-
Patent Agency Ranking
公开(公告)号：CN119903551A
公开(公告)日：2025-04-29
申请号：CN202411962112.5
申请日：2024-12-30
Applicant: 南通大学
Abstract: 本发明提供了一种增强鲁棒性保护医疗隐私的联邦学习方法，解决了智能医疗场景中的异构数据难以聚合和恶意参与者投毒攻击的技术问题。技术方案包括：S10、系统管理员SM和科研机构RI生成公共参数，分发密钥集；S20、医院利用本地数据集训练模型参数，归一化模型并加密，将加密后的模型上传至RI的服务器；S30、SM和RI协同进行归一化判断，RI利用余弦相似度评估梯度密文；S40、RI利用逻辑回归函数调整梯度密文的聚合权重，然后聚合梯度密文；S50、RI和参与训练的医院共同更新本地模型。本发明使用全同态加密算法保护医疗患者的隐私数据，使用余弦相似度评估梯度密文，新的聚合机制确保训练模型具备高度精确性。
-
公开(公告)号：CN119962637A
公开(公告)日：2025-05-09
申请号：CN202510109003.7
申请日：2025-01-23
Applicant: 南通大学
Abstract: 本发明提供了一种异构自适应量化隐私保护的联邦学习方法，包括以下步骤：S10、系统初始化阶段；S20、用户更新本地模型阶段；S30、服务器计算量化等级；S40、用户计算量化梯度；S50、用户保护梯度隐私；S60、服务器计算布尔共享；S70、服务器将布尔共享转换为算术共享；S80、服务器计算全局模型参数和辅助量化等级，并将其分发给所有用户；S90、模型训练阶段，当训练轮次达到最大值时，终止联邦学习任务，否则进入到S20。本发明构造一种异构自适应量化隐私保护的联邦学习方法，能够获得较高准确率的全局模型，极大减少参与者的通信开销和隐私保护计算开销，非常适用于智能物联网中资源受限的轻量级物联网设备。
-
公开(公告)号：CN119416261A
公开(公告)日：2025-02-11
申请号：CN202411559082.3
申请日：2024-11-04
Applicant: 南通大学
IPC: G06F21/62 , G06N20/20 , G06F18/214 , G06F17/16 , G06F21/60
Abstract: 本发明涉及联邦学习、抗增强梯度攻击和隐私保护技术领域，尤其涉及一种抗增强梯度攻击的安全高效联邦学习方法。本发明在不泄露参与者隐私的前提下，通过对参与者整数型更新向量的分量上界和L2范数的约束，进行联合防御，能高效地剔除恶意参与者的增强梯度投毒攻击。本发明结合了布尔共享和Diffie‑Hellman密钥交换协议，保护了参与者的模型更新向量的隐私，同时参与者进行隐私保护的操作也是轻量级的布尔运算，不需要昂贵的加密操作，并且隐私保护操作没有进一步增加参与者的通信开销。本发明提出一种使用二选一不经意传输协议的方法，把服务器拥有的布尔共享转换成其相应的算术共享，服务器再使用算术共享来进行联邦学习全局模型的聚合。
-
公开(公告)号：CN118940310A
公开(公告)日：2024-11-12
申请号：CN202410933275.4
申请日：2024-07-12
Applicant: 南通大学
Abstract: 本发明提供了一种保护隐私的量化联邦学习方法，属于智能物联网中的联邦学习、量化和隐私保护技术领域，解决了联邦学习过程中存在的通信开销大和隐私泄露的技术问题。其技术方案包括以下步骤：S10、系统初始化；S20、本地模型参数的量化编码；S30、量化更新向量的隐私保护；S40、服务器布尔共享的生成；S50、布尔共享到算术共享的转换；S60、算术共享矩阵的聚合；S70、本地模型更新。本发明的有益效果为：该方法不仅减少了联邦学习中参与者的通信开销，还保护了参与者模型更新向量的隐私。
-
公开(公告)号：CN116366320A
公开(公告)日：2023-06-30
申请号：CN202310289399.9
申请日：2023-03-22
Applicant: 南通大学
Abstract: 本发明提供了一种基于区块链可撤销的分布式属性基加密方法，属于区块链、物联网、数据共享和属性基加密(ABE)技术领域。解决了物联网数据共享场景中存在的隐私泄露的技术问题。其技术方案为：包括以下步骤：S10、系统建立；S20、权威机构初始化；S30、用户注册；S40、用户属性私钥生成；S50、数据加密；S60、数据访问；S70、用户属性撤销。本发明的有益效果为：利用区块链和分布式多权威ABE实现物联网数据的细粒度安全共享，实现属性撤销时共享数据的前向和后向安全性，提高了属性撤销的效率。
-
-
-
-
Search Results
5
records
(took 0.017 seconds)
