本申请涉及信息安全，尤其涉及基于并行深度神经网络的隐私泄露检测方法。
背景技术：
1、随着物联网的快速发展，物联网设备（如智能家居、智能手表等设备）的数量也不断增长，攻击者（如黑客）就开始关注并利用这些物联网设备发动攻击以从物联网设备中获取敏感信息或者隐私信息，这样就会造成敏感信息或者隐私信息的泄露，影响物联网设备的信息安全。因此，如何检测物联网设备是否存在隐私泄露是当前亟待解决的技术问题。
技术实现思路
1、有鉴于此，本申请提供了基于并行深度神经网络的隐私泄露检测方法，以实现物联网设备隐私泄露的检测，保证物联网设备的信息安全。
2、本申请实施例提供一种基于并行深度神经网络的隐私泄露检测方法，该方法应用于电子设备，该方法包括：
3、获得隐私数据集；隐私数据集包括多条网络流分别对应的隐私样本数据；任一网络流是在有隐私数据的业务功能被触发时发起的；
4、从隐私数据集的每一隐私样本数据中提取至少一个敏感信息类别下的敏感隐私特征，以得到该隐私样本数据对应的敏感隐私特征向量；
5、基于各隐私样本数据对应的敏感隐私特征向量，控制本设备上n个中央处理器（central processing unit，cpu）内核并行训练出对应的深度神经网络（deep neuralnetwork，dnn）模型；任一cpu内核对应的dnn模型中，输入层上的节点数与敏感隐私特征向量中特征值的数量对应，以及，输出层上的节点数与敏感信息类别的数量对应；不同cpu内核使用的用于训练dnn模型的优化器不同；n大于1；
6、其中，n个cpu内核对应的dnn模型用于，当任一检测设备需要检测任一目标网络流时，由该检测设备基于本检测设备中处于空闲的m个cpu内核，从n个cpu内核对应的dnn模型中选择该m个cpu内核分别匹配的dnn模型，并由该m个cpu内核分别使用匹配的dnn模型对目标网络流进行物联网隐私泄露检测，并基于m个检测结果确定目标预测结果；目标预测结果指示了目标网络流是否出现隐私泄露，m大于1且小于或等于n；当m小于n时，任一cpu内核匹配的dnn模型是由与该cpu内核架构相同的cpu内核训练且在当前剩下的所有dnn模型中模型精度最大。
7、本申请实施例还提供一种基于并行深度神经网络的隐私泄露检测装置，该装置应用于电子设备，该装置包括：
8、获得模块，用于获得隐私数据集；隐私数据集包括多条网络流分别对应的隐私样本数据；任一网络流是在有隐私数据的业务功能被触发时发起的；
9、提取模块，用于从隐私数据集的每一隐私样本数据中提取至少一个敏感信息类别下的敏感隐私特征，以得到该隐私样本数据对应的敏感隐私特征向量；
10、训练模块，用于基于各隐私样本数据对应的敏感隐私特征向量，控制本设备上n个cpu内核并行训练出对应的dnn模型；任一cpu内核对应的dnn模型中，输入层上的节点数与敏感隐私特征向量中特征值的数量对应，以及，输出层上的节点数与敏感信息类别的数量对应；不同cpu内核使用的用于训练dnn模型的优化器不同；n大于1；
11、其中，n个cpu内核对应的dnn模型用于，当任一检测设备需要检测任一目标网络流时，由该检测设备基于本检测设备中处于空闲的m个cpu内核，从n个cpu内核对应的dnn模型中选择该m个cpu内核分别匹配的dnn模型，并由该m个cpu内核分别使用匹配的dnn模型对目标网络流进行物联网隐私泄露检测，并基于m个检测结果确定目标预测结果；目标预测结果指示了目标网络流是否出现隐私泄露，m大于1且小于或等于n；当m小于n时，任一cpu内核匹配的dnn模型是由与该cpu内核架构相同的cpu内核训练且在当前剩下的所有dnn模型中模型精度最大。
12、本申请实施例还提供一种电子设备，该电子设备包括：
13、处理器；以及
14、计算机可读存储介质，在该计算机可读存储介质中存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上方法的步骤。
15、本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，该计算机程序指令在被处理器运行时使得处理器执行如上方法中的步骤。
16、由以上技术方案可以看出，本申请实施例中，先从获得的隐私数据集的每一隐私样本数据中提取敏感隐私特征以得到该隐私样本数据对应的敏感隐私特征向量；之后，由本设备上n个cpu内核基于各隐私样本数据对应的敏感隐私特征向量并行训练出对应的dnn模型，以当任一检测设备需要检测任一目标网络流时利用已训练出的dnn模型检测该目标网络流是否出现隐私泄露，这样实现了物联网设备隐私泄露的检测，保证了物联网设备的信息安全。
17、进一步地，本申请实施例中由n个cpu内核并行训练多个dnn模型，且各dnn模型共享同一份训练数据，以及共享同一份输入层参数和输出层参数也即输入层和输出层上的节点数配置，这样不仅能够使得各dnn模型之间的模型参数不会相互影响，避免dnn模型间的耦合，同时也无需对各dnn模型进行复杂的集成学习，从而降低模型训练的计算复杂度和缩短模型训练时间，还能够使得模型训练所需参数的数量大幅减少，从而降低模型训练所需参数对内存的占用；基于此，本实施例中不同cpu内核使用的用于训练dnn模型的优化器不同，这样能够降低dnn模型对单个优化器选择的影响，减少各dnn模型间的依赖，从而有效提高各dnn模型的性能，进而提高物联网隐私泄露检测的准确性。
18、再进一步地，本申请实施例中，利用检测设备中的所有空闲cpu内核，基于从已训练出的各dnn模型中所选择的与各空闲cpu内核匹配的dnn模型对目标网络流进行隐私泄露检测，以基于各空闲cpu内核对应的检测结果综合确定该目标网络流是否存在隐私泄露检测，这样不仅能够充分利用检测设备的cpu内核资源以避免资源浪费，还能够进一步提高网络流的隐私泄露检测的准确性。
1.一种基于并行深度神经网络的隐私泄露检测方法，其特征在于，所述方法应用于电子设备，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述从所述隐私数据集的每一隐私样本数据中提取至少一个敏感信息类别下的敏感隐私特征，以得到该隐私样本数据对应的敏感隐私特征向量包括：
3.根据权利要求1所述的方法，其特征在于，各隐私样本数据对应的敏感隐私特征向量中特征值的数量相同；
4.根据权利要求1所述的方法，其特征在于，所述从所述n个cpu内核对应的dnn模型中选择该m个cpu内核分别匹配的dnn模型包括：
5.根据权利要求1所述的方法，其特征在于，所述检测结果指示了所述目标网络流属于已配置的至少一个敏感信息类别下的预测概率值；
6.根据权利要求1所述的方法，其特征在于，所述n个cpu内核中至少两个cpu内核的架构不同。
7.一种基于并行深度神经网络的隐私泄露检测装置，其特征在于，所述装置应用于电子设备，所述装置包括：
8.根据权利要求7所述的装置，其特征在于，
9.一种电子设备，其特征在于，该电子设备包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1至6任一所述方法中的步骤。
