异构可信执行环境间安全协同计算的方法、系统及产品

    公开(公告)号:CN118277107B

    公开(公告)日:2024-10-01

    申请号:CN202410713506.0

    申请日:2024-06-04

    Abstract: 本发明涉及计算机技术领域,具体公开了异构可信执行环境间安全协同计算的方法、系统及产品,该方法包括获取计算任务,对所述计算任务进行攻击,得到能够抵御所述攻击的协同计算安全分层范围;部署本地设备TEE和远程服务器TEE的运行环境,获取性能参数;根据性能参数,确定本地设备最优分层点;根据所述本地设备最优分层点拆分所述预训练模型;将拆分后的预训练模型分别发送到所述本地设备TEE和远程服务器TEE。本发明能够为给定的预训练模型提供协同计算安全分层范围,结合本地设备TEE和远程服务器TEE的性能表现,确定本地设备最优分层点,对预训练模型进行合理拆分,在保证协同计算安全性的前提下提高系统的整体执行效率。

    一种基于一致性损失函数的半监督医学图像分割方法

    公开(公告)号:CN116258730A

    公开(公告)日:2023-06-13

    申请号:CN202310545669.8

    申请日:2023-05-16

    Inventor: 贺阿龙 李涛

    Abstract: 本发明提供了一种基于一致性损失函数的半监督医学图像分割方法,属于神经网络技术领域,使用基于频域和多粒度相似度一致性约束来训练分割网络,通过利用有限标注样本和大量无标注样本来对医学图像进行高效地分割。根据频域和区域多粒度一致性约束,可以为无标注数据提供相应的监督信号,进而模型可以同时利用有标注和无标注数据训练模型,其中,频域一致性利用离散余弦变换将图像变换到频域;多尺度区域一致性可以利用区域一致性信息,可以为模型提供丰富的区域语义信息。本发明可减少全监督深度学习分割模型对标注数据的需求,从而减少90%标注成本,可以使得模型在有限标注样本的指导学习下利用大量无标注数据。

    异构可信执行环境间安全协同计算的方法、系统及产品

    公开(公告)号:CN118277107A

    公开(公告)日:2024-07-02

    申请号:CN202410713506.0

    申请日:2024-06-04

    Abstract: 本发明涉及计算机技术领域,具体公开了异构可信执行环境间安全协同计算的方法、系统及产品,该方法包括获取计算任务,对所述计算任务进行攻击,得到能够抵御所述攻击的协同计算安全分层范围;部署本地设备TEE和远程服务器TEE的运行环境,获取性能参数;根据性能参数,确定本地设备最优分层点;根据所述本地设备最优分层点拆分所述预训练模型;将拆分后的预训练模型分别发送到所述本地设备TEE和远程服务器TEE。本发明能够为给定的预训练模型提供协同计算安全分层范围,结合本地设备TEE和远程服务器TEE的性能表现,确定本地设备最优分层点,对预训练模型进行合理拆分,在保证协同计算安全性的前提下提高系统的整体执行效率。

    RISC-V架构二进制转译文件复用方法、装置及存储介质

    公开(公告)号:CN117827286B

    公开(公告)日:2024-04-26

    申请号:CN202410244844.4

    申请日:2024-03-05

    Abstract: 本发明公开了一种RISC‑V架构二进制转译文件复用方法、装置及存储介质,所述方法包括:在执行转译后的RISC‑V架构ELF文件时,利用转译后的RISC‑V架构ELF文件加载转译后生成的二进制翻译计算结果缓存文件,生成并初始化内存链表;对所述二进制翻译计算结果缓存文件进行解析,获取所述二进制翻译计算结果缓存文件的元数据;根据所述元数据在二进制翻译计算结果缓存文件中读取翻译缓存块的内存地址,并根据所述内存地址和指令操作码块对应关系对所述内存链表进行更新;在对指令操作码按指令操作码块执行翻译时,利用所述内存链表查询所述指令操作码块对应的内存地址;从所述对应的内存地址取出内容作为所述指令操作码块的翻译结果,直至所有指令操作码块完成翻译。

    一种基于一致性损失函数的半监督医学图像分割方法

    公开(公告)号:CN116258730B

    公开(公告)日:2023-08-11

    申请号:CN202310545669.8

    申请日:2023-05-16

    Inventor: 贺阿龙 李涛

    Abstract: 本发明提供了一种基于一致性损失函数的半监督医学图像分割方法,属于神经网络技术领域,使用基于频域和多粒度相似度一致性约束来训练分割网络,通过利用有限标注样本和大量无标注样本来对医学图像进行高效地分割。根据频域和区域多粒度一致性约束,可以为无标注数据提供相应的监督信号,进而模型可以同时利用有标注和无标注数据训练模型,其中,频域一致性利用离散余弦变换将图像变换到频域;多尺度区域一致性可以利用区域一致性信息,可以为模型提供丰富的区域语义信息。本发明可减少全监督深度学习分割模型对标注数据的需求,从而减少90%标注成本,可以使得模型在有限标注样本的指导学习下利用大量无标注数据。

Patent Agency Ranking