-
公开(公告)号：CN110071814A
公开(公告)日：2019-07-30
申请号：CN201910395306.4
申请日：2019-05-13
Applicant: 成都信息工程大学
Abstract: 本发明属于网络信息处理技术领域，公开了一种基于Bell态纠缠交换的量子盲签名方法及系统，基于Bell态纠缠变换关系，提出了一个量子盲签名协议，消息拥有者对粒子序列执行泡利操作完成经典消息向量子消息的转变；三个参与方通过分别共享的量子密钥保证了协议的绝对安全性；通过本阿明方案分析可知本协议满足盲签名定义，通过效率分析可知完成n比特消息的盲签名，本协议的粒子效率为14.3％；通过严格的安全性分析过程，证明了本协议能实现盲签名功能，且能以较好的粒子效率完成整个签名过程；本发明选择Bell态粒子作为信息载体，避免了三粒子及以上粒子态的复杂制备成本。
-
公开(公告)号：CN105391548B
公开(公告)日：2018-04-20
申请号：CN201510836918.4
申请日：2015-11-26
Abstract: 本发明公开了基于节点信任的量子信任评估方法，包括量子信任模型的建模和量子信任评估的方法，与现有技术相比，本发明以基于信任节点的可信量子中继网络为研究对象，将信任管理引入到量子通信网络中，以评价节点的信任值作为基础来构建安全可信的量子通信网络，并以信任值作为评判量子通信网络中各用户是否可信的依据；借助于量子纠缠效应和量子隐形传态等独有特性，研究并提出了基于节点信任的量子信任评估方法，对量子信任评估的思路及过程进行了详细的说明；最后分析了本发明提出的基于节点信任的量子信任评估方法的可行性、合理性和安全性，这为建立安全可信的量子通信网络提供了一种有价值的新思路和新方法。
-
公开(公告)号：CN117313887B
公开(公告)日：2025-05-13
申请号：CN202311410059.3
申请日：2023-10-27
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于模糊学习的量子度量学习方法，属于量子机器学习技术领域，包括以下步骤：获取输入特征转换为模糊集合；通过模糊组件处理模糊集合中的不确定性特征；整合原始特征和模糊信息，以减少数据中的不确定信息；将整合后的信息作为量子特征映射的输入进行量子度量学习。本发明中，通过设计的模糊组件，能够处理真实数据集中的不确定性特征，减少由于噪声等因素导致的数据不确定性和歧义，同时，还可以弥补数据预处理过程中可能遗失的部分有效信息，提高模型的鲁棒性，通过模糊组件，能够有效地抽取出高阶的潜在模糊特征，为数据的深层次信息提供了有力的补充，进一步增强了模型的识别与分类能力。
-
公开(公告)号：CN118485155B
公开(公告)日：2025-01-07
申请号：CN202410540466.4
申请日：2024-04-30
Applicant: 成都信息工程大学
IPC: G06N10/60 , G06N10/20 , G06N3/0464 , G06N10/70 , G06V10/764 , G06N3/084
Abstract: 本发明属于抵抗量子噪声干扰技术领域，公开了一种基于量子随机罢黜的抵抗量子噪声干扰方法及系统，本发明针对以往量子‑经典混合神经网络缺少对量子噪声的考虑以及在量子噪声的干扰下，大规模量子线路，比如量子卷积神经网络在图像识别分类的准确度上严重下降等问题，设计了一种新的实验环境，即利用经典计算机模拟含噪声的量子电路。这使得在经典计算机环境下的量子神经网络模型与真实量子设备环境下实验的结果基本一致，实验结果更具有实际意义，其次在量子计算机上运行的算法同样可以在经典计算机上进行模拟，大大降低了实验的成本。
-
公开(公告)号：CN118485155A
公开(公告)日：2024-08-13
申请号：CN202410540466.4
申请日：2024-04-30
Applicant: 成都信息工程大学
IPC: G06N10/60 , G06N10/20 , G06N3/0464 , G06N10/70 , G06V10/764 , G06N3/084
Abstract: 本发明属于抵抗量子噪声干扰技术领域，公开了一种基于量子随机罢黜的抵抗量子噪声干扰方法及系统，本发明针对以往量子‑经典混合神经网络缺少对量子噪声的考虑以及在量子噪声的干扰下，大规模量子线路，比如量子卷积神经网络在图像识别分类的准确度上严重下降等问题，设计了一种新的实验环境，即利用经典计算机模拟含噪声的量子电路。这使得在经典计算机环境下的量子神经网络模型与真实量子设备环境下实验的结果基本一致，实验结果更具有实际意义，其次在量子计算机上运行的算法同样可以在经典计算机上进行模拟，大大降低了实验的成本。
-
Patent Agency Ranking
公开(公告)号：CN118074898A
公开(公告)日：2024-05-24
申请号：CN202410162500.9
