一种隐私保护的纵向深度神经网络模型构建方法、计算机及存储介质

    公开(公告)号:CN114282652B

    公开(公告)日:2024-06-21

    申请号:CN202111578391.1

    申请日:2021-12-22

    Abstract: 本发明提出一种隐私保护的纵向深度神经网络模型构建方法、计算机及存储介质,属于隐私保护模型构建技术领域。首先,发起方和所有参与方找出共有的样本ID,生成自己的公私钥对,利用公钥对中间数据进行加密;其次,参与方基于本地数据集与发起方进行安全前向传播过程,使发起方获得深度神经网络模型交互层的真实加权值;最后,参与方和发起方进行安全反向传播过程,发起方基于加权值计算交互层中间误差,使双方各自获得更新交互层模型参数的梯度,进行深度神经网络交互层模型的更新,得到纵向深度神经网络模型。在无可信第三方的前提下保护数据隐私安全,对不同神经网络结构进行多方安全联合建模。解决构建模型成本高、风险大、结构敏感的问题。

    基于余弦相似度和同态加密的联邦学习安全聚合方法

    公开(公告)号:CN117216779A

    公开(公告)日:2023-12-12

    申请号:CN202311237912.6

    申请日:2023-09-22

    Abstract: 本发明提出基于余弦相似度和同态加密的联邦学习安全聚合方法,属于安全聚合技术领域。包括参数服务器Server1、辅助计算服务器Server2和多个参与联邦学习客户端;参数服务器Server1、辅助计算服务器Server2默认不互相勾结,客户端训练为:S1.客户端执行梯度密文上传,客户端利用各自的隐私数据对上轮获得的模型进行训练,得到相应的梯度更新,并将梯度明文通过同态加密技术使用同一公钥加密得到梯度密文,传输给参数服务器Server1;S2.Server1执行梯度聚合和贡献值计算;S3.梯度更新发布。解决搭便车攻击者和投毒攻击的检测难度大的问题,在隐私保护同时保证联邦学习的鲁棒性和公平性。

    一种横向联邦学习架构下的Free Rider攻击检测方法

    公开(公告)号:CN113360896B

    公开(公告)日:2022-09-20

    申请号:CN202110619300.8

    申请日:2021-06-03

    Abstract: 本发明提出了一种横向联邦学习架构下的Free rider攻击检测方法,属于人工智能安全领域。本发明首先,通过模型参数增量处理获取高维样本,对高维样本进行降维处理,抽取三部分特征,将特征合并得到压缩后的样本,在评估网络中计算样本的能量,根据能量判断攻击者,由于Free Rider攻击者生成的模型参数是在原本的全局模型参数的基础上按照训练的轮次加入差分扰动,因此在对其计算本地模型参数增量之后,其增量值等于攻击中加入的差分扰动,估计网络在评估样本的似然性时,其样本能量值的平均值会偏高,因此这样的样本数据会被检测为异常,我们设置阈值判断出Free Rider攻击者。解决了基于横向联邦学习架构下的Free Rider攻击的检测能力差的技术问题。

    一种隐私保护的大数据的近似检索方法

    公开(公告)号:CN110866275A

    公开(公告)日:2020-03-06

    申请号:CN201911106252.1

    申请日:2019-11-13

    Abstract: 本发明属于信息安全技术领域,具体涉及一种隐私保护的大数据的近似检索方法,包括步骤1、用户提出数据搜索请求,并将该请求提交给搜索引擎;步骤2、搜索引擎接收搜索请求,搜集当前数据平台的状态信息,并对搜索请求的可行性进行预估;步骤3、若预估结果与搜索请求不同,则拒绝该请求;若预估结果与搜索请求一致,则进行实施;步骤4、数据平台将实施结果返回给搜索引擎,并由搜索引擎呈现给用户。与现有技术相比,本发明针对大数据搜索目前尚无“精度、时效、隐私保护粒度”等多维一体的整体性解决方案的问题,实现大数据搜索三大维度相协的数据检索方案,解决了由同构搜索、数据版本更新所带来的重搜索问题,提升通用搜索的检索效率。

    一种基于自举法的加速搜索方法

    公开(公告)号:CN110795473A

    公开(公告)日:2020-02-14

    申请号:CN201911106961.X

    申请日:2019-11-13

    Abstract: 本发明属于检索技术领域,具体涉及一种基于自举法的加速搜索方法,包括S1.将Hadoop架构下的用户搜索请求设置为三元组Q(Op,D,ρ),其中,Op表示用户对目标数据集合D的搜索操作,ρ为用户设置的搜索精度下限值;S2.从数据集合D中抽取初始样本S,然后以S为论域进行m次有放回采样{S1,...,Sm};S3.对步骤S2中实施操作Op(D)产生的m个结果{Op(S1),...,Op(Sm)}进行近似计算,得到变异系数的相对误差值;S4.根据步骤S3中的相对误差进行评估,得出满足用户近似精度的搜索结果。与现有技术相比,本发明采用自举法进行抽样,有效地降低了抽样过程中样本的数量,同时由于只需要从原始数据集中抽取一个较小的随机均匀抽样,因此,可以显著降低采样过程的磁盘成本。

Patent Agency Ranking