-
公开(公告)号：CN107800688B
公开(公告)日：2020-04-10
申请号：CN201710895786.1
申请日：2017-09-28
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于收敛加密的云端数据去重和完整性审计方法。该方法一方面基于盲签名的收敛密钥封装/解封算法，在安全存储收敛密钥的同时可以实现收敛密钥去重，另一方面基于收敛密钥的BLS签名算法，利用可信第三方TTP存储审计公钥并代理审计，实现了对审计签名和审计公钥的去重，具体步骤为：系统初始化；密钥初始化；文件初始化；认证证据初始化；密钥封装；数据存储；重复挑战；重复响应；重复认证；请求审计；代理审计；审计响应；审计认证；文件下载。本发明提高了云存储空间利用率，实现了对审计签名和审计公钥的去重，降低了客户端存储和计算的成本。
-
公开(公告)号：CN106453276A
公开(公告)日：2017-02-22
申请号：CN201610845935.9
申请日：2016-09-23
Applicant: 南京理工大学
Abstract: 本发明提出一种基于单服务器的安全复合模指数外包计算方法，当用户想通过外包的方式解决模指数运算时，用户首先通过逻辑分割的方式来隐藏原始数据，然后将隐藏后原始数据即盲化数据发送给云服务器，云服务器收到盲化数据后，利用这些数据进行计算并将计算后的结果返回给用户，由用户验证云服务器返回的计算结果的正确性。本发明既避免了共谋攻击，又实现了输入信息和输出信息的隐私保护，并且提高了用户对外包计算结果的可验证概率。
-
公开(公告)号：CN107453879A
公开(公告)日：2017-12-08
申请号：CN201710691573.7
申请日：2017-08-14
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于单服务器的群上幂指数安全外包计算方法，首先通过逻辑分割算法对原始数据进行隐藏，然后将隐藏后的盲化数据发送给云服务器，云服务器收到盲化数据后，利用这些数据进行计算并将计算后的结果返回给用户，由用户验证云服务器返回的计算结果的正确性。本发明使云服务器在外包计算的过程中不能获得有关输入和输出任何敏感信息，并且提高了外包结果的可验证性。
-
公开(公告)号：CN110460600B
公开(公告)日：2021-09-03
申请号：CN201910746047.5
申请日：2019-08-13
Applicant: 南京理工大学
Abstract: 本发明提出一种可抵御生成对抗网络(GAN)攻击的联合深度学习方法，包括深度学习模型初始化；盲化服务器初始化；模型保护联合学习等步骤。通过结合矩阵盲化技术和随机梯度下降法，可以实现输入向量以及部分模型参数的盲化。本发明通过限制攻击者本地生成对抗网络的建模与更新，同时限制深度学习模型使用权等方式，允许分布式训练者在本地利用隐私数据集训练得到模型参数的梯度更新，每个训练者的梯度更新将由参数服务器聚合，实现系统模型的全局更新。本发明实现了对GAN攻击的抵御，保护了联合深度学习系统模型，极大平衡了模型准确率与训练数据隐私保护的要求。
-
公开(公告)号：CN107453879B
公开(公告)日：2020-04-21
申请号：CN201710691573.7
申请日：2017-08-14
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于单服务器的群上幂指数安全外包计算方法，首先通过逻辑分割算法对原始数据进行隐藏，然后将隐藏后的盲化数据发送给云服务器，云服务器收到盲化数据后，利用这些数据进行计算并将计算后的结果返回给用户，由用户验证云服务器返回的计算结果的正确性。本发明使云服务器在外包计算的过程中不能获得有关输入和输出任何敏感信息，并且提高了外包结果的可验证性。
-
Patent Agency Ranking
公开(公告)号：CN106453276B
公开(公告)日：2019-11-29
申请号：CN201610845935.9
申请日：2016-09-23
Applicant: 南京理工大学
