-
公开(公告)号：CN110263570A
公开(公告)日：2019-09-20
申请号：CN201910387357.2
申请日：2019-05-10
Applicant: 电子科技大学 , 国家计算机网络与信息安全管理中心
IPC: G06F21/62 , G06F21/30 , G06F16/9532 , G06F16/9535 , H04L9/06 , H04L9/08 , H04L29/06 , H04L29/08
Abstract: 本发明属于信息安全技术领域，具体提供一种实现高效相似性查询和访问控制的基因数据脱敏方法，其有效支持密文环境下大规模基因数据的相似性查询，同时支持复杂的逻辑查询以满足用户个性化的查询需求，该方法授权方式灵活，可对不同的数据授予不同的访问权限，并在查询过程中实现对用户的数据访问权限的可靠控制，此外，本发明采用特定的哈希函数压缩数据，显著减少密文状态下匹配的元素数量，进一步提高查询检索效率。
-
公开(公告)号：CN110263570B
公开(公告)日：2020-09-25
申请号：CN201910387357.2
申请日：2019-05-10
Applicant: 电子科技大学 , 国家计算机网络与信息安全管理中心
IPC: G06F21/62 , G06F21/30 , G06F16/9532 , G06F16/9535 , H04L9/06 , H04L9/08 , H04L29/06 , H04L29/08
Abstract: 本发明属于信息安全技术领域，具体提供一种实现高效相似性查询和访问控制的基因数据脱敏方法，其有效支持密文环境下大规模基因数据的相似性查询，同时支持复杂的逻辑查询以满足用户个性化的查询需求，该方法授权方式灵活，可对不同的数据授予不同的访问权限，并在查询过程中实现对用户的数据访问权限的可靠控制，此外，本发明采用特定的哈希函数压缩数据，显著减少密文状态下匹配的元素数量，进一步提高查询检索效率。
-
公开(公告)号：CN119276459A
公开(公告)日：2025-01-07
申请号：CN202411529654.3
申请日：2024-10-30
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于NTRU的批量化环上乘法三元组生成方法，首先基于判定型NTRU困难问题设计同态加密方案，然后提出两方的批量化环上乘法三元组生成协议，协议的参与方P0、P1各自在整数环上随机选取秘密份额向量，P0选取 0, 0，P1选取 1, 1，P0生成实例化同态加密方案，通过打包编码和加密生成两个密文，将公共参数、公钥和密文发送给另一个参与方P1，P1在模数更大的环上选择一个n维随机数向量r作为掩码，在加密状态下计算出 0· 1+ 1· 0+r的密文ctd，并将ctd发送给参与方P0，参与方P1、P0利用打包解码和SIMD技术，执行同态计算和解密操作后，参与方P0得到向量a和b元素乘积的份额 0，参与方P1得到乘积的另一个份额 1。本发明方案具有更高的计算和通信效率，并具有抗量子安全性。
-
公开(公告)号：CN118035389A
公开(公告)日：2024-05-14
申请号：CN202410433270.5
申请日：2024-04-11
Applicant: 电子科技大学
IPC: G06F16/33 , G06F40/211 , G06F40/253 , G06N3/098
Abstract: 本发明公开了一种联邦学习系统中的大语言模型训练数据恢复方法，属于联邦学习技术领域。本发明首先截获客户端向服务器上传的梯度，以及截获服务器向客户端下发的全局大语言模型，从而基于全局大语言模型和梯度恢复出客户端的私有训练数据。在恢复处理时，本发明通过直接操作令牌级别的信息，减少了复杂度，并保证了整个恢复过程中重建的文本始终保持语法的正确性；同时通过使用辅助大语言模型，不仅优化了重建文本的语法结构，还保障了重建过程中的每一步都生成合乎语法规则的句子，从而显著提升数据恢复的恢复质量；本发明还利用辅助的大语言模型维持句子的语法正确性，以避免在巨大嵌入空间内进行无目的搜索，实现高效和准确的文本数据恢复。
-
公开(公告)号：CN116471051A
公开(公告)日：2023-07-21
申请号：CN202310283158.3
申请日：2023-03-22
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于不经意传输协议的安全多方数据排序方法，首先，各参与方在离线阶段生成系统参数；其次，各参与方执行隐私保护的多方排序生成排序请求；而后，云服务器收到来自各参与方的排序请求，执行加密多项式的聚合；最后，参与方收到来自云服务器的密文，恢复参与方的私有数据集相对应的排序结果。本发明编码算法可以将一个数据集编码成一个多项式，实现对不同数据集的排序。根据编码方法提出了保护隐私的多方多数据排序方案。每个参与者都可以以隐私保护的方式得到其数据的排序后果，各参与方的数据及相应的排序结果不受其他各方的保护，实现了有效的通信以及计算。
