科技创新要素正在同盾科技不断落地

随着长期不辍地在新兴科技领域的潜心研发，科技创新要素正在同盾科技不断落地，继上月知识联邦“抗疫技术”后，同盾科技人工智能研究院研发的“面向行为分析的元知识联邦技术”再次获得国家专利授权。而这背后，同盾专利申请量正在画出一个陡峭上升的曲线。

该专利旨在解决如何在不触碰用户隐私的基础上，来更好实现用户行为分析的目的。以最常用的金融场景来说，当用户在手机端登陆一些银行的app的时候，需要先输入密码，但是银行无法确认是否为本人操作，如果加上行为认证的步骤，就基本可以检验成功，这会大大增加安全性。但是，如果在传统技术逻辑下，用户行为特征会触碰到用户隐私的敏感神经，金融机构没有办法针对特定用户收集到对应的样本，这个时候“面向行为分析的元知识联邦技术”就可以派上用场了，它通过”元学习+知识联邦“的模式，可以在保证敏感数据安全的前提下，打破数据孤岛让信息与知识充分的流通起来。

当前，随着全社会信息化程度的不断提升和5G移动网络的普及，人们许多的工作和生活方式都从线下搬到了线上，比如购物、办理银行业务等。这样势必会引起人们对诸如个人敏感信息泄漏、银行账户被盗等安全问题的担忧;而通过对用户的行为进行认证可以很好的保障用户的账户安全。

通常可以用来认证的用户行为包括：用户敲击键盘的行为、点击鼠标的行为、在移动端的触屏行为。现有行为认证方法通常是在服务器端通过一些机器学习（SVM、决策树等）或者深度学习（CNN、全联接网络等）的方法进行模型训练。

那么问题来了：一是这需要用来训练模型的行为数据量比较大，通常情况下比较难以满足;二是用户行为数据是敏感数据，如果需要上传到服务器端将存在数据安全问题。

尽管我们处在大数据时代，但在具体现实场景中，对企业最有价值的那部分数据，小而分散才是常态。如何用小数据实现大智能，同时在整个过程中又保证数据的绝对安全，一直以来都是困扰行业已久的问题。针对此，同盾推出了”面向行为分析的元知识联邦“技术，创新性提出元学习+知识联邦的模式。

具体来说，通过元学习让模型学到元知识来解决数据量小的问题。通过知识联邦来解决数据安全的问题，同时在服务器端的知识汇聚以及反馈来进一步提升认证模型的效果。初始时服务器端会向各个客户端发送一个基础的行为认证模型。每个客户端根据自己所有的行为数据以及这个基础模型通过元学习的方式得到对应的行为元知识，对元知识进行加密，并传输给服务器端。服务器端在收到了各个客户端传输过来的元知识之后，对这些元知识进行汇聚，并将汇聚后新的元知识再次加密后反馈给客户端，客户端根据汇聚后的元知识来更新本地模型。