本文件涉及风控，尤其涉及一种基于联邦学习的数据处理方法、装置及电子设备。
背景技术：
1、保险公司的服务器存储有大量的客户信息。为确保数据安全，如何检测针对服务器的网络入侵就显得尤为重要。
2、随着人工智能技术的发展，深度学习模型应用于网络入侵检测的提议已得到了人们的重视。目前，深度学习模型的训练门槛较高，通常情况下都是由多家机构协同参与完成，而训练模型所使用的样本属于各机构敏感性较高敏的私有数据，彼此之间不宜共享。
3、为此，有必要在保证私有数据隐私的前提下，提出一种联合建模以用于检测网络入侵的技术方案。
技术实现思路
1、本申请实施例提供了一种基于联邦学习的数据处理方法、装置及电子设备，能够在保证私有数据隐私的前提下，实现针对网络入侵检测的联合建模。
2、为实现上述目的，本申请实施例是这样实现的：
3、第一方面，提出了一种基于联邦学习的数据处理方法，包括：
4、联邦学习中的非赋能成员对象基于本地的网络入侵样本数据，对本地的网络入侵检测模型进行训练，得到本地的网络入侵检测模型的模型参数；
5、所述联邦学习中的非赋能成员对象将本地的网络入侵检测模型的模型参数发送至所述联邦学习中的赋能成员对象；
6、所述赋能成员对象基于所述联邦学习中的至少两个成员对象的网络入侵检测模型的模型参数，确定目标模型参数；
7、所述联邦学习中的非赋能成员对象向所述赋能成员对象获取所述目标模型参数，以基于所述目标模型参数，对本地的网络入侵检测模型进行调整。
8、第二方面，提出了一种联邦学习系统，包括：赋能成员对象和多个非赋能成员对象；其中，所述非赋能成员对象基于本地的网络入侵样本数据，对本地的网络入侵检测模型进行训练，得到本地的网络入侵检测模型的模型参数，并将本地的网络入侵检测模型的模型参数发送至所述联邦学习中的赋能成员对象；以及，基于所述赋能成员对象发送的目标模型参数，对本地的网络入侵检测模型进行调整；
9、所述赋能成员对象基于所述联邦学习中的至少两个成员对象的网络入侵检测模型的模型参数，确定目标模型参数，并将所述目标模型参数发送至所述联邦学习系统中的非赋能成员对象。
10、第三方面，提出了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
11、基于本地的网络入侵样本数据，对本地的网络入侵检测模型进行训练，得到本地的网络入侵检测模型的模型参数；
12、将本地的网络入侵检测模型的模型参数发送至联邦学习中的赋能成员对象，使得所述赋能成员对象基于所述联邦学习中的至少两个成员对象的网络入侵检测模型的模型参数，确定目标模型参数；
13、向所述赋能成员对象获取所述目标模型参数，以基于所述目标模型参数对本地的网络入侵检测模型进行调整。
14、第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
15、基于本地的网络入侵样本数据，对本地的网络入侵检测模型进行训练，得到本地的网络入侵检测模型的模型参数；
16、将本地的网络入侵检测模型的模型参数发送至联邦学习中的赋能成员对象，使得所述赋能成员对象基于所述联邦学习中的至少两个成员对象的网络入侵检测模型的模型参数，确定目标模型参数；
17、向所述赋能成员对象获取所述目标模型参数，以基于所述目标模型参数对本地的网络入侵检测模型进行调整。
18、本申请实施例的方案中，联邦学习中的各成员对象可以共同搭建网络入侵检测模型，并分别根据自身私有的网络入侵样本数据对网络入侵检测模型进行训练，从而将训练后获得的模型参数提供给其中的赋能成员对象。赋能成员对象对各成员对象训练得到的模型参数进行汇总，以确定出目标模型参数，并将目标模型参数反馈给其他成员对象，使得联邦学习中的任何成员对象都有能力将自身的网络入侵检测模型调整至较佳的性能水平。整个方案中，各成员对象只分享了模型训练后的参数，而敏感性较强的网络入侵样本数据在本地不出域，从而保护隐私性。
1.一种基于联邦学习的数据处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，
4.根据权利要求1所述的方法，其特征在于，
5.根据权利要求1所述的方法，其特征在于，
6.根据权利要求1至5任一项所述的方法，其特征在于，
7.根据权利要求1至5任一项所述的方法，其特征在于，
8.一种联邦学习系统，包括：赋能成员对象和多个非赋能成员对象；其中，
9.一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
