-
公开(公告)号：CN111866869B
公开(公告)日：2023-06-23
申请号：CN202010645474.7
申请日：2020-07-07
Applicant: 兰州交通大学
IPC: G06F16/587 , H04W12/02 , H04W16/22 , H04W64/00
Abstract: 本发明提出了一种面向边缘计算的联邦学习室内定位隐私保护方法，该方法基于联邦学习和差分隐私保护技术，在边缘计算环境下进行室内定位模型的可信联邦训练，训练过程中各参与用户不共享训练数据，只通过共享定位模型参数进行室内定位模型的分布式训练和可信聚合，同时，通过端云协同的迭代方式更新模型参数，不断优化室内定位模型，实现多用户定位模型训练的隐私保护和协同获益。实验结果表明，与传统集中式的模型训练方法和基于联邦学习的模型训练方法相比，本发明不仅能提供可证明的隐私保护，而且在增加极小计算开销的情况下保证了模型的定位效果。
-
公开(公告)号：CN111988845A
公开(公告)日：2020-11-24
申请号：CN202010915760.0
申请日：2020-09-03
Applicant: 兰州交通大学
Abstract: 一种边缘计算架构下的差分私有多源无线信号指纹融合室内定位方法，其为：(1)边缘设备将自己拥有的信息强度RSS数据经添加拉普拉斯噪声后随机发送到附近边缘节点；(2)边缘节点接收到RSS数据后，将相同位置收集到的WiFi和蓝牙的RSS数据进行聚合，并对其进行统一标定后发送给边缘服务器；(3)边缘服务器将接收到的噪声标记和未标记样本整合在一起，并利用图拉普拉斯流行约束对WiFi和BLE的RSS数据进行差分隐私保护的特征融合，并将所有经过隐私保护处理后的数据集发送到云服务器；(4)云服务器拟合学习参数，进行满足差分私有的机器学习模型训练，生成安全可信的室内定位模型。本发明不仅能够提供可证明的隐私保护，而且可以保证较高的定位精度和较少的资源消耗。
-
公开(公告)号：CN114970833A
公开(公告)日：2022-08-30
申请号：CN202210709776.5
申请日：2022-06-22
Applicant: 兰州交通大学
Abstract: 一种基于Android的差分私有室内定位联邦学习方法，包括数据收集与预处理、离线训练和在线定位三个阶段；在数据收集与预处理阶段，移动终端设备收集RSS指纹数据并通过计算位置点与RSS指纹数据间的皮尔逊相关系数来剔除不相关的位置点；在离线训练阶段，预处理后的RSS指纹数据在移动终端设备上进行室内定位子模型训练，对模型参数在本地进行差分隐私保护处理后上传到边缘服务器，边缘服务器对接收到的模型参数进行可信聚合，将聚合后的最新模型参数下发给各移动终端设备，使其进行下一步迭代训练，直到得到最优的室内定位模型；在在线定位阶段，用户实时采集其附近的室内RSS指纹数据，并将其输入到训练好的室内定位模型中，以获取安全、可靠的室内定位服务。
-
Patent Agency Ranking
公开(公告)号：CN111083631B
公开(公告)日：2020-11-03
申请号：CN201911213766.7
申请日：2019-12-02
Applicant: 兰州交通大学
Abstract: 一种保护位置隐私和查询隐私的高效查询处理方法，具体包括以下步骤：（1）用户在客户端利用移动设备，通过缓存的服务相似地图和服务相似度表选取假位置；通过用户所要查询的兴趣点类型以及兴趣点类型的总数生成加密数据，由假位置和加密数据构成查询请求发送到LBS（Location based Service）服务器（2）服务器根据接收到的查询请求，利用保存的数据库，生成响应，将其返回到客户端；（3）客户端对服务器返回的响应中的数据进行解密，得到用户所需的数据。本发明利用已有的服务相似性选取假位置，在保护位置隐私的同时确保一定的服务质量；利用同态加密对用户查询的类型做加密，在不暴露用户查询类型的情况下，使得服务器可以返回用户所需的数据。
-
公开(公告)号：CN114970833B
公开(公告)日：2024-11-19
申请号：CN202210709776.5