申请日：2024-02-05
Applicant: 成都信息工程大学
IPC: H04L9/08 , H04L9/00 , H04L9/40 , H04L9/32 , H04L67/1097
Abstract: 本发明属于量子加密技术领域，公开了一种基于量子重加密的区块数据共享方法及系统，包括区块链分布式应用服务器，用于接收用户的密文数据和量子哈希值，进行重加密，将重加密密文上传至分布式数据库，将量子哈希值上传至区块链；接收并处理用户的数据访问请求，向数据拥有者提供重加密密钥，向数据访问者提供密文和访问凭证；数据拥有者，提供数据，与网络中的其他用户共享自己的数据，加密数据并计算量子哈希值，计算并提供解密密钥；数据访问者，付费购买密文数据，使用解密密钥解密密文数据，验证数据完整性。本发明通过利用酉矩阵对量子态操作的恒等关系计算解密密钥，降低对重加密密钥安全性的要求，保护了共享数据的机密性。
-
公开(公告)号：CN117407922B
公开(公告)日：2024-03-22
申请号：CN202311686200.2
申请日：2023-12-11
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于量子噪声的联邦学习隐私保护系统及方法，涉及量子联邦学习技术领域。该系统包括服务器，用于构建全局含量子噪声的量子变分线路模型，对量子变分线路模型进行初始化，将初始化模型参数发送至客户端；接收客户端上传的本地梯度并进行梯度聚合，根据聚合梯度更新模型参数并发送至客户端；客户端，用于构建本地含量子噪声的量子变分线路模型，接收服务器发送的初始化模型参数，利用本地数据对量子变分线路模型进行训练，获取本地梯度并上传至服务器。本发明通过利用量子线路中固有噪声对客户端数据提供隐私保护，同时也增强了模型的鲁棒性，既解决了量子线路中不可避免的噪声，又解决了量子联邦学习中用户隐私泄露的问题。
-
公开(公告)号：CN112508198A
公开(公告)日：2021-03-16
申请号：CN202011433044.5
申请日：2020-12-10
Abstract: 本发明提供了一种基于量子模糊信息的不确定性问题建模方法，包括以下步骤：针对问题域X＝{x1,x2,...,xn}中的不确定性元素xi(i＝1,2,...,n)建立直觉模糊集A＝{ |xi∈X}，其中，μA(xi)为隶属度，νA(xi)为非隶属度；πA(xi)为犹豫度，πA(xi)＝1‑μA(xi)‑vA(xi)；用量子模糊信息描述元素xi与直觉模糊集A的关系：根据所述量子模糊信息建模分析问题域X中各元素xi与直觉模糊集A的隶属关系。本发明以直觉模糊集刻画不确定性问题，客观、准确、全面地反应不确定性问题中各对象的所蕴含的信息，然后以量子态作为信息处理单元，利用量子计算在处理复杂性和不确定性问题上的高效率优势，准确、快速的处理相关问题。
-
公开(公告)号：CN112073182B
公开(公告)日：2021-03-16
申请号：CN202010758455.5
申请日：2020-07-31
Applicant: 成都信息工程大学
IPC: H04L9/08
Abstract: 本发明提供了一种基于区块链的量子密钥管理方法及系统，方法包括：参与端共享量子密钥与对应的索引值，分别建立密钥池；第一参与端从密钥池中选择量子密钥，将自身及第二参与端的身份信息与量子密钥对应的索引值加密得到第一信息块，传递给第二参与端和密钥管理中心，存储在私有区块链中；第二参与端解密第一信息块，根据索引值查找量子密钥，将自身及第一参与端的身份信息与量子密钥对应的索引值加密得到第二信息块，传递给密钥管理中心，存储在私有区块链中；密钥管理中心将第一、第二信息块存储在公有区块链中。使用区块链记录密钥的使用过程，确保操作轨迹记录的正确性、完整性、及时性和可追溯性，实现在量子密钥全生命周期的监管和溯源。
-
公开(公告)号：CN112381232A
公开(公告)日：2021-02-19
申请号：CN202011277371.6
申请日：2020-11-16
Applicant: 成都信息工程大学
Abstract: 本发明涉及量子机器学习，模糊集理论以及网络对抗技术领域，提供了一种量子模糊机器学习对抗攻击模型方法，包括：S1、构造合法用户的量子模糊数据样本；S2、恶意攻击者构建攻击策略，将构造好的扰动添加到合法用户的量子模糊数据样本中，形成量子模糊对抗样本；S3、量子模糊机器学习系统根据量子模糊对抗样本进行分类，并做出相应的正确决策或错误决策；其中，当量子模糊对抗样本为合法用户的量子模糊数据样本时，做出正确决策；当量子模糊对抗样本为恶意攻击者构造的样本时，做出错误决策，达到其攻击目的，本发明解决了量子模糊机器学习算法具有的脆弱性及很多的不足，提升了安全性和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.027 seconds)
