一种基于大模型的金融数据隐私保护方法及系统与流程

本技术涉及金融隐私保护，更具体地说，本技术涉及一种基于大模型的金融数据隐私保护方法及系统。

背景技术：

1、隐私保护是通过技术手段、政策和实践来确保个人或组织的信息在采集、存储、处理和传输过程中的安全性和隐私性，关键措施包括数据加密、访问控制、数据脱敏和差分隐私，数据加密利用对称和非对称算法确保敏感信息在传输和存储过程中的保密性，访问控制通过角色和属性基于模型限制数据访问权限，数据脱敏技术，如假名化和匿名化，防止泄漏数据被直接关联到个人；此外，联邦学习允许多个机构在不共享原始数据的情况下联合训练模型，提高数据利用率的同时保障隐私，通过这些技术措施和合规性策略，隐私保护在确保数据安全性的同时，提升了信息处理的透明度和信任度。

2、基于大模型的金融数据隐私保护是指在利用大规模预训练模型进行金融数据分析和处理时，采用多种隐私保护技术以确保数据的安全性和隐私性，主要技术包括联邦学习、动态加密和数据脱敏，联邦学习允许多个机构在不共享原始数据的情况下联合训练模型，同态加密支持在加密数据上执行计算，确保数据机密性，数据脱敏技术，如假名化和匿名化，防止数据泄露，对金融数据进行了有效的隐私保护，但在现有金融数据的隐私保护中，通常采用基于大模型的金融数据隐私处理方法对金融数据进行隐私保护，但是在此过程中常会出现大模型的计算资源消耗失衡和噪声影响会对金融数据的隐私预算造成保护迟滞，例如，过小的管理隐私预算会使得金融数据的噪声过大，影响金融数据的实用性，过大的管理隐私预算则使得难以实现充分的隐私保护，无法实现金融数据隐私保护时的动态隐私预算分配，进而导致金融数据隐私保护时的隐私保护适配能力降低，因此，如何实现金融数据隐私保护时的动态隐私预算分配，有效提高金融数据隐私保护时的隐私保护适配能力是业界面临的问题。

技术实现思路

1、本技术提供一种基于大模型的金融数据隐私保护方法及系统，可实现金融数据隐私保护时的动态隐私预算分配，有效提高金融数据隐私保护时的隐私保护适配能力。

2、第一方面，本技术提供一种基于大模型的金融数据隐私保护方法，包括如下步骤：

3、获取当前金融贸易中的金融数据；

4、对所述金融数据进行归类筛选，得到金融隐私数据簇，确定所述金融隐私数据簇中每个金融隐私数据的隐私敏感度；

5、获取所述金融隐私数据簇的历史隐私记录，通过所述历史隐私记录确定所述金融隐私数据簇在不同时间间隔内的隐私损失量，对各个隐私敏感度和所有的隐私损失量进行关联约束，得到金融隐私数据簇中各个金融隐私数据的关联隐私损失；

6、由所有的关联隐私损失和当前金融贸易中差分隐私模型的总隐私预算确定所述金融隐私数据簇的差分隐私约束，进而确定所述金融隐私数据在所述差分隐私约束下的差分隐私指数；