申请日：2022-06-22
Applicant: 兰州交通大学
IPC: G06N3/098 , H04W12/02 , H04W12/033 , H04W28/084 , H04W4/02 , H04W4/33 , H04W64/00
Abstract: 一种基于Android的差分私有室内定位联邦学习方法，包括数据收集与预处理、离线训练和在线定位三个阶段；在数据收集与预处理阶段，移动终端设备收集RSS指纹数据并通过计算位置点与RSS指纹数据间的皮尔逊相关系数来剔除不相关的位置点；在离线训练阶段，预处理后的RSS指纹数据在移动终端设备上进行室内定位子模型训练，对模型参数在本地进行差分隐私保护处理后上传到边缘服务器，边缘服务器对接收到的模型参数进行可信聚合，将聚合后的最新模型参数下发给各移动终端设备，使其进行下一步迭代训练，直到得到最优的室内定位模型；在在线定位阶段，用户实时采集其附近的室内RSS指纹数据，并将其输入到训练好的室内定位模型中，以获取安全、可靠的室内定位服务。
-
公开(公告)号：CN111988845B
公开(公告)日：2022-02-22
申请号：CN202010915760.0
申请日：2020-09-03
Applicant: 兰州交通大学
Abstract: 一种边缘计算架构下的差分私有多源无线信号指纹融合室内定位方法，其为：(1)边缘设备将自己拥有的信息强度RSS数据经添加拉普拉斯噪声后随机发送到附近边缘节点；(2)边缘节点接收到RSS数据后，将相同位置收集到的WiFi和蓝牙的RSS数据进行聚合，并对其进行统一标定后发送给边缘服务器；(3)边缘服务器将接收到的噪声标记和未标记样本整合在一起，并利用图拉普拉斯流行约束对WiFi和BLE的RSS数据进行差分隐私保护的特征融合，并将所有经过隐私保护处理后的数据集发送到云服务器；(4)云服务器拟合学习参数，进行满足差分私有的机器学习模型训练，生成安全可信的室内定位模型。本发明不仅能够提供可证明的隐私保护，而且可以保证较高的定位精度和较少的资源消耗。
-
公开(公告)号：CN111083631A
公开(公告)日：2020-04-28
申请号：CN201911213766.7
申请日：2019-12-02
Applicant: 兰州交通大学
IPC: H04W4/02 , H04W12/00 , H04W12/02 , G06F16/9537 , G06F21/60
Abstract: 一种保护位置隐私和查询隐私的高效查询处理方法，具体包括以下步骤：（1）用户在客户端利用移动设备，通过缓存的服务相似地图和服务相似度表选取假位置；通过用户所要查询的兴趣点类型以及兴趣点类型的总数生成加密数据，由假位置和加密数据构成查询请求发送到LBS（Location based Service）服务器（2）服务器根据接收到的查询请求，利用保存的数据库，生成响应，将其返回到客户端；（3）客户端对服务器返回的响应中的数据进行解密，得到用户所需的数据。本发明利用已有的服务相似性选取假位置，在保护位置隐私的同时确保一定的服务质量；利用同态加密对用户查询的类型做加密，在不暴露用户查询类型的情况下，使得服务器可以返回用户所需的数据。
-
公开(公告)号：CN111866869A
公开(公告)日：2020-10-30
申请号：CN202010645474.7
申请日：2020-07-07
Applicant: 兰州交通大学
Abstract: 本发明提出了一种面向边缘计算的联邦学习室内定位隐私保护方法，该方法基于联邦学习和差分隐私保护技术，在边缘计算环境下进行室内定位模型的可信联邦训练，训练过程中各参与用户不共享训练数据，只通过共享定位模型参数进行室内定位模型的分布式训练和可信聚合，同时，通过端云协同的迭代方式更新模型参数，不断优化室内定位模型，实现多用户定位模型训练的隐私保护和协同获益。实验结果表明，与传统集中式的模型训练方法和基于联邦学习的模型训练方法相比，本发明不仅能提供可证明的隐私保护，而且在增加极小计算开销的情况下保证了模型的定位效果。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
