-
公开(公告)号：CN115913559B
公开(公告)日：2024-08-02
申请号：CN202211041904.X
申请日：2022-08-29
Applicant: 北京理工大学 , 国家计算机网络与信息安全管理中心
Abstract: 本发明公开了一种基于网络延迟与算力延缓中本聪共识账本同步的方法。本发明在比特币网络中设置一运行模型和一操作者模型；比特币网络中包括诚实节点和攻陷节点；操作者模型将诚实节点分为两组并将攻陷节点分别加入两组进行挖矿；诚实节点上运行运行模型，每回合执行两个操作：1)接收来自比特币网络中广播的区块链，并验证合法性，丢弃不合法的区块；当收到的验证为合法的区块链比自己的区块链长时，则放弃自己原有的区块链，选择接收到的最长合法链作为自己的区块链；2)在自己的区块链末尾进行挖矿，当挖出一个新的区块时，将其添加到自己的区块链，产生一条新的区块链并将其广播出去；攻陷节点能够在任意长度的区块链上进行挖矿并广播。
-
Patent Agency Ranking
公开(公告)号：CN115913559A
公开(公告)日：2023-04-04
申请号：CN202211041904.X
申请日：2022-08-29
Applicant: 北京理工大学 , 国家计算机网络与信息安全管理中心
Abstract: 本发明公开了一种基于网络延迟与算力延缓中本聪共识账本同步的方法。本发明在比特币网络中设置一运行模型和一操作者模型；比特币网络中包括诚实节点和攻陷节点；操作者模型将诚实节点分为两组并将攻陷节点分别加入两组进行挖矿；诚实节点上运行运行模型，每回合执行两个操作：1)接收来自比特币网络中广播的区块链，并验证合法性，丢弃不合法的区块；当收到的验证为合法的区块链比自己的区块链长时，则放弃自己原有的区块链，选择接收到的最长合法链作为自己的区块链；2)在自己的区块链末尾进行挖矿，当挖出一个新的区块时，将其添加到自己的区块链，产生一条新的区块链并将其广播出去；攻陷节点能够在任意长度的区块链上进行挖矿并广播。
-
公开(公告)号：CN114841363A
公开(公告)日：2022-08-02
申请号：CN202210374786.8
申请日：2022-04-11
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于零知识证明的隐私保护与可验证隐私的联邦学习方法，属于人工智能机器学习技术领域，包括训练任务发布、本地训练、证明生成、训练结果提交、训练过程验证和训练参数聚合。本发明在联邦学习过程中利用零知识证明技术，在不泄露训练者的隐私数据的情况下向发布者证明训练过程的正确性。本发明对于联邦学习中所使用的训练算法没有限定和要求，支持对任意训练过程的证明，使得联邦学习具有可验证和隐私保护的性质，提高了联邦学习的安全性。同时，本发明采用了一种将小数机器学习过程转化为整数机器学习过程的方法，将复杂的机器学习过程通过一系列涉及加减乘除的简单运算的组合表示，将机器学习过程和密码学进行有机的联系与结合。
-
公开(公告)号：CN118400087A
公开(公告)日：2024-07-26
申请号：CN202410424265.8
申请日：2024-04-10
Applicant: 北京理工大学 , 奇安信网神信息技术(北京)股份有限公司
Abstract: 本发明提供了一种基于区块链的可验证隐私保护联邦学习方法，其中该方法，包括：当前参与节点向区块链平台发起请求，获得一个与区块链中一笔预设交易相关联的独特标识符及其对应的公共随机数；对公共随机数进行验证，当验证结果为真时，当前参与节点利用本地数据资源对中心模型进行训练得到相应的私有梯度数据，并调用梯度随机噪声协议，生成当前参与节点的加噪梯度值；将当前参与节点的加噪梯度值应用到中心模型中，直到中心模型收敛：本发明通过结合差分隐私和零知识证明，在不泄漏随机种子的情况下获得映射到指定概率分布的随机噪声，并添加到上传的梯度上，使得参与节点的私有训练数据资源以及梯度传递通信过程中的隐私得到了充分的保护。
-
公开(公告)号：CN114841363B
公开(公告)日：2024-07-23
申请号：CN202210374786.8
申请日：2022-04-11
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于零知识证明的隐私保护与可验证隐私的联邦学习方法，属于人工智能机器学习技术领域，包括训练任务发布、本地训练、证明生成、训练结果提交、训练过程验证和训练参数聚合。本发明在联邦学习过程中利用零知识证明技术，在不泄露训练者的隐私数据的情况下向发布者证明训练过程的正确性。本发明对于联邦学习中所使用的训练算法没有限定和要求，支持对任意训练过程的证明，使得联邦学习具有可验证和隐私保护的性质，提高了联邦学习的安全性。同时，本发明采用了一种将小数机器学习过程转化为整数机器学习过程的方法，将复杂的机器学习过程通过一系列涉及加减乘除的简单运算的组合表示，将机器学习过程和密码学进行有机的联系与结合。
-
公开(公告)号：CN119068664A
公开(公告)日：2024-12-03
申请号：CN202410806117.2
申请日：2024-06-21
Applicant: 北京理工大学
IPC: G08G1/01 , G06Q10/04 , G06N3/0464 , G06N3/044 , G06N3/0442
Abstract: 本发明涉及一种基于集群式联邦学习的城市交通流量预测方法，属于智能交通技术领域。本方法采用集群式联邦学习框架，在保护隐私数据的基础上挖掘时空依赖关系，构建集群式交通流量时空预测模型，包括获取城市交通流量数据信息、构建集群拓扑结构、本地客户端预测计算、集群领导者参数聚合、中央服务器全局参数更新等。本发明在结合城市实际路网结构及多参与方易出现数据泄露的情况下，考虑了流量数据时间和空间上复杂的依赖关系，实现了保护数据隐私，提高了预测准确性。
-
-
-
-
-
Search Results
6
records
(took 0.068 seconds)
