一种隐私保护下的广义线性回归方法

    公开(公告)号:CN107612675B

    公开(公告)日:2020-09-25

    申请号:CN201710850810.X

    申请日:2017-09-20

    Abstract: 本发明公开了一种隐私保护下的广义线性回归方法,旨在解决现有技术中在计算外包时云端不可信的时候在加密下情况下实现广义线性回归效率效和精度低的问题,本申请中结合加密算法以及线性回归方法以及梯度下降法实现了数据集加密之后的广义线性回归,也就是实现了云端不可信的情况下,加密保护下依旧可以进行数据处理等,实现了真正的计算外包,实现了明文的计算与密文的计算的相互对应,克服了传统的梯度下降法在密文下迭代的准确率低和计算速度慢的技术难题;本申请适用于向量同态计算相关领域。

    在区块链PKI下支持瘦客户端的隐私保护身份认证方法

    公开(公告)号:CN108768608B

    公开(公告)日:2020-05-12

    申请号:CN201810519096.0

    申请日:2018-05-25

    Abstract: 本发明公开了一种在区块链PKI下支持瘦客户端的隐私保护身份认证方法,属于信息安全技术领域。本发明所述方法包括以下步骤:系统初始化、生成认证请求、生成查询请求、查询阶段、检测阶段、确认阶段和会话建立。本发明所述方法利用PIR等技术,使得其支持区块链中存储能力和计算能力有限的瘦客户端在去中心化的PKI中完成用户身份认证,同时保护瘦客户端的查询隐私。本发明使用基于区块链的PKI技术,解决传统PKI单点故障和多CA互信难等问题;利用PIR技术,实现去中心化PKI下瘦客户端的身份认证功能;利用PIR技术,保护瘦客户端查询过程中的数据隐私;在认证过程中加入随机数,防止中间人攻击,确保认证过程中消息不被伪造篡改。

    一种针对以太坊智能合约的静态代码审计系统及方法

    公开(公告)号:CN109684838B

    公开(公告)日:2020-03-27

    申请号:CN201811404851.7

    申请日:2018-11-23

    Abstract: 本发明公开了一种在区块链的以太坊平台上针对智能合约的静态代码审计系统及方法,属于信息安全技术领域。本发明能够检测以太坊平台上使用Solidity语言编写的智能合约上存在的安全威胁,定位到具体位置,阐明危害并给出相应的解决方法。本发明方法:首先,用户将待检测的项目目录或者单个文件的路径输入系统,系统对输入内容进行预处理操作,将整个项目复制到临时工作目录中并删除其中的Solidity文件中的注释内容;其次,系统将通过词法分析和语法分析等操作将每一个Solidity文件都解析成语法树的形式;然后,系统将语法树结构与预先制定的逻辑匹配特征进行静态特征匹配,得到匹配结果;最后,系统将匹配后的结果分类并汇总,生成报告文件,即为检测结果。

    一种通用航空中低代价的飞机隐私保护方法

    公开(公告)号:CN109145614A

    公开(公告)日:2019-01-04

    申请号:CN201810768767.7

    申请日:2018-07-12

    CPC classification number: G06F21/602 G06F21/6245

    Abstract: 本发明公开了一种通用航空中低代价的飞机隐私保护方法,属于航空领域,可信第三方针对请求进行隐私保护的飞机,生成该飞机独有的FFX加密函数中的加密参数和最大假名个数n,可信第三方利用加密函数生成n个假名,然后存储于一维数组中;可信第三方将所述加密参数和最大假名个数n发送至对应的飞机;该飞机利用带独有加密参数的加密函数生成假名,利用所述假名替换飞机真实的ICAO;飞机持续更新假名直至飞行结束;本发明通过隐藏飞机真实身份以保护飞机隐私,降低了攻击者在真实身份与假名之间建立关联性的可能性,同时采用本方法能极大减少了飞机数据存储的代价,对应假名与真实身份的追溯过程的时间复杂度极低,达到了追溯时间最优的效果。

    一种基于VHE的隐私保护神经网络的训练及预测方法

    公开(公告)号:CN108776836A

    公开(公告)日:2018-11-09

    申请号:CN201810592585.9

    申请日:2018-06-08

    Abstract: 本发明公开了一种基于VHE的隐私保护神经网络的训练及预测方法,利用VHE同态加密算法对数据集D进行加密,得到加密数据集D′,所述加密数据集D′包括训练数据集D′1和测试数据集D′2;对所述训练数据集D′1进行BP神经网络批梯度训练,得到训练后的BP神经网络;利用训练后的BP神经网络对测试数据集D′2进行预测,得到预测结果;本发明结合加密算法以及BP神经网络方法实现了密文域下的BP神经网络的训练及预测,也就是实现了云端不可信的情况下,数据在输入加密保护下依旧可以进行BP神经网络的训练及预测等,实现了真正的计算外包。