7、通过所述差分隐私指数和各个关联隐私损失确定所述金融隐私数据簇中每个金融隐私数据在历史金融贸易中的动态隐私界限；

8、基于所有动态隐私界限对当前金融贸易中的金融数据进行动态保护。

9、在一些实施例中，对所述金融数据进行归类筛选，得到金融隐私数据簇具体包括：

10、从所述金融数据中筛选出敏感信息；

11、根据所述敏感信息对所述金融数据进行识别，得到多个金融隐私数据；

12、将所有的金融隐私数据进行归类，得到金融隐私数据簇。

13、在一些实施例中，确定所述金融隐私数据簇中每个金融隐私数据的隐私敏感度具体包括：

14、确定所述金融隐私数据簇的隐私敏感度标准；

15、根据所述隐私敏感度标准对所述金融隐私数据簇中每个金融隐私数据进行敏感度评估，进而得到所述金融隐私数据簇中每个金融隐私数据的隐私敏感度。

16、在一些实施例中，通过所述历史隐私记录确定所述金融隐私数据簇在不同时间间隔内的隐私损失量具体包括：

17、根据所述历史隐私记录确定所述金融隐私数据簇的隐私状态聚合值；

18、确定所述金融数据簇在不同时间间隔的隐私状态离散值；

19、根据所述隐私状态离散值和所述隐私状态聚合值确定所述金融隐私数据簇在不同时间间隔内的隐私损失量。

20、在一些实施例中，由所有的关联隐私损失和当前金融贸易中差分隐私模型的总隐私预算确定所述金融隐私数据簇的差分隐私约束具体包括：

21、根据所有的关联隐私损失确定所述金融隐私数据簇的松弛因子；

22、由当前金融贸易中差分隐私模型的总隐私预算确定所述金融隐私数据簇中相邻数据集间的差分隐私量；

23、根据所述松弛因子和所述差分隐私量确定所述金融隐私数据簇的差分隐私约束。

24、在一些实施例中，确定所述金融隐私数据在所述差分隐私约束下的差分隐私指数具体包括：

25、确定所述金融隐私数据的原始数据效用；

26、确定所述金融隐私数据在所述差分隐私约束下的隐私保护量；

27、根据所述原始数据效用和所述隐私保护量确定所述金融隐私数据在所述差分隐私约束下的差分隐私指数。

28、在一些实施例中，通过金融机构应用程序编程接口和市场数据应用程序编程接口获取当前金融贸易中的金融数据。

29、第二方面，本技术提供一种基于大模型的金融数据隐私保护系统，包括：

30、获取模块，用于获取当前金融贸易中的金融数据；

31、处理模块，用于对所述金融数据进行归类筛选，得到金融隐私数据簇，确定所述金融隐私数据簇中每个金融隐私数据的隐私敏感度；

32、所述处理模块，还用于获取所述金融隐私数据簇的历史隐私记录，通过所述历史隐私记录确定所述金融隐私数据簇在不同时间间隔内的隐私损失量，对各个隐私敏感度和所有的隐私损失量进行关联约束，得到金融隐私数据簇中各个金融隐私数据的关联隐私损失；

33、所述处理模块，还用于由所有的关联隐私损失和当前金融贸易中差分隐私模型的总隐私预算确定所述金融隐私数据簇的差分隐私约束，进而确定所述金融隐私数据在所述差分隐私约束下的差分隐私指数；

34、所述处理模块，还用于通过所述差分隐私指数和各个关联隐私损失确定所述金融隐私数据簇中每个金融隐私数据在历史金融贸易中的动态隐私界限；

35、执行模块，用于基于所有动态隐私界限对当前金融贸易中的金融数据进行动态保护。

36、第三方面，本技术提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有代码，所述处理器被配置为获取所述代码，并执行上述的基于大模型的金融数据隐私保护方法。

37、第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于大模型的金融数据隐私保护方法。

38、本技术公开的实施例提供的技术方案具有以下有益效果：

39、本技术提供的基于大模型的金融数据隐私保护方法及系统，首先，获取当前金融贸易中的金融数据；接着，对所述金融数据进行归类筛选，得到金融隐私数据簇，确定所述金融隐私数据簇中每个金融隐私数据的隐私敏感度；其次，获取所述金融隐私数据簇的历史隐私记录，通过所述历史隐私记录确定所述金融隐私数据簇在不同时间间隔内的隐私损失量，对各个隐私敏感度和所有的隐私损失量进行关联约束，得到金融隐私数据簇中各个金融隐私数据的关联隐私损失；再次，由所有的关联隐私损失和当前金融贸易中差分隐私模型的总隐私预算确定所述金融隐私数据簇的差分隐私约束，进而确定所述金融隐私数据在所述差分隐私约束下的差分隐私指数；然后，通过所述差分隐私指数和各个关联隐私损失确定所述金融隐私数据簇中每个金融隐私数据在历史金融贸易中的动态隐私界限；最后，基于所有动态隐私界限对当前金融贸易中的金融数据进行动态保护。

40、由此可见，本技术中，可实现金融数据隐私保护时的动态隐私预算分配，从而有效提高金融数据隐私保护时的隐私保护适配能力，首先，由所有的关联隐私损失和当前金融贸易中差分隐私模型的总隐私预算确定金融隐私数据簇的差分隐私约束，以确保每个金融数据簇在数据隐私保护过程中不会超出可接受的隐私泄露限度，从而保护数据主体的隐私；然后，为保护特定金融隐私数据而付出的隐私保护程度，进而通过差分隐私指数和各个关联隐私损失确定金融隐私数据簇中每个金融隐私数据在历史金融贸易中的动态隐私界限，以实现动态隐私预算分配，能够灵活调整隐私保护策略，提高隐私保护的适配能力，从而在确保数据隐私安全的同时，最大化数据的实用性和效用；进一步精确控制隐私泄露风险、提高数据效用、优化资源分配、增强适应性和灵活性；最后，通过动态隐私界限对当前金融贸易中的金融数据进行动态保护；综上所述，本技术提供的方案可在金融数据隐私保护过程中的隐私预算产生保护迟滞时对金融数据进行动态隐私预算分配，从而提高金融数据隐私保护时的隐私保护适配能力。