-
公开(公告)号：CN112583575B
公开(公告)日：2023-05-09
申请号：CN202011413354.0
申请日：2020-12-04
Abstract: 本发明提供一种车联网中基于同态加密的联邦学习隐私保护方法，将基于同态加密的联邦学习引入车联网中，通过改进具有加法同态行的Paillier算法和具有乘法同态性的RSA算法，并结合AES算法和步长混淆的方式，同时采用分层加密技术，使加法同态在边缘端完成，而乘法同态在云端完成以提高加密效率，从而有效防止联邦学习恶意攻击，并有效降低加密导致的延迟的方法；该发明可以应用在车联网中进行隐私保护将联邦学习引入IoV中以解决用户隐私泄露问题。为了进一步地增强数据安全性，在联邦学习中引入高效的同态加密；而且改进了具有加法同态性的Paillier算法和具有乘法同态性的RSA算法，并结合AES算法和步长混淆的方式，构建一个具有全同态加密性的联邦学习架构。
-
公开(公告)号：CN112583575A
公开(公告)日：2021-03-30
申请号：CN202011413354.0
申请日：2020-12-04
Abstract: 本发明提供一种车联网中基于同态加密的联邦学习隐私保护方法，将基于同态加密的联邦学习引入车联网中，通过改进具有加法同态行的Paillier算法和具有乘法同态性的RSA算法，并结合AES算法和步长混淆的方式，同时采用分层加密技术，使加法同态在边缘端完成，而乘法同态在云端完成以提高加密效率，从而有效防止联邦学习恶意攻击，并有效降低加密导致的延迟的方法；该发明可以应用在车联网中进行隐私保护将联邦学习引入IoV中以解决用户隐私泄露问题。为了进一步地增强数据安全性，在联邦学习中引入高效的同态加密；而且改进了具有加法同态性的Paillier算法和具有乘法同态性的RSA算法，并结合AES算法和步长混淆的方式，构建一个具有全同态加密性的联邦学习架构。
-
公开(公告)号：CN112181971A
公开(公告)日：2021-01-05
申请号：CN202011166681.0
申请日：2020-10-27
IPC: G06F16/215 , G06F16/242 , G06F16/2455 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质，方法包括：根据设备所在的局域网地址，对设备聚类，将在每个局域网部署一个移动边缘节点服务器；参与训练的终端设备接收到云端发来的全局模型，在本地数据上训练得到本地更新模型；计算终端设备本地更新模型参数与全局模型参数间的余弦相似度；判定所述余弦相似度是否大于设定阈值，若余弦相似度大于设定阈值的本地更新模型，传输到移动边缘节点服务器参与边缘聚合，得到簇模型；将局域网的簇模型发送到云端参与全局聚合，得到全局聚合模型。本发明提出的方法能够在减少不必要的通信开销和避免服务器高并发访问带来的传输延迟的情况下提高联邦学习通信效率的方法。
-
公开(公告)号：CN112181971B
公开(公告)日：2022-11-01
申请号：CN202011166681.0
申请日：2020-10-27
IPC: G06F16/215 , G06F16/242 , G06F16/2455 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质，方法包括：根据设备所在的局域网地址，对设备聚类，将在每个局域网部署一个移动边缘节点服务器；参与训练的终端设备接收到云端发来的全局模型，在本地数据上训练得到本地更新模型；计算终端设备本地更新模型参数与全局模型参数间的余弦相似度；判定所述余弦相似度是否大于设定阈值，若余弦相似度大于设定阈值的本地更新模型，传输到移动边缘节点服务器参与边缘聚合，得到簇模型；将局域网的簇模型发送到云端参与全局聚合，得到全局聚合模型。本发明提出的方法能够在减少不必要的通信开销和避免服务器高并发访问带来的传输延迟的情况下提高联邦学习通信效率的方法。
-
公开(公告)号：CN111259561B
公开(公告)日：2022-08-26
申请号：CN202010082936.9
申请日：2020-02-07
Applicant: 华侨大学
IPC: G06F30/20 , G06F17/11 , G06F111/10 , G06F119/08 , G06F119/12
Abstract: 本发明涉及一种基于时间间隔的温度感知的处理器能耗计算方法，步骤为：1)根据周期任务的参数确定时间间隔；2)根据热传导方程，计算处理器在时刻t的温度T(t)；3)计算周期任务在单个时间间隔[t0,t1]的能耗E(t0,t1)；4)计算周期任务的总能耗Esum。本发明通过划分时间间隔，根据热传导方程，计算任务在各时间间隔的能耗，考虑系统温度对能耗的影响，提高了能耗计算的准确性。
