一种数据分类分级方法
    22.
    发明公开

    公开(公告)号:CN118820469A

    公开(公告)日:2024-10-22

    申请号:CN202410845741.3

    申请日:2024-06-27

    Abstract: 本发明提出一种数据分类分级方法,属于数据分类分级技术领域。包括:步骤一、用户向服务器上传待分类数据,并选择不提供具体数据的字段;步骤二、服得到数据字段和内容,当数据字段不含模板数据时执行步骤三,否则执行步骤四;步骤三、利用识别模型对数据进行字段扫描,若输出的结果与模板中某一数据唯一对应,则根据模板中的对应关系,确定字段等级,否则认为字段不属于模板范围内,执行步骤四;步骤四、利用识别模型对数据进行字段扫描,根据输出结果与模板中数据进行匹配形成正则规则数组,正则规则数组表征匹配结果;步骤五、执行匹配流程,得到分类等级;本发明提出了权重匹配函数。能够更加准确的对数据类型进行分类分级。

    一种基于区块链技术的行程匹配方法及系统

    公开(公告)号:CN118779912A

    公开(公告)日:2024-10-15

    申请号:CN202410891893.7

    申请日:2024-07-04

    Abstract: 本发明公开了一种基于区块链技术的行程匹配方法及系统,涉及行程匹配技术领域。本发明的技术要点包括:所述方法应用在区块链上,首先确定最优行程距离的双方用户;然后调用智能合约对双方用户的位置数据进行扰动处理,调用智能合约对双方用户的手机号码进行加密处理,并存储扰动处理后的位置数据和加密后的手机号码;最后基于扰动处理后的位置数据对双方用户进行行程匹配;其中,扰动处理使得原始位置数据被加入随机噪声,双方用户无法从扰动后的数据中推断原始位置。本发明能够确保双方用户无法直接获取到对方的具体位置数据和手机号码,同时也能够保障用户的个人信息不被滥用,为用户提供了更加私密和可靠的出行体验。

    一种基于生成对抗网络的多模态推理攻击的防御方法、电子设备及存储介质

    公开(公告)号:CN117494209A

    公开(公告)日:2024-02-02

    申请号:CN202311546450.6

    申请日:2023-11-20

    Abstract: 一种基于生成对抗网络的多模态推理攻击的防御方法、电子设备及存储介质,属于人工智能安全技术领域。为加强对联邦学习过程中推理攻击的特征数据安全性,本发明设置联邦学习框架基础为:各参与方在每轮联邦学习模型训练前向中央服务器声明本地训练数据的特征标签,用于联邦学习的特征对齐;构建成员推理攻击方法,采集参与方的训练数据,然后攻击方重构参与方的训练数据,将重构的数据,可搜集到的相关数据和参与方自身持有的数据作为训练数据集,用于训练多模态推理攻击模型;构建多模态推理攻击模型,包括样本数据为文本的文本推理攻击模型、样本数据为图像的图像推理攻击模型;针对构建的多模态推理攻击模型,构建多模态推理攻击的防御方法。

    基于多偏置交互的纵向联邦场景神经网络训练方法、电子设备及存储介质

    公开(公告)号:CN116362326A

    公开(公告)日:2023-06-30

    申请号:CN202310143695.8

    申请日:2023-02-21

    Abstract: 基于多偏置交互的纵向联邦场景神经网络训练方法、电子设备及存储介质,属于隐私计算技术领域。为解决在安全传输的前提下提高效率的目的。本发明训练参与各方的模型结构为全连接层、Dropout层,包括训练发起方、训练协助方将训练发起方的数据、训练协助方的数据进行前向传播方法训练,得到前向传播方法的训练结果;将前向传播方法的训练结果进行反向传播方法训练,训练协助方和训练发起方分别进行模型参数的更新,完成一轮的训练,进入下一轮直至训练结果达到精度要求或者停止条件,完成基于多偏置交互的纵向联邦场景神经网络训练。本发明增加了训练各方之间的信息交互,特征的过滤功能得到多方数据信息的指导,结果更具说服力。

    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:CN114282652A

    公开(公告)日:2022-04-05

    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。

    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:CN113360896A

    公开(公告)日:2021-09-07

    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。

Patent Agency Ranking