-
Patent Agency Ranking
公开(公告)号：CN115438753A
公开(公告)日：2022-12-06
申请号：CN202211366378.4
申请日：2022-11-03
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于生成的衡量联邦学习协议数据安全性的方法，属于联邦学习的隐私安全技术领域。本发明借由辅助数据集和被测联邦学习模型，提前训练生成器；使用该生成器，借由模拟用户产生的梯度，重构用户数据。最终通过计算模拟用户真实数据和借由梯度重构的重构数据之间的相似度，来衡量被测联邦学习模型的安全性。本发明只需对用户梯度进行简单处理，即可送入生成器直接生成用户的重构数据，该生成过程本身耗时极短。而生成器本身在联邦学习一个更新轮次中可以反复使用，做到“训练一次，多次使用”，从而大大降低了梯度泄露的总体时间开销。同时，本发明无需对模型权重进行修改，因而兼顾了隐蔽性。
-
公开(公告)号：CN113541921B
公开(公告)日：2022-06-10
申请号：CN202110708084.4
申请日：2021-06-24
Applicant: 电子科技大学
Abstract: 本发明涉及信息安全领域，具体是一种利用GPU来实现全同态加密的方法，包括步骤1、利用CUDA cuRAND在GPU上生成密钥所需的随机多项式；步骤2、构造密钥生成的CUDA实例化图，执行密钥生成的CUDA实例化图，最后将CUDA实例化图的输出内存中的数据拷贝至保存密钥的对象中；步骤3、加密过程；步骤4、解密过程；步骤5、输入两个密文ct0,ct1，计算ctadd；步骤6、计算同态乘法过程中需要扩充的模数集合以及两个额外的冗余模数；步骤7、构造同态乘法的CUDA实例化图，将需要进行乘法运算的密文拷贝至同态乘法的CUDA实例化图的输入内存中，执行同态乘法的CUDA实例化图，最后将CUDA实例化图的输出内存中的数据拷贝至保存乘法结果的对象中，解决了任务执行过程中对GPU资源利用率低的问题。
-
公开(公告)号：CN113792856A
公开(公告)日：2021-12-14
申请号：CN202111058809.6
申请日：2021-09-09
Applicant: 电子科技大学
Abstract: 本发明公开了基于VAE医疗保健联邦学习框架的确定方法，涉及计算机科学、机器学习以及联邦学习技术领域，解决基于联邦学习的医疗保健领域的三个挑战，第一，数据分布非IID导致的最终模型性能降低以及收敛速度慢的问题。第二，医疗数据的正负样本分布不均衡导致的模型偏差较大的问题。第三，联邦学习下所消耗的通信带宽过大导致的难以实际部署的问题。我们先在联邦学习框架下训练两个轻量级的VAE，然后将训练好的VAE分发给所有的节点用于更新自己的本地数据，而更新后的本地数据具有的特点就是数据都是低维且分布具有相似性并且类别是均衡的。最后再利用这样的数据对异常检测模型进行训练。
-
公开(公告)号：CN113541921A
公开(公告)日：2021-10-22
申请号：CN202110708084.4
申请日：2021-06-24
Applicant: 电子科技大学
Abstract: 本发明涉及信息安全领域，具体是一种全同态加密GPU高性能实现方法，包括步骤1、利用CUDA cuRAND在GPU上生成密钥所需的随机多项式；步骤2、构造密钥生成的CUDA实例化图，执行密钥生成的CUDA实例化图，最后将CUDA实例化图的输出内存中的数据拷贝至保存密钥的对象中；步骤3、加密过程；步骤4、解密过程；步骤5、输入两个密文ct0，ct1，计算ctadd；步骤6、计算同态乘法过程中需要扩充的模数集合以及两个额外的冗余模数；步骤7、构造同态乘法的CUDA实例化图，将需要进行乘法运算的密文拷贝至同态乘法的CUDA实例化图的输入内存中，执行同态乘法的CUDA实例化图，最后将CUDA实例化图的输出内存中的数据拷贝至保存乘法结果的对象中，解决了任务执行过程中对GPU资源利用率低的问题。
-
公开(公告)号：CN107241182B
公开(公告)日：2020-10-13
申请号：CN201710513628.5
申请日：2017-06-29
Applicant: 电子科技大学
Abstract: 本发明涉及一种基于向量同态加密的隐私保护层次聚类方法，解决的是将层次聚类分析迁移至云上后产生的数据隐私有泄露风险的技术问题，通过采用方法包括：(1)聚类分析开始，客户端接收待聚类向量组；(2)使用向量同态加密方法对待聚类向量组进行加密，得到密文向量组；(3)根据密钥交换矩阵N与比特扩展矩阵W定义中间矩阵H；(4)将中间矩阵H与密文向量组进行聚类分析；(5)聚类服务器将聚类分析完成的密文向量组发送回客户端，由客户端使用密钥矩阵S进行解密，根据各个向量的标签组合得到聚类结果的技术方案，较好的解决了该问题，可用于向量类型判断中。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.059 seconds)
