-
公开(公告)号：CN115242444A
公开(公告)日：2022-10-25
申请号：CN202210710116.9
申请日：2022-06-22
Applicant: 暨南大学
IPC: H04L9/40 , H04L41/142 , H04L41/147 , H04L67/10
Abstract: 本发明涉及机器学习领域，为一种可验证的隐私保护线性回归方法和系统，该方法包括：模型拥有者将线性回归模型相关的可验证参数公开，把线性回归模型相关的可验证参数部署在云服务器；用户对数据进行Paillier加密得到密文，将密文上传至线性回归模型所在的云服务器；用户请求云服务器对密文进行计算，云服务器通过线性回归模型对用户上传的密文进行计算预测，将计算预测结果返回给用户；利用模型拥有者提前公开的线性回归模型相关的可验证参数对计算预测结果的明文正确性进行验证。本发明可以防止云服务器恶意返回错误的结果，能够保证用户数据和模型的安全行，可以保护模型拥有者的模型信息和用户的数据信息、预测结果的隐私性。
-
公开(公告)号：CN110190945B
公开(公告)日：2022-07-19
申请号：CN201910451741.4
申请日：2019-05-28
Applicant: 暨南大学
Abstract: 本发明公开了一种基于多加密的线性回归隐私保护方法及系统，该系统包括多个数据提供端、第一云服务器、第二云服务器和数据请求端；多个数据提供端采用不同的同态代理重加密算法加密数据；数据请求端向第一云服务器发送使用数据构建线性回归模型的请求；数据提供端发送数据到第一云服务器；第一云服务器对数据提供端的密文数据添加噪音并进行密文转换；第二云服务器解密、计算加密；第一云服务器对第二云服务器的加密数据进行去噪处理；数据请求端采用私钥解密得到训练好的线性回归模型。本发明解决了将多个不同加密系统加密的数据转换到了用同一公钥加密的数据，训练一个线性回归模型，不受数据集分区的影响，同时保护数据和线性回归模型的隐私。
-
公开(公告)号：CN113077054A
公开(公告)日：2021-07-06
申请号：CN202110234350.4
申请日：2021-03-03
Applicant: 暨南大学
IPC: G06N20/00 , G06F21/60 , G06F21/62 , G06F17/16 , G06F17/18 , H04L9/00 , H04L9/08 , H04L9/14 , H04L29/08
Abstract: 本发明公开了一种基于多密钥密文的岭回归学习方法、系统、介质和设备，获取数据拥有者上传的密文；接收数据分析者发送的公私钥，接收数据分析者使用密文进行岭回归学习的请求；向数据拥有者发送密文转换的请求以及数据分析者发送的公钥，基于数据拥有者同意情况下接收其所发送的代理密钥；利用代理密钥进行密文转换；进入岭回归学习后，根据密文转换所得到的加密后的密文得到密文矩阵，再针对密文矩阵进行矩阵乘法计算得到矩阵A的密文[A]和向量b的密文[b]，计算出岭回归模型参数w的密文。本发明扩展了加密密钥单一的应用场景，解决了多密钥加密数据造成的密文运算困难问题，实现了安全高效的岭回归学习算法，有效地降低了计算和通信开销。
-
公开(公告)号：CN108197499B
公开(公告)日：2020-08-07
申请号：CN201810025747.0
申请日：2018-01-11
Applicant: 暨南大学
Abstract: 本发明公开了一种可验证的密文数据范围查询方法，针对于各本地数据进行排序，得到三元组数据以及获取到各本地数据的前缀集合，将各本地数据的前缀集合存储在PBtree中；分别针对各三元组数据以及各前缀集合进行加密，同时将加密后的各本地数据存储于PBtree中的叶节点中；上述处理后的数据发送至云服务器中；通过该查询范围生成陷门，云服务器使用陷门在PBtree中搜索，最后将对应搜索到的叶节点中的密文数据返回，数据使用者对密文数据进行解密，根据解密后的数据判断获取到的数据大小是否连续确认云服务器返回的结果是完整的。本发明通过在PBtree叶节点存储额外信息，使得用户查询可验证，防止云服务器查询结果不完整。
-
公开(公告)号：CN110222527A
公开(公告)日：2019-09-10
申请号：CN201910428441.4
申请日：2019-05-22
Applicant: 暨南大学
Abstract: 本发明公开了一种隐私保护方法，包括如下步骤：client准备数据，并将数据用自己的公钥加密后发送给server，发送数据的顺序由server规定；server接收数据后，根据自己模型的节点选择对应的加密数据，在密文上执行一个比较协议，并将盲化的比较结果乱序发送给client，同时将一个比较序列与叶节点的对照表发送给client；client收到比较结果解密后，根据比较结果设置一个(0,1)比较序列，从对照表中找出比较序列对应的叶节点的值即预测结果。本发明在实现用决策树提供预测服务的基础上，保护了server的模型信息、client的数据信息以及最后的预测结果；同时，本发明尽可能的减少了client与server的交互，也具有较高的效率，更符和实际应用场景。
