-
公开(公告)号：CN119483905A
公开(公告)日：2025-02-18
申请号：CN202411843481.2
申请日：2024-12-14
Applicant: 北京理工大学 , 北京数缘科技有限公司
IPC: H04L9/00 , H04L9/30 , G06F18/213 , G06F18/23 , G06F18/24
Abstract: 本公开涉及信息安全密码领域，并且更具体地，涉及一种基于流形学习的密码算法侧信道分析方法，首先，采集运行密码算法设备的能量信息，对采集的能量迹进行分析，定位执行与密钥相关的关键操作位置，并将其分割成若干操作段。然后，应用流形学习算法对操作段进行特征提取，将高维波形空间的操作段映射到低维特征空间。最后，采用层次聚类算法对特征点进行分类，根据分类结果恢复关键操作类型，最终得到密钥，实现对密码算法的自动化侧信道分析。
-
公开(公告)号：CN119382868A
公开(公告)日：2025-01-28
申请号：CN202411235710.2
申请日：2024-09-04
Applicant: 北京理工大学
Abstract: 本申请提供一种基于跨链技术的联邦学习隐私保护方法，通过密钥授权中心为客户端与聚合器分发独立的加密密钥及解密密钥，从而提高了数据的安全性。客户端对本地模型进行加密后再上传至服务器，在聚合器下载加密模型时，需要先对加密模型是否被篡改进行验证后再进行部分解密，从而确保待聚合的加密模型内数据的准确性及安全性；通过聚合器对加密模型进行部分解密并进行聚合，从而使聚合器无法访问加密模型内全部数据，避免了加密模型的训练数据被从聚合器中还原；客户端再对从服务器下载的部分解密全局模型进行聚合，从而使客户端不能接触到其他客户端训练模型使用的原始数据，提高联邦学习的隐私性。
-
公开(公告)号：CN119316125A
公开(公告)日：2025-01-14
申请号：CN202411198930.2
申请日：2024-08-29
Applicant: 北京理工大学 , 北京数缘科技有限公司
IPC: H04L9/08 , H04L9/06 , H04L9/00 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种基于有监督对比学习的密码侧信道分析方法，属于信息安全技术领域，应用于密码侧信道分析中。本发明实现方法为：1、以建模波形和密钥相关中间变量构建建模数据集；2、将分析能量波形和明文构建分析数据集；3、构建神经网络模型，使用建模数据集对神经网络进行训练，利用有监督对比损失函数对神经网络训练过程进行优化；4、通过循环迭代使神经网络达到拟合；5、将概率乘积最大的猜测密钥作为实际密钥。本发明方法，可以提取密钥相关中间变量信息相关联的同类能量波形之间的相似性信息，利用更少的能量波形恢复实际密钥，恢复密钥的准确率更高，高效利用能量波形的有效信息，进一步提高基于神经网络的侧信道分析方法性能。
-
公开(公告)号：CN119067660A
公开(公告)日：2024-12-03
申请号：CN202410983373.9
申请日：2024-07-22
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于关键字流量识别的加密货币辅助监管方法，属于区块链监管技术领域。本发明结合区块链网络的数据信息和网络节点的通信功能，首先收集流量数据，根据通信协议提取其中的关键字特征，并将特定字段与加密货币的类别进行匹配，得到流量对应类别的初步判断结果。然后根据初步判断的目标加密货币的通信协议创建模拟数据包，并与目标节点建立连接，发送数据包，接收并解析返回的数据包，分析其中的关键信息，以验证判断结果并确定目标节点的类型。将该节点及其信息标签化存储至数据库，持续监测并定期更新节点标签。本发明实现了针对加密货币流量的高效识别，增强了监管平台对加密货币的监管效能。
-
公开(公告)号：CN113934374B
公开(公告)日：2024-12-03
申请号：CN202111193595.3
申请日：2021-10-13
Applicant: 北京理工大学
Abstract: 本发明公开的一种基于遗传算法的区块链多副本分配和存储方法，属于区块链系统技术领域。本发明实现方法为：通过对区块使用多副本机制进行分配和存储，降低区块链中新节点加入的存储空间要求门槛，使得整体区块链系统所需的存储空间减少；且使用基于遗传算法的多副本分配和存储优化算法，在多重资源约束的条件下，为区块链上的所有区块生成最优的分配与存储位置；通过设置精英制度和基于存储节点筛选表的交叉算子和突变算子，遗传算法得到近似最优的分配和存储方案，生成分配方案后由对应的节点负责实际的存储工作，从而降低区块链系统的整体能源损耗；区块链系统会定期地根据全局状态使用遗传优化算法调整区块的分配位置，能够有效提升区块链中区块查询事件的效率。
-
Patent Agency Ranking
公开(公告)号：CN118708597B
公开(公告)日：2024-11-19
申请号：CN202411203401.7
申请日：2024-08-30
