-
公开(公告)号：CN108521326A
公开(公告)日：2018-09-11
申请号：CN201810317657.9
申请日：2018-04-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于向量同态加密的隐私保护的线性SVM模型训练算法，属于信息技术安全领域，包括以下步骤：步骤1.使用者采用基于向量的同态加密方案VHE对训练数据集进行加密，并将加密结果发送至服务器；步骤2.服务器对加密结果进行计算，得到密文线性核函数矩阵并将密文线性核函数矩阵返回至使用者；步骤3.使用者对密文线性核函数矩阵进行解密，得到明文线性核函数矩阵并将明文线性核函数矩阵发送至服务器；步骤4.服务器采用密文SMO算法对明文线性核函数矩阵进行训练，并将训练结果返回至使用者。
-
公开(公告)号：CN106790069A
公开(公告)日：2017-05-31
申请号：CN201611190593.8
申请日：2016-12-21
Applicant: 电子科技大学
Abstract: 本发明涉及基于向量同态加密的隐私保护K‑NN分类方法，包括：A.接收查询向量组和标准向量组；B.通过查询向量组生成矩阵G，标准向量组使用密钥S通过向量同态加密生成密文组和新密钥GS；C.对新密钥GS进行密钥转换为转换密钥S'，得到此时的转换矩阵M和转换密文组；D.使用转换密钥S'对转换密文组解密，得到解密向量组；E.根据K个最小值的解密向量的分量为对应的各查询向量附上分类标签。本发明能够良好的对用户隐私数据保护，并且在隐私数据受到保护的情况下，通过K‑NN算法对用户的查询向量进行高效、准确的分类，提高了对向量类型判断的效率，扩大了向量类型判断的应用范围。
-
公开(公告)号：CN106788962A
公开(公告)日：2017-05-31
申请号：CN201611145362.5
申请日：2016-12-13
Applicant: 电子科技大学
Abstract: 本发明涉及隐私保护下的向量相似性判断方法，其中基于向量伸缩变换的隐私保护下的向量相似性判断方法，包括：A.接收两个标准向量x1、x2和待查询向量x3；B.对x1、x2和x3进行伸缩，得到两个标准输出向量L1、L2和待查询输出向量L3；C.设置误差阈值d后，分别计算||L1－L3||和||L2－L3||；D.比较||L1－L3||－||L2－L3||与d的大小关系，确定x3与x1或x2相似。本发明能够在不公开向量每个维度的值的前提下，通过比较向量的模长高效的判断向量之间的相似性，并且对密文比较的效率和明文比较对比，性能几乎没有下降。
-
公开(公告)号：CN119830334A
公开(公告)日：2025-04-15
申请号：CN202411806584.1
申请日：2024-12-10
Applicant: 电子科技大学 , 中国电信股份有限公司四川分公司
Abstract: 本发明涉及联邦学习安全领域，提供了一种基于函数加密的隐私保护纵向联邦学习方法及系统。该方法解决纵向联邦学习场景中基于密码学技术实现隐私保护时所面临的问题，即计算时间过多，通信开销过大，模型准确率和训练开销难以平衡的问题。主要方案包括系统初始化、客户端前向传播、服务器前向传播、服务器后向传播和客户端后向传播。本发明用于隐私保护纵向联邦学习，通过去中心化多客户端函数加密算法和纵向联邦学习框架，有效抵御梯度泄露攻击和基于模型参数的反向推导攻击，提高计算效率同时保证模型精度，减少通信开销，增强客户端样本数据的隐私性。
-
公开(公告)号：CN119729460A
公开(公告)日：2025-03-28
申请号：CN202411806591.1
申请日：2024-12-10
Applicant: 电子科技大学 , 中国电信股份有限公司四川分公司
Abstract: 本发明提供了一种基于多客户端函数加密的无人机地形深度探测方法，主要包括：A.系统初始化：在一个无人机探测系统中，存在一个聚合服务器Server和K个无人机用户，由聚合服务器Server生成系统参数，每个无人机用户交互生成密钥等信息B.感知数据加密阶段：K个无人机用户将测得的有关数据通过给定的函数进行加密；C.解密密钥份额生成阶段：每个无人机用户随机生成一个随机数并且将自己的密钥与得到的随机数进行计算，最后将得到的值传给聚合服务器D.解密密钥生成聚合阶段：聚合服务器通过计算可以得到生成的密钥；E.解密阶段：聚合服务器Server将得到的密文通过解密密钥进行解密，最后通过解离散对数的方式得到最终值并发给每一个无人机用户F.权值更新阶段：无人机用户按照给定的方程式进行计算并且不断与聚合服务器进行交互，重复B‑F步骤直至数据收敛，即可得到最后的结果。
-
Patent Agency Ranking
公开(公告)号：CN119011264A
公开(公告)日：2024-11-22