    一种基于向量同态加密的HOG 图像特征提取算法

    公开(公告)号:CN106952212A

    公开(公告)日:2017-07-14

    申请号:CN201710151231.6

    申请日:2017-03-14

    Abstract: 本发明公开一种基于向量同态加密的HOG图像特征提取算法,涉及图像处理技术领域,由于VHE同态加密方案在密文域内仅支持整数间的运算并且不支持除法,针对VHE所能支持的运算,对已有的HOG图像特征提取算法进行合理的裁剪和改进,简化一些特征提取步骤,并将提取过程中的一些复杂运算进行等效的转换,保证裁剪后的算法在保证一定的算法效率的前提下,提取的特征向量与原始HOG特征提取算法提取的特征向量是等效的,都可以准确地表达图像特征。本方案采取的基于向量的同态加密方案VHE,能够直接对一个整数向量进行加密,并支持基于密文向量的一些操作运算,与之前的基于单个比特或者单个整数加密的同态加密方案相比,大大提高密文域内的运算效率。

    一种用于漏洞扫描的多关键词隐私信息检索方法、装置及系统

    公开(公告)号:CN117910034A

    公开(公告)日:2024-04-19

    申请号:CN202311843309.2

    申请日:2023-12-29

    Abstract: 本发明公开了一种用于漏洞扫描的多关键词隐私信息检索方法、装置及系统,属于信息安全技术领域。相较于传统的基于关键词的隐私检索技术,本发明可以基于多关键词进行隐私检索,拓展了检索的应用场景,特别适用于漏洞扫描的场景中;本发明将数据转化为二维减少了插值多项式的次数,并基于次关键词执行不经意传输协议,从而显著降低同态加密的使用次数,能够减少计算开销;并使用不经意传输技术还能保证用户在查找到自己想要的数据的同时不泄露其要查询数据的次关键词信息,同时保护了服务端的其他数据信息不被用户所知晓;最后,该技术方案可用于漏洞扫描的场景之中,不仅能够保证服务端的数据安全,也能够同时保护用户的查询信息不被服务端知晓。

    一种使用多用户函数加密的安全联邦学习系统

    公开(公告)号:CN117478388A

    公开(公告)日:2024-01-30

    申请号:CN202311456164.0

    申请日:2023-11-03

    Abstract: 本发明公开了一种使用多用户函数加密的安全联邦学习系统,属于信息安全技术领域。本系统包括服务器、用户端和用于提供密钥管理服务的可信第三方,第三方进行初始化,计算公开参数;第三方生成密钥分发给用户所在的用户端,并根据本轮的用户意愿生成聚合密钥发送给服务器;用户端使用约定好的加密算法使用密钥对本地模型参数进行加密并发送给服务器;服务器确认满足聚合条件后,对接收到的模型参数加权聚合后得到全局模型,并把全局模型分发给参与训练的各个用户,完成本轮训练并等待下一轮训练。本发明在满足高模型精度、高效计算和通信小功耗的情况下,实现了安全聚合,保证了联邦学习过程中用户本地模型参数的机密性,且支持对用户的动态参与。

    物联网中基于无证书同态网络编码签名的数据传输方法

    公开(公告)号:CN117319048A

    公开(公告)日:2023-12-29

    申请号:CN202311301057.0

    申请日:2023-10-09

    Abstract: 本发明提供了一种物联网中基于无证书同态网络编码签名的数据传输方法,主旨在于提升物联网网络的性能,同时安全地传输数据,避免了繁重的证书管理和密钥第三方托管问题,方案包括网络系统初始化:系统有密钥生成中心KGC、源节点、中间节点和目的节点;源节点和目的节点的公私钥对生成;源节点盲化文件:源节点发送文件时,生成对应的文件标识符,将文件分割成数据包并对每个数据包进行盲化;源节点对数据包签名:源节点对各个数据包进行签名后发出;中间节点收到数据包后进行签名验证,无效的数据包丢弃,有效的数据包做线性运算后转发新生成的数据包;目的节点对收到的数据包进行签名验证,收集一定数量的有效数据包,脱盲处理后恢复出原始文件。

    在联邦学习中移除非规则用户的隐私保护方法

    公开(公告)号:CN114239070B

    公开(公告)日:2023-07-21

    申请号:CN202111588461.1

    申请日:2021-12-23

    Abstract: 本发明公开了一种在联邦学习中移除非规则用户的隐私保护方法,属于信息安全技术领域。本发明包括不规则用户删除算法TrustIU和保护用户的敏感信息的加权聚合协议两个部分;TrustIU利用余弦相似度进行聚合,减少了不规则用户的负面影响,从而确保全局模型主要来源于高质量的数据;在TrustIU的基础上,本发明采用安全加权的定制密码协议聚合;此聚合方案通过使用双隐蔽隐私保护技术,确保了服务器只学习用户的梯度信息,而不会泄露其他隐私。本发明在具有良好的训练精度和效率的同时,对整个培训过程中对用户退出具有鲁棒性。

Patent Agency Ranking