-
公开(公告)号：CN113836222B
公开(公告)日：2022-06-21
申请号：CN202110974922.2
申请日：2021-08-24
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于区块链的可隐藏策略和属性的访问控制方法，属于区块链技术领域。首先对联盟链进行初始化。当数据拥有者要共享一条数据时，首先计算联合公钥，然后使此密钥加密为数据指定的访问策略，最后通过访问控制合约将加密的数据以及数据基本信息连同加密的访问策略上传到区块链。如果数据使用者对数据使用者的数据感兴趣，它向区块链提交请求以获得访问授权。控制合约接收数据使用者的请求并判断其属性是否满足访问策略。控制合约利用加密方案的同态性，计算出加密后的访问策略和数据使用者属性之间的“差异”。最后，来自不同组织的辅助节点共同解密计算结果。本方法有助于实现可审计和隐私保护的访问控制，增强了访问控制的鲁棒性。
-
公开(公告)号：CN113656828A
公开(公告)日：2021-11-16
申请号：CN202110820938.8
申请日：2021-07-20
Applicant: 北京理工大学
Abstract: 本发明涉及一种面向金融系统交易的基于格密码的区块链隐私保护方法，属于区块链应用技术领域。本方法将交易信息匿名存储在全局账本区块链上，除交易相关的银行和用户外，其它节点无法得知交易的任何有用信息。上级节点可以查看下级节点的交易记录，下级节点不能直接查询上级节点和其他下级节点的交易记录，确需要查询时，需要满足秘密共享机制的恢复条件才能实现查询。本方法采用的加密体制基于格困难问题设计，即使在量子计算机实用之后，所述方法仍然是安全可用的。本方法能够有效保护交易数据，具备灵活的权限管理，并能够有效对抗量子攻击。
-
公开(公告)号：CN113642035A
公开(公告)日：2021-11-12
申请号：CN202110769970.8
申请日：2021-07-06
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于聚合签名的联盟链隐私保护方法，属于区块链隐私保护技术领域，实现对用户真实交易分布的隐藏，从而降低用户隐私泄露的风险。本方法通过基于噪声的隐私保护方法来隐藏区块链账本上所记录的相邻能源交易系统中用户的交易分布趋势，通过引入一对多的分割账户的方式，在不影响交易效率的前提下，隐藏记录在区块链账本上的真正的能源交易的分布趋势，降低了用户隐私泄露的可能性；通过采用聚合签名技术，在代币银行更新用户到账户的映射关系时，确保其完整性和正确性。对比传统方法，本方法采用聚合签名，降低了用户交易过程中的存储需求和通信开销，提高了实用性。
-
公开(公告)号：CN112613722A
公开(公告)日：2021-04-06
申请号：CN202011499786.8
申请日：2020-12-18
Applicant: 北京理工大学
Abstract: 本发明涉及一种利用强化学习基于区块链的供应链系统业务分配方法，属于供应链系统业务流程管理技术领域。所述方法，包括：步骤1用户提交业务请求，分配服务器接收请求，基于业务请求所属类别得到业务服务者集合，收集业务服务者的预估时间和预估成本；步骤2基于收集的业务服务方的预估执行时间和成本，计算大约最优解再基于该解向供应链节点分配业务，具体为：步骤A选择一个业务服务方作为当前分配策略；步骤B计算在当前状态下执行当前的分配策略获得的奖赏；步骤C计算价值函数，迭代后得到大约最优解；步骤D由大约最优分配解经智能合约向供应链节点分配业务；步骤3数据上链。所述方法具有良好的可靠性、适应性、时间开销少且效率更高。
-
公开(公告)号：CN112507377A
公开(公告)日：2021-03-16
申请号：CN202011395328.X
申请日：2020-11-30
Applicant: 北京理工大学
Abstract: 本发明涉及基于差分隐私的区块链赋能供应链系统关键信息保护方法，属于供应链系统数据隐私保护技术领域。所述方法包括：步骤1.用户提交业务请求，优化服务器接收请求，基于业务分配策略向供应链节点分配业务；步骤2.优化服务器对关键信息进行差分隐私处理，输出差分隐私处理后的数据，具体为：步骤2.1区块链网络中的用户发生交易，各参与节点将交易方、交易数据信息发送给优化服务器；步骤2.2优化服务器生成基于拉普拉斯机制的差分隐私噪声；步骤2.3优化服务器将对所得数据中的关键信息进行差分隐私操作，得到差分隐私处理后的数据；步骤3.将差分隐私处理后的交易数据上链。所述方法可靠性高、时间开销少且效率更高。
-
Patent Agency Ranking
公开(公告)号：CN120017316A
公开(公告)日：2025-05-16
申请号：CN202510022273.4
申请日：2025-01-07
Applicant: 北京理工大学