申请号：CN202411140902.5
申请日：2024-08-20
Applicant: 电子科技大学
Abstract: 本发明公开了一种支持节点掉线的隐私保护众包联邦学习方法，属于众包联邦学习安全领域，旨在解决现有众包联邦学习中的隐私泄露、通信网络不稳定导致的聚合失败以及易受单点故障攻击等问题，主要方案包括区块链上发布训练任务、训练节点加入系统、初始化全局模型和密钥生成、本地模型训练、模型加密和共识上链、模型聚合和模型解密。该方法通过基于身份的广播加密方案和智能合约计算模型聚合，实现了去中心化的安全聚合，降低了计算和通信开销。此外，采用新型掉线容忍聚合算法，提高了系统的鲁棒性。本发明适用于需要隐私保护且面临通信不稳定的众包联邦学习场景。
-
公开(公告)号：CN118035389B
公开(公告)日：2024-06-07
申请号：CN202410433270.5
申请日：2024-04-11
Applicant: 电子科技大学
IPC: G06F16/33 , G06F40/211 , G06F40/253 , G06N3/098
Abstract: 本发明公开了一种联邦学习系统中的大语言模型训练数据恢复方法，属于联邦学习技术领域。本发明首先截获客户端向服务器上传的梯度，以及截获服务器向客户端下发的全局大语言模型，从而基于全局大语言模型和梯度恢复出客户端的私有训练数据。在恢复处理时，本发明通过直接操作令牌级别的信息，减少了复杂度，并保证了整个恢复过程中重建的文本始终保持语法的正确性；同时通过使用辅助大语言模型，不仅优化了重建文本的语法结构，还保障了重建过程中的每一步都生成合乎语法规则的句子，从而显著提升数据恢复的恢复质量；本发明还利用辅助的大语言模型维持句子的语法正确性，以避免在巨大嵌入空间内进行无目的搜索，实现高效和准确的文本数据恢复。
-
公开(公告)号：CN118054910A
公开(公告)日：2024-05-17
申请号：CN202311744410.2
申请日：2023-12-18
Applicant: 电子科技大学
Abstract: 本发明属于密码学与网络安全领域，提出了一种边缘群智感知中基于匿名化技术的隐私保护真值发现方法。主旨在于以较低的系统开销实现了全面的隐私保护并且能够抵抗主动攻击，进而使系统具备容错性，主要方案包括在边缘群智感知系统中，可信中心TA、任务请求者REQ、数据请求服务器DRC、边缘计算节点FN和移动感知设备Ek共同参与。TA初始化系统参数并为每台设备生成公私钥对和加密密钥。设备先盲化感知数据，计算环签名后提交给FN并发送给DRC，FN验证环签名并反馈给DRC。DRC在迭代初始或利用上一轮真值为设备计算权值更新辅助信息，发送给FN。FN根据辅助信息更新设备权值，并将真值更新辅助信息发送给DRC。DRC根据此信息更新感知任务真值。
-
公开(公告)号：CN117202172A
公开(公告)日：2023-12-08
申请号：CN202311179929.0
申请日：2023-09-13
Applicant: 电子科技大学
Abstract: 本发明提供一种保护隐私的基于秘密分享的临近测试方法，通过对针对三角函数的高效安全计算协议并将其应用于临近测试模型中使得参与方可以联合地在不向另一方直接披露自己拥有的数据值的情况下获得双方距离计算的结果。本发明在保证保护隐私位置信息的同时能够及时准确地完成临近测试，相对于已有的传统协议来说，保证了模型的整体精确度和计算结果的准确性，并大幅降低了函数评估时所需要的通信量和计算量，减少临近测试过程中的通讯开销，达到了通信高效和计算高效的预期目标，使得在实际应用中，用户所能感知到的延迟大幅下降，保证了密文下模型计算时的用户体验。
-
公开(公告)号：CN115065463B
公开(公告)日：2023-04-07
申请号：CN202210656199.8
申请日：2022-06-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种隐私保护的神经网络预测系统，属于信息安全技术领域。本发明包括客户端、服务端和第三方；在神经网络模型预测的离线阶段，客户端、服务端和第三方通过协商完成模型参数的分享；在线预测阶段，客户端将输入数据的分享值发送给服务端；客户端和服务端利用安全计算协议共同执行具有隐私保护的神经网络预测，服务端将得到的预测结果的分享返回给客户端，客户端重构得到预测结果。在通信方面，本发明仅需一轮通信交互，且降低了现有方案的通信开销数据量，以使得本发明的通信效率显著提高，本发明中所有的计算都是基于环而不是域。本发明还重新定制了离线阶段的协议，不仅提高了离线阶段的效率而且仅需轻量级的秘密分享操作。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.048 seconds)
