xùn)練結(jié)束時基于該自適應(yīng)學(xué)習(xí)率調(diào)整所述內(nèi)層模型的當(dāng)前參數(shù)得到該訓(xùn)練任務(wù)對應(yīng)的參考參數(shù)包括：

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于各損失值和當(dāng)前物聯(lián)網(wǎng)隱私泄露檢測模型中外層預(yù)學(xué)習(xí)器的外層學(xué)習(xí)率，將當(dāng)前物聯(lián)網(wǎng)隱私泄露檢測模型中內(nèi)層模型的參數(shù)調(diào)整為目標(biāo)參數(shù)包括：

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述基于所述相對梯度和當(dāng)前物聯(lián)網(wǎng)隱私泄露檢測模型中外層預(yù)學(xué)習(xí)器的外層學(xué)習(xí)率，確定所述目標(biāo)參數(shù)包括：

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用第二數(shù)據(jù)集測試驗證當(dāng)前物聯(lián)網(wǎng)隱私泄露檢測模型是否為滿足要求的目標(biāo)物聯(lián)網(wǎng)隱私泄露檢測模型包括：

9.一種基于少樣本預(yù)學(xué)習(xí)的物聯(lián)網(wǎng)隱私泄露檢測設(shè)備，其特征在于，該設(shè)備應(yīng)用于電子設(shè)備，包括：

10.根據(jù)權(quán)利要求9所述的設(shè)備，其特征在于，所述將各2d矩陣轉(zhuǎn)換為三維圖像得到隱私數(shù)據(jù)訓(xùn)練樣本集包括：

11.根據(jù)權(quán)利要求9所述的設(shè)備，其特征在于，所述基于該訓(xùn)練任務(wù)與其它訓(xùn)練任務(wù)之間的相似度確定該訓(xùn)練任務(wù)的自適應(yīng)學(xué)習(xí)率包括：

技術(shù)總結(jié)
本申請?zhí)峁┝嘶谏贅颖绢A(yù)學(xué)習(xí)的物聯(lián)網(wǎng)隱私泄露檢測方法及設(shè)備。本實施例通過構(gòu)建由內(nèi)層模型+外層預(yù)學(xué)習(xí)器組成的物聯(lián)網(wǎng)隱私泄露檢測模型，以使得按照內(nèi)循環(huán)（基于單個訓(xùn)練任務(wù)訓(xùn)練內(nèi)層模型）和外循環(huán)（基于各訓(xùn)練任務(wù)訓(xùn)練出的內(nèi)層模型的損失情況優(yōu)化外層預(yù)學(xué)習(xí)器、以及基于優(yōu)化后的外層預(yù)學(xué)習(xí)器優(yōu)化內(nèi)層模型）相配合的方式訓(xùn)練出滿足要求的物聯(lián)網(wǎng)隱私泄露檢測模型，相比常規(guī)單一訓(xùn)練模式，其可以實現(xiàn)在少量樣本的情況下快速訓(xùn)練模型的，且這種內(nèi)層模型的訓(xùn)練決定外層預(yù)學(xué)習(xí)器的優(yōu)化而外層預(yù)學(xué)習(xí)器決定內(nèi)層模型的優(yōu)化的方式，相互決策，能夠保證最終訓(xùn)練出的目標(biāo)物聯(lián)網(wǎng)隱私泄露檢測模型具有較高的檢測準(zhǔn)確率，提高物聯(lián)網(wǎng)隱私泄露檢測的準(zhǔn)確度。

技術(shù)研發(fā)人員：王濱,周少鵬,周由勝,王家驊,王旭,張峰,李超豪,畢志城
受保護的技術(shù)使用者：杭州?？低晹?shù)字技術(shù)股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/28