公开(公告)号：CN115062331B

公开(公告)日：2025-05-09

申请号：CN202210559125.2

申请日：2022-05-22

Applicant: 北京理工大学

Inventor： 徐畅 ,  金国燮 ,  祝烈煌 ,  张川 ,  贾钰

IPC: G06F21/62 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于机器学习中的深度学习技术领域，具体涉及一种基于加性同态加密的隐私保护深度学习方法。本发明提出的基于加性同态加密的高效率隐私保护深度学习方法致力于解决上述两大挑战，该方法将用户从繁重的迭代训练过程中解放出来，减少用户的传输消耗，同时借助加性同态加密和随机梯度下降训练具有良好可用性和保密性的多层感知模型。通过巧妙的数学逻辑关系实现了通信高效，大大降低了参与实体的通信开销。

公开(公告)号：CN114186237B

公开(公告)日：2024-07-19

申请号：CN202111245837.9

申请日：2021-10-26

Applicant: 北京理工大学

Inventor： 徐畅 ,  贾钰 ,  祝烈煌 ,  金国燮 ,  张川

IPC: G06F21/57 ,  G06F21/62 ,  G06N20/00

Abstract: 本发明提出了一种基于真值发现的鲁棒性联邦学习模型聚合方法，属于机器学习中的联邦学习技术领域。所述基于真值发现的鲁棒性联邦学习模型聚合方法主要包括以下步骤：步骤1、搭建包含一个中心服务器和若干个客户端的联邦学习系统；步骤2、中心服务器将初始全局模型发送给客户端；步骤3、客户端用本地的数据集训练初始全局模型，而后得到本地模型，并将本地模型参数发送给中心服务器；步骤4、中心服务器接收客户端发送的本地模型参数，先估计客户端的权重再计算本地模型参数的真值，聚合得到全局模型参数，最后用余弦相似度过滤恶意客户端。所述聚合方法能抵御恶意中毒攻击，容忍系统中高达50％占比的恶意客户端，具有较强的鲁棒性。

公开(公告)号：CN115310120A

公开(公告)日：2022-11-08

申请号：CN202210780488.9

申请日：2022-07-04

Applicant: 北京理工大学

Inventor： 徐畅 ,  贾钰 ,  祝烈煌 ,  金国燮 ,  张璨

IPC: G06F21/62 ,  G06F21/55 ,  G06F21/57 ,  G06N20/00

Abstract: 本发明提出了一种基于双陷门同态加密的鲁棒性联邦学习聚合方法，属于隐私计算中的联邦学习技术领域。所述方法包括：建立包含多个本地联邦参与方、一个模型聚合方以及一个模型请求方的联邦学习系统；建立分布式双陷门同态加密系统；各个联邦参与方接收初始全局模型，随后用自己的本地数据集训练接收到的初始全局模型，从而得到各自的本地模型，而后用分布式双陷门同态加密系统加密各自的本地模型参数；模型聚合方计算加密后的本地模型参数两两之间的欧式距离，据此执行基于最大团算法的过滤规则，筛选出遭到攻击的联邦参与方。所述聚合方法既能在理论上保护模型隐私安全又能在实验中抵御数据中毒攻击，兼顾安全性和可用性。

公开(公告)号：CN114141323A

公开(公告)日：2022-03-04

申请号：CN202111245888.1

申请日：2021-10-26

Applicant: 北京理工大学

Inventor： 徐畅 ,  产子健 ,  祝烈煌 ,  张璨 ,  贾钰

IPC: G16H10/60 ,  G06F21/60 ,  G06F21/62

Abstract: 本发明提出了一种具有前向隐私的多用户隐私保护电子病历查询方法，属于可搜索加密技术领域。所述方法包括以下步骤：1、系统初始化；2、患者注册；3、医疗服务机构生成加密数据并发送至云服务器；4、患者生成加密的查询请求并发送至云服务器；5、云服务器查询数据；6、医疗服务机构向云服务器发送患者的撤销信息，云服务器将对应密钥删除；7、医疗服务机构生成更新数据并发送至云服务器，云服务器将电子病历的编号存入电子病历的桶位置中；8、医疗服务机构将被删除电子病历的编号发送至云服务器，云服务器删除对应加密的电子病历。所述方法支持效率较高的多用户查询且实现了前向隐私。

公开(公告)号：CN115062331A

公开(公告)日：2022-09-16

申请号：CN202210559125.2

申请日：2022-05-22

Applicant: 北京理工大学

Inventor： 徐畅 ,  金国燮 ,  祝烈煌 ,  张川 ,  贾钰

IPC: G06F21/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于机器学习中的深度学习技术领域，具体涉及一种基于加性同态加密的隐私保护深度学习方法。本发明提出的基于加性同态加密的高效率隐私保护深度学习方法致力于解决上述两大挑战，该方法将用户从繁重的迭代训练过程中解放出来，减少用户的传输消耗，同时借助加性同态加密和随机梯度下降训练具有良好可用性和保密性的多层感知模型。通过巧妙的数学逻辑关系实现了通信高效，大大降低了参与实体的通信开销。

公开(公告)号：CN114186237A

公开(公告)日：2022-03-15

申请号：CN202111245837.9

申请日：2021-10-26

Applicant: 北京理工大学

Inventor： 徐畅 ,  贾钰 ,  祝烈煌 ,  金国燮 ,  张川

IPC: G06F21/57 ,  G06F21/62 ,  G06N20/00

Abstract: 本发明提出了一种基于真值发现的鲁棒性联邦学习模型聚合方法，属于机器学习中的联邦学习技术领域。所述基于真值发现的鲁棒性联邦学习模型聚合方法主要包括以下步骤：步骤1、搭建包含一个中心服务器和若干个客户端的联邦学习系统；步骤2、中心服务器将初始全局模型发送给客户端；步骤3、客户端用本地的数据集训练初始全局模型，而后得到本地模型，并将本地模型参数发送给中心服务器；步骤4、中心服务器接收客户端发送的本地模型参数，先估计客户端的权重再计算本地模型参数的真值，聚合得到全局模型参数，最后用余弦相似度过滤恶意客户端。所述聚合方法能抵御恶意中毒攻击，容忍系统中高达50％占比的恶意客户端，具有较强的鲁棒性。