1.一种数据隐私保护方法,其特征在于,包括:获取原始数据集,提取高敏感字段并计算其与其他字段之间的相关性,确定高关联性字段组合;
针对所述高关联性字段组合进行智能分割并分散存储,构建分布式哈希表索引;所述智能分割为根据预设规则将高关联性字段组合分割成多个子集;
通过联邦学习框架实现全局模型参数的加密聚合与异步更新;
针对所述高关联性字段组合构造对抗样本,训练隐私保护防御模型;
对所述高敏感字段进行差分隐私扰动处理;
实时计算所述高关联性字段组合的关联风险指数,生成关联风险分析报告;
根据所述关联风险分析报告动态调整数据分割策略,优化本地模型训练样本选择;
若所述关联风险指数超过预设安全阈值,触发差分隐私去关联化处理流程的自适应更新;
通过联邦对抗学习网络与差分隐私去关联化处理流程的协同交互,持续优化数据分割存储机制。
2.如权利要求1所述的方法,其特征在于,所述获取原始数据集并确定高关联性字段组合,包括:从所述原始数据集中提取身份证号、手机号作为高敏感字段;
计算所述高敏感字段与其他字段之间的Pearson相关系数矩阵;
根据所述Pearson相关系数矩阵,确定关联系数大于预设阈值的高关联性字段组合。
3.如权利要求1所述的方法,其特征在于,针对所述高关联性字段组合进行智能分割并分散存储,包括:采用Apriori算法对所述高关联性字段组合进行分析;
根据最小支持度和最小置信度要求,对所述高关联性字段组合进行智能分割;
将分割后的数据分散存储到不同的数据节点中;
基于所述分散存储的数据构建分布式哈希表索引。
4.如权利要求1所述的方法,其特征在于,所述通过联邦学习框架实现全局模型参数的加密聚合与异步更新,包括:在参与方本地初始化CNN卷积神经网络模型参数;
通过FederatedAveraging框架实现所述CNN卷积神经网络模型参数的加密聚合;
对所述CNN卷积神经网络模型参数进行异步更新。
5.如权利要求1所述的方法,其特征在于,针对所述高关联性字段组合构造对抗样本,训练隐私保护防御模型,包括:基于所述高关联性字段组合构造面向Member推理攻击的对抗样本;
在训练过程中引入梯度惩罚项;
通过所述对抗样本和梯度惩罚项训练隐私保护防御模型。
6.如权利要求1所述的方法,其特征在于,对所述高敏感字段进行差分隐私扰动处理,包括:采用最大均值差异化方法对所述原始数据进行特征变换;
基于Laplace机制生成差分隐私随机噪声;
利用所述差分隐私随机噪声对所述高敏感字段进行扰动处理。
7.如权利要求1所述的方法,其特征在于,所述实时计算高关联性字段组合的关联风险指数并生成关联风险分析报告,包括:基于信息熵原理计算所述高关联性字段组合的关联风险指数;
根据所述关联风险指数生成数据关联风险分析报告;
将所述数据关联风险分析报告作为后续动态调整的依据。
8.如权利要求1所述的方法,其特征在于,根据所述关联风险分析报告动态调整数据分割策略,优化本地模型训练样本选择,包括:根据所述关联风险分析报告调整数据分割粒度和分割维度;
重新计算字段分布均衡性指标;
通过迁移学习方法优化本地模型训练样本选择策略。