Applicant: 国网山东省电力公司电力科学研究院 , 北京理工大学 , 国网山东省电力公司
Abstract: 本发明属于数据存储技术领域，本发明提供了一种基于区块链链上链下的电力数据存储方法及系统，包括：本发明通过对待存储电力数据的划分，保障重要数据存储安全性的同时，降低区块链的存储压力，基于区块链存储容量无法满足电力数据的存储时，通过数据哈希值分析，实现数据存储的优化，进一步减轻区块链的存储压力，基于将所有数据的哈希值在链上存储，将所有数据在链下存储时，区块链仍无法满足存储需求，则通过Merkle树实现哈希值的合并，得到根哈希值，本发明在区块链无法满足电力数据的存储需求以及所有电力数据的哈希值的存储需求时，进行哈希值的合并处理，在有限的存储空间内实现区块链对电力数据的存储。
-
公开(公告)号：CN118967316A
公开(公告)日：2024-11-15
申请号：CN202410958316.5
申请日：2024-07-17
Applicant: 北京理工大学
Abstract: 本发明属于跨区块链交易数据审计技术领域，提供一种面向跨区块链的数据交易审计方法，该方法所适用的数据发送者和数据接收者分处于不同的区块链中，其特征在于，包括以下五个环节：参数初始化、数据预处理、数据正确性审计、数据完整性审计以及数据解密；利用双线性映射与密码学难题的理论基础，构建一个高效且安全的数据审计框架。此框架通过分块验证确保数据正确性，使用对称加密技术保护交易数据隐私，同时在中继链上记录审计轨迹，确保审计过程的透明性和不可篡改性。
-
公开(公告)号：CN118965417A
公开(公告)日：2024-11-15
申请号：CN202410776703.7
申请日：2024-06-17
Applicant: 北京理工大学
IPC: G06F21/62 , G06N3/0499 , G06N3/084 , G06N3/098 , G06V10/764 , G06V10/82 , H04L9/00 , H04L9/08
Abstract: 本发明涉及一种可验证纵向联邦学习隐私保护方法，属于联邦学习技术领域。本发明包括步骤：1、构建初始化模型；2、对参与方Z实现训练数据的样本对齐；3、可信第三方向参与方Z分发加密密钥对；4、参与方Z执行本地模型前向训练得到中间结果；5、参与方Z将中间结果经过同态加密后进行互换，进而，得到互换中间结果；6、计算本地模型梯度；7、计算验证集损失函数与贡献值；8、本地模型反向模型更新训练；9、重复步骤4至步骤8，直到训练停止。本发明提出一种可验证纵向联邦学习隐私保护方法用于提升模型的性能。通过在训练的过程中，使用夏普利值来计算被动方的贡献值，进而验证被动方本地模型的性能，提升全局模型的准确率。
-
公开(公告)号：CN118965416A
公开(公告)日：2024-11-15
申请号：CN202410776614.2
申请日：2024-06-17
Applicant: 北京理工大学
IPC: G06F21/62 , G06N3/0499 , G06N3/084 , G06N3/098 , G06V10/764 , G06V10/82
Abstract: 本发明涉及去中心化纵向联邦学习隐私保护方法，属于机器学习技术领域。本发明包括步骤：1、模型参与方的成员节点包括主动方、被动方、验证方；2、形成主动方数据样本和被动方数据样本；3、模型初始化；4、被动方进行前向训练；5、验证方对本地中间结果进行验证通过拜占庭共识后，加权聚合形成聚合中间结果；6、主动方进行顶层模型训练；7、被动方利用主动方顶层模型的梯度值G反向更新本地模型参数；8、重复步骤3至步骤7，直到停止训练。本发明用于排除单独故障和提升准确率的性能，通过区块链中的共识组节点判断被动方的贡献值，聚合节点聚合共识后的被动方的本地值，实现去中心化的纵向联邦学习隐私保护方法。
-
公开(公告)号：CN118941853A
公开(公告)日：2024-11-12
申请号：CN202410984825.5
申请日：2024-07-22
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/762 , G06V10/774 , G06V10/80 , G06N20/00 , G06N3/084 , G06N3/088 , G06F21/62
Abstract: 本发明提供一种基于联邦学习的保护隐私且鲁棒的个性化图像识别方法，首先，采用差分隐私机制保护用户隐私，与同态加密、安全多方计算等密码学手段相比，无需分发密钥或考虑用户的准入准出机制，提高系统的运行效率，降低系统的维护成本；其次，相比现有框架只关注隐私或中毒攻击，没有实现同时考虑上述二者的训练框架，本发明能够在个性化联邦学习中同时保护用户隐私和防御潜在攻击；综上所述，本发明是基于平均正则化多任务学习的个性化图像识别方法，在保护训练数据隐私的同时能够防御数据中毒、模型中毒等多种攻击，中心服务器应用该规则可有效过滤掉占比低于50％的潜在攻击者。
-
-
-
-
-
-
-
-
-
Search Results
444
records
(took 0.056 seconds)
