基于同态加密的区块链支付通道网络路径选择方法和系统

    公开(公告)号:CN114581070B

    公开(公告)日:2024-03-19

    申请号:CN202210233663.2

    申请日:2022-03-10

    Applicant: 南京大学

    Inventor: 张渊 黄嘉敏 仲盛

    Abstract: 本发明公开一种基于同态加密的区块链支付通道网络路径选择方法和系统,在用户开始交易之前计算每条路径支持的最大交易金额,找到费用较低的可用交易路径(仅经过一个中间节点),从而避免交易资金被冻结,并且提高了支付通道网络交易的成功率和效率。另外,本发明利用了同态加密算法来保证用户的交易隐私不被泄露。

    基于同态加密的区块链支付通道网络路径选择方法和系统

    公开(公告)号:CN114581070A

    公开(公告)日:2022-06-03

    申请号:CN202210233663.2

    申请日:2022-03-10

    Applicant: 南京大学

    Inventor: 张渊 黄嘉敏 仲盛

    Abstract: 本发明公开一种基于同态加密的区块链支付通道网络路径选择方法和系统,在用户开始交易之前计算每条路径支持的最大交易金额,找到费用较低的可用交易路径(仅经过一个中间节点),从而避免交易资金被冻结,并且提高了支付通道网络交易的成功率和效率。另外,本发明利用了同态加密算法来保证用户的交易隐私不被泄露。

    一种无人工噪声的深度学习模型保护方法

    公开(公告)号:CN110457951B

    公开(公告)日:2021-04-16

    申请号:CN201910767566.X

    申请日:2019-08-19

    Applicant: 南京大学

    Abstract: 本发明公开一种无人工噪声的深度学习模型保护方法,包括步骤1,接收用户查询请求后,获取所需的经过训练的神经网络模型参数П、Θ,用户神经网络模型参数使用集合П={π1,π2,π3,…,πM}表示,其中πi表示第i次训练相同神经网络所得的模型集;Θ表示神经网络经过迭代训练不同层数上所有参数的集合;步2,通过核密度估计法处理输入的参量数据Θ,得到参量的概率分布函数;步骤3,通过得分函数p(u,v)处理各个参量θ(u,v)的取值分值,所得的总分值大小P,表明取值可能性的大小;步骤4,返回取值可能性最大时的参量数值,所述参量数值即为用户查询请求的结果。本发明使请求模型参数的用户无法根据返回结果获取隐私数据,从而起到用户隐私保护的作用。

    一种联盟链中可追溯匿名方法

    公开(公告)号:CN109862046B

    公开(公告)日:2020-08-14

    申请号:CN201910285666.9

    申请日:2019-04-10

    Applicant: 南京大学

    Inventor: 南文光 张渊 仲盛

    Abstract: 本发明公开一种联盟链中可追溯匿名方法,包括:用户向审计中心提交账号u,审计中心通过审批后以私钥对u进行签名授权;用户以通过审批的账号u为基础,将u以及安全系数n作为输入,生成匿名账号集合;用户选择任意匿名账户ui,将ui提交至账号中心;账号中心对ui的有效性进行验证,将其公布于联盟链;用户以ui作为交易账号,对交易进行签名授权;审计中心可以在任意时刻对已提交至账号中心的匿名账号ui进行解密,追溯定位至匿名账号的原始账号u。本发明允许用户本地独立生成新的匿名账户。审计方拥有对匿名账户的追溯解密能力,定位对应的原始账户。保证了用户身份的不可伪造性,并允许任何人对用户生成匿名账户过程的完整性有效性进行验证。

    一种在合作驾驶中保护车辆位置隐私的方法

    公开(公告)号:CN111465010A

    公开(公告)日:2020-07-28

    申请号:CN202010277706.8

    申请日:2020-04-08

    Applicant: 南京大学

    Inventor: 张渊 谭思勤 仲盛

    Abstract: 本发明公开了一种在合作驾驶中保护车辆位置隐私的方法,其考虑在城市峡谷中智能车和普通车混合存在的场景中,利用车辆间合作来提高车辆的位置精确度,但是对于参与合作的车辆来说存在严重的车辆位置隐私泄露问题,本发明构思了一种简单且低时延的方法来保证车辆在不泄露自身位置隐私的前提下,保证了车辆位置的快速更新修正,提高了车辆位置精确度。

    一种无人工噪声的深度学习模型保护方法

    公开(公告)号:CN110457951A

    公开(公告)日:2019-11-15

    申请号:CN201910767566.X

    申请日:2019-08-19

    Applicant: 南京大学

    Abstract: 本发明公开一种无人工噪声的深度学习模型保护方法,包括步骤1,接收用户查询请求后,获取所需的经过训练的神经网络模型参数П、Θ,用户神经网络模型参数使用集合П={π1,π2,π3,…,πM}表示,其中πi表示第i次训练相同神经网络所得的模型集;Θ表示神经网络经过迭代训练不同层数上所有参数的集合;步2,通过核密度估计法处理输入的参量数据Θ,得到参量的概率分布函数;步骤3,通过得分函数p(u,v)处理各个参量θ(u,v)的取值分值,所得的总分值大小P,表明取值可能性的大小;步骤4,返回取值可能性最大时的参量数值,所述参量数值即为用户查询请求的结果。本发明使请求模型参数的用户无法根据返回结果获取隐私数据,从而起到用户隐私保护的作用。

Patent Agency Ranking