IPC: H04L9/40 , G06F21/31 , G06F21/45 , G06F21/60 , G06F21/62 , G06F21/64 , G06F18/2323 , H04L9/00 , H04L9/32
Abstract: 本发明涉及一种区块链赋能的社区检测加密方法，属于隐私保护和身份信息管理技术领域。本方法在对社区检测中数据拥有者的行为进行约束的同时保护了用户数字身份信息的安全，建立了新的去中心化的信任机制。首先利用区块链技术实现分布式身份认证，借助智能合约实现动态授权。在数据方面，引入向量承诺技术对数据拥有者上传的数据进行约束，同时将承诺后的数据放在区块链上实现可验证性与可溯源性。通过构建起可靠的信任基础，确保了身份管理系统的安全性和可靠性。此外，通过结合社区搜索算法，根据用户在社区中的地位和角色，实现了差异化的身份权限管理，大大提高了管理的精准性和效率。
-
公开(公告)号：CN113934374B
公开(公告)日：2024-12-03
申请号：CN202111193595.3
申请日：2021-10-13
Applicant: 北京理工大学
Abstract: 本发明公开的一种基于遗传算法的区块链多副本分配和存储方法，属于区块链系统技术领域。本发明实现方法为：通过对区块使用多副本机制进行分配和存储，降低区块链中新节点加入的存储空间要求门槛，使得整体区块链系统所需的存储空间减少；且使用基于遗传算法的多副本分配和存储优化算法，在多重资源约束的条件下，为区块链上的所有区块生成最优的分配与存储位置；通过设置精英制度和基于存储节点筛选表的交叉算子和突变算子，遗传算法得到近似最优的分配和存储方案，生成分配方案后由对应的节点负责实际的存储工作，从而降低区块链系统的整体能源损耗；区块链系统会定期地根据全局状态使用遗传优化算法调整区块的分配位置，能够有效提升区块链中区块查询事件的效率。
-
公开(公告)号：CN118965417A
公开(公告)日：2024-11-15
申请号：CN202410776703.7
申请日：2024-06-17
Applicant: 北京理工大学
IPC: G06F21/62 , G06N3/0499 , G06N3/084 , G06N3/098 , G06V10/764 , G06V10/82 , H04L9/00 , H04L9/08
Abstract: 本发明涉及一种可验证纵向联邦学习隐私保护方法，属于联邦学习技术领域。本发明包括步骤：1、构建初始化模型；2、对参与方Z实现训练数据的样本对齐；3、可信第三方向参与方Z分发加密密钥对；4、参与方Z执行本地模型前向训练得到中间结果；5、参与方Z将中间结果经过同态加密后进行互换，进而，得到互换中间结果；6、计算本地模型梯度；7、计算验证集损失函数与贡献值；8、本地模型反向模型更新训练；9、重复步骤4至步骤8，直到训练停止。本发明提出一种可验证纵向联邦学习隐私保护方法用于提升模型的性能。通过在训练的过程中，使用夏普利值来计算被动方的贡献值，进而验证被动方本地模型的性能，提升全局模型的准确率。
-
公开(公告)号：CN118965416A
公开(公告)日：2024-11-15
申请号：CN202410776614.2
申请日：2024-06-17
Applicant: 北京理工大学
IPC: G06F21/62 , G06N3/0499 , G06N3/084 , G06N3/098 , G06V10/764 , G06V10/82
Abstract: 本发明涉及去中心化纵向联邦学习隐私保护方法，属于机器学习技术领域。本发明包括步骤：1、模型参与方的成员节点包括主动方、被动方、验证方；2、形成主动方数据样本和被动方数据样本；3、模型初始化；4、被动方进行前向训练；5、验证方对本地中间结果进行验证通过拜占庭共识后，加权聚合形成聚合中间结果；6、主动方进行顶层模型训练；7、被动方利用主动方顶层模型的梯度值G反向更新本地模型参数；8、重复步骤3至步骤7，直到停止训练。本发明用于排除单独故障和提升准确率的性能，通过区块链中的共识组节点判断被动方的贡献值，聚合节点聚合共识后的被动方的本地值，实现去中心化的纵向联邦学习隐私保护方法。
-
公开(公告)号：CN118734801A
公开(公告)日：2024-10-01
申请号：CN202410724440.5
申请日：2024-06-05
Applicant: 北京理工大学
IPC: G06F40/166 , G06F40/289 , G06F40/30 , G06F40/151 , G06F21/16
Abstract: 本发明涉及一种基于语义一致性的大语言模型水印方法，属于人工智能安全技术领域。本方法包括水印嵌入和水印提取检测两个部分，在模型推理阶段，不对模型原始参数进行修改的情况下，将水印信息嵌入到生成文本中，避免了在模型训练阶段嵌入水印的过多资源消耗。本方法具有优良的鲁棒性，保持了水印文本的高文本质量和水印嵌入的低计算开销，具有良好的实用性。
-
-
-
-
-
-
-
-
-
Search Results
102
records
(took 0.023 seconds)