-
Patent Agency Ranking
公开(公告)号：CN110851660B
公开(公告)日：2022-07-01
申请号：CN201911011212.9
申请日：2019-10-23
Applicant: 华侨大学
IPC: G06F16/901 , G06Q50/00
Abstract: 本发明涉及一种社交网络中基于谣言传播模型的免疫回溯辟谣方法，包括：建立包括S、C、D、I和R五种状态的节点传播模型，各状态在一定的转化因素下进行状态转化；状态转化过程中引入激励机制，抑制谣言传播；所述转化因素包括个人因素、邻居因素、内容因素和时延因素；其中，S表示未接触信息，C表示传播这个信息，D表示怀疑这个信息，I表示对该信息不感兴趣不会传播，R表示传播权威机构发布的辟谣。本发明在状态转换概率计算中考虑了每个用户的个人因素、邻居因素、内容因素和时延因素，模型更接近实际；引入激励机制使用户能够发送正确的辟谣信息，使得谣言更早的被发现和抑制。
-
公开(公告)号：CN111124439B
公开(公告)日：2022-05-03
申请号：CN201911296890.4
申请日：2019-12-16
Applicant: 华侨大学
Abstract: 本发明公开了一种云边协同的智能动态卸载方法，对于每一个应用，将边缘层当前的CPU、内存、带宽和剩余电量等状态数据作为输入变量，计算出每个应用处理完成的时间和边缘层状态量，再利用LibSVM算法识别应用的类型，根据类型判定该应用处理完成的时间条件，根据边缘层的情况判定边缘层的状态量条件，共同决定该应用的数据是否卸载在边缘端还是云端；该方法考虑了不同应用类型的特点，算法中对于不同类型应用设置不同的最大延迟容忍时间，并且考虑了边缘层的实时状态，利用智能决策算法实时把应用数据卸载到边缘或云端以获得最短的总运行时间，优化总运行时间使其明显优于应用数据卸载到云端或边缘端，而且可以很好地减少时延和能量消耗。
-
公开(公告)号：CN110602723B
公开(公告)日：2022-05-03
申请号：CN201910795830.0
申请日：2019-08-27
Applicant: 华侨大学
Abstract: 一种基于水下边缘设备的两级双向预测获取数据方法，通过将计算从集中式云层转移到分布式边缘层，构建底层‑边缘‑云三层数据收集模式。利用水下边缘设备的移动性和计算能力进行基于历史信息的分析预测数据，实现在保证数据传输准确的前提下有效减少声波通信，减少传感器能耗。考虑到异构设备的差异化能力，对边缘层与底层这两层节点采用不同的预测算法，将水下数据收集过程转化为两级双向数据预测过程的方法。该发明可以应用在水下传感器网络数据收集机制中。
-
公开(公告)号：CN108900621B
公开(公告)日：2021-08-31
申请号：CN201810749961.0
申请日：2018-07-10
Applicant: 华侨大学
IPC: H04L29/08
Abstract: 本发明涉及一种基于雾计算模式的差异性云同步方法，在用户层和云服务层之间添加雾服务层以通过差异性同步法处理每次用户端的同步请求，所述用户层包括若干用户端，雾服务层包括雾服务器，云服务层包括云服务器；所述差异性同步法包括：用户端上传每次修改的差异数据至雾服务器存储，雾服务器判断所存储的数据是否达到预设上限，如果未达到，雾服务器保存每次差异数据并更新数据；如果达到，雾服务器将最终的差异数据上传至云服务器，云服务器基于所述最终的差异数据重构云端文件，使得云服务器端文件和用户端的最新文件保持一致。本发明方法能够优化差异性同步的存储以及运行效率，提升云服务质量。
-
公开(公告)号：CN109451459B
公开(公告)日：2021-08-03
申请号：CN201811548674.X
申请日：2018-12-18
Applicant: 华侨大学
Abstract: 本发明涉及一种基于移动雾节点的传感云底层节点信任评价方法，包括：获取雾节点需要访问的传感器网络中的传感器节点，根据所述传感器节点生成待访问队列；所述待访问队列中的传感器节点称为中继节点；所述雾节点依次访问所述待访问队列中的中继节点，每移动至一个所述中继节点，则计算出与该中继节点相邻的所有传感器节点的综合信任评价；所述综合信任评价包括能量信任评价、数据信任评价和综合通信信任评价。本发明通过在传感云系统中引入移动的雾节点对底层传感器网络进行信任评价，能够减小传感云系统中信任评价的能量消耗与提高信任评价效率，并有效检测网络中的恶意节点。
-
-
-
-
-
-
-
-
-
Search Results
137
records
(took 0.031 seconds)