Abstract: 本发明提出一种基于单服务器的安全复合模指数外包计算方法，当用户想通过外包的方式解决模指数运算时，用户首先通过逻辑分割的方式来隐藏原始数据，然后将隐藏后原始数据即盲化数据发送给云服务器，云服务器收到盲化数据后，利用这些数据进行计算并将计算后的结果返回给用户，由用户验证云服务器返回的计算结果的正确性。本发明既避免了共谋攻击，又实现了输入信息和输出信息的隐私保护，并且提高了用户对外包计算结果的可验证概率。
-
公开(公告)号：CN112600794A
公开(公告)日：2021-04-02
申请号：CN202011325674.0
申请日：2020-11-23
Abstract: 本发明公开了一种联合深度学习中检测生成对抗网络攻击的方法，包括：服务器和参与者发起联合深度学习模型训练任务，并完成联合深度学习模型的初始化；服务器模拟GAN攻击，获取样本数据；服务器通过深度神经网络，构建GAN攻击检测分类器并对其进行训练；将联合深度学习模型训练过程中的更新梯度通过层分类器进行特征提取，输入到检测GAN攻击总分类器进行预测，获得参与者上传的含有错误分类信息的恶意数据的概率。本发明将联合学习中参与者上传的更新梯度作为训练数据集，提取不同的特征，构建一个分类器识别并过滤含有错误分类信息的更新梯度，从而保护参与者的隐私和模型的安全。
-
公开(公告)号：CN107423637B
公开(公告)日：2020-07-31
申请号：CN201710641333.6
申请日：2017-07-31
Applicant: 南京理工大学
Abstract: 本发明提出了一种支持云上电子病历数据可追踪的完整性审计方法，包括以下步骤：(1)密钥生成；(2)副本生成；(3)标签生成；(4)授权生成；(5)挑战生成；(6)证据生成；(7)证据验证。本发明公开的方案，通过采取多副本存储方式，既为电子病历数据提供了隐私保护，又增强了其的耐用性与抗灾性。同时，通过设计一种新的数据结构，动态映射的哈希表(Dynamic mapping hash table，DMHT)，在有效支持数据动态的基础上，还为该系统提供了数据可追踪功能。此外，在保证系统安全性的条件下，降低了完整性设计过程中计算与通信开销，有效地提高了方法的效率。
-
公开(公告)号：CN110460600A
公开(公告)日：2019-11-15
申请号：CN201910746047.5
申请日：2019-08-13
Applicant: 南京理工大学
Abstract: 本发明提出一种可抵御生成对抗网络(GAN)攻击的联合深度学习方法，包括深度学习模型初始化；盲化服务器初始化；模型保护联合学习等步骤。通过结合矩阵盲化技术和随机梯度下降法，可以实现输入向量以及部分模型参数的盲化。本发明通过限制攻击者本地生成对抗网络的建模与更新，同时限制深度学习模型使用权等方式，允许分布式训练者在本地利用隐私数据集训练得到模型参数的梯度更新，每个训练者的梯度更新将由参数服务器聚合，实现系统模型的全局更新。本发明实现了对GAN攻击的抵御，保护了联合深度学习系统模型，极大平衡了模型准确率与训练数据隐私保护的要求。
-
公开(公告)号：CN107800688A
公开(公告)日：2018-03-13
申请号：CN201710895786.1
申请日：2017-09-28
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于收敛加密的云端数据去重和完整性审计方法。该方法一方面基于盲签名的收敛密钥封装/解封算法，在安全存储收敛密钥的同时可以实现收敛密钥去重，另一方面基于收敛密钥的BLS签名算法，利用可信第三方TTP存储审计公钥并代理审计，实现了对审计签名和审计公钥的去重，具体步骤为：系统初始化；密钥初始化；文件初始化；认证证据初始化；密钥封装；数据存储；重复挑战；重复响应；重复认证；请求审计；代理审计；审计响应；审计认证；文件下载。本发明提高了云存储空间利用率，实现了对审计签名和审计公钥的去重，降低了客户端存储和计算的成本。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.019 seconds)