-
Patent Agency Ranking
公开(公告)号：CN115442134B
公开(公告)日：2024-05-07
申请号：CN202211069818.X
申请日：2022-09-02
Applicant: 暨南大学
Abstract: 本发明涉及一种基于同态双向代理重加密的多密钥多方安全计算方法，包括步骤：S1、用户数据端DPi生成密文cti并存储在云服务器CSP1上；S2、用户请求方RU请求计算；S3、当DPi允许CSP1使用自身数据时，生成临时公私钥(pk′i,sk′i)和双向代理重加密密钥rki→i′；S4、将pk′i和rki→i′上传至CSP1，将sk′i上传至云服务器CSP2；S5、CSP1根据重加密密钥rki→i′将密文cti重加密为ct′i，然后通过盲化的方式与CSP2进行交互，将需要使用的密文转换为在用户请求方RU的公钥下加密的密文，并完成运算，将结果密文返回给用户请求方RU进行解密。本发明通过双向代理重加密的方式，在不泄露用户真实私钥的情况下，实现了不同密钥加密下密文的安全计算，保护了用户原始数据的隐私，提高了密文数据的可用性。
-
公开(公告)号：CN115242444B
公开(公告)日：2023-08-01
申请号：CN202210710116.9
申请日：2022-06-22
Applicant: 暨南大学
IPC: H04L9/40 , H04L41/142 , H04L41/147 , H04L67/10
Abstract: 本发明涉及机器学习领域，为一种可验证的隐私保护线性回归方法和系统，该方法包括：模型拥有者将线性回归模型相关的可验证参数公开，把线性回归模型相关的可验证参数部署在云服务器；用户对数据进行Paillier加密得到密文，将密文上传至线性回归模型所在的云服务器；用户请求云服务器对密文进行计算，云服务器通过线性回归模型对用户上传的密文进行计算预测，将计算预测结果返回给用户；利用模型拥有者提前公开的线性回归模型相关的可验证参数对计算预测结果的明文正确性进行验证。本发明可以防止云服务器恶意返回错误的结果，能够保证用户数据和模型的安全行，可以保护模型拥有者的模型信息和用户的数据信息、预测结果的隐私性。
-
公开(公告)号：CN115630713A
公开(公告)日：2023-01-20
申请号：CN202211061861.1
申请日：2022-08-31
Applicant: 暨南大学
Abstract: 本发明涉及联邦学习技术领域，为样本标识符不相同下的纵向联邦学习方法、设备和介质，该方法包括：在联邦学习中的对齐阶段，通过不经意、可编程的伪随机函数OPPRF、布谷鸟哈希Cuckoo Hashing和简单哈希Simple Hashing对持有不相同样本标识符的参与方进行样本对齐，在进行样本对齐中对样本标识符添加噪音；通过Paillier同态加密完成参与方共同训练模型，利用加密手段保证训练过程参与方的隐私信息；本发明可以实现参与方样本标识符不相同下的样本对齐，在保护各个参与方隐私信息的基础上，达到共同训练模型的目的。
-
公开(公告)号：CN108319659B
公开(公告)日：2021-09-07
申请号：CN201810013996.8
申请日：2018-01-08
Applicant: 暨南大学
IPC: G06F16/583 , G06F16/51 , G06F16/953 , G06K9/62 , G06Q50/00
Abstract: 本发明公开了一种基于加密图像快速搜索的社交发现方法，该社交发现方法针对现有技术中基于加密图像快速搜索的社交发现方案存在两个问题，即需要大量的存储空间以及消耗大量的搜索时间，提出了一种云环境下基于加密图像快速搜索的解决方案，首先预先构建描述用户图像内容的基于MD‑algorithm的可搜索的加密索引，该索引与用户图像一起存储在云服务器上，再通过安全相似性运算检索匹配用户的加密图像，找到具有相似图像的用户，从而实现好友推荐功能。与已有方案相比，所提出的解决方案不仅能准确的找到与目标用户具有相似图像的其他用户，而且还降低了存储空间以及提高了搜索效率。
-
公开(公告)号：CN113114454A
公开(公告)日：2021-07-13
申请号：CN202110224926.9
申请日：2021-03-01
Applicant: 暨南大学
Abstract: 本发明公开了一种高效隐私的外包k均值聚类方法，包括以下步骤：获取用户和服务器，通过服务器生成和分发密钥，用于加密数据；获取样本数据集并进行预处理，得到预处理后的密文数据集，预处理包括创建哈希表、加密数据集；对预处理后的密文数据集进行基于剪枝策略且保护隐私的k均值聚类操作，基于剪枝策略且保护隐私的k均值聚类操作完成后，服务器在新的聚类中心上进行新一轮的聚类，直到聚类后的位图矩阵不再变化，则停止聚类；聚类结束后，用户通过密钥解密聚类结果；本发明使用了基于局部敏感哈希函数的剪枝策略从而减少了聚类过程中不必要的计算；不仅支持多用户的外包聚类，而且显著提高了聚类效率。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.034 seconds)
