-
公开(公告)号：CN120069009A
公开(公告)日：2025-05-30
申请号：CN202510542723.2
申请日：2025-04-28
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明属于分布式机器学习的技术领域，更具体地，涉及一种差分隐私下检测并防御投毒攻击的联邦学习方法及系统。所述方法包括：在客户端定义差分隐私；客户端下载服务端的全局模型，使用本地训练数据集训练本地模型，计算差分隐私噪声并结合自适应加噪决策机制实现本地模型更新；服务端接收来自客户端的本地模型更新，执行基于分段聚类分析的恶意更新检测；服务端为各客户端分配权重并聚合更新得到全局模型；重复以上步骤，直到达到设置的训练轮次，输出最终的全局模型。本发明解决了差分隐私下模型扰动造成的攻击识别困难问题，可精准筛除对全局模型构成威胁的异常客户端，实现隐私性与安全性的协同优化。
-
公开(公告)号：CN120068994A
公开(公告)日：2025-05-30
申请号：CN202510512002.7
申请日：2025-04-23
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06N3/092 , G06N3/098 , G06N3/048 , G06N3/0464 , G06N3/0499
Abstract: 本发明属于联邦学习领域，具体涉及一种基于双层强化学习的联邦学习设备调度优化方法及装置，其方法包括：获取设备的当前状态特征；将设备分为个组，并通过上层强化学习为每组设备分配参与率；通过下层强化学习选择每组内参与联邦学习的设备；构建设备调度目标函数，并初始化全局模型参数，基于下层强化学习所选择的设备进行联邦学习训练，训练过程中，通过调整每组设备的参与率和优化目标的评分权重最大化设备调度目标函数，以确定设备最优调度策略。本发明利用双层强化学习策略优化联邦学习设备调度，旨在提升全局模型性能、降低设备能耗、并提高设备参与公平性。
-
公开(公告)号：CN120030536A
公开(公告)日：2025-05-23
申请号：CN202510496401.9
申请日：2025-04-21
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06F21/55 , G06F18/23213 , G06N20/00 , G06N3/045 , G06N3/096
Abstract: 本发明属于信息安全的技术领域，尤其涉及一种联邦学习防御方法、电子设备及存储介质。本发明是一种适用于非独立同分布数据环境的抵御投毒攻击的防御方法，通过融合历史全局模型构造教师模型，在客户端进行知识蒸馏和个性化训练、联合服务器端使用K‑means聚合方法共同防御模型投毒攻击。通过模拟训练过程中的攻击与防御机制，该方法系统能够识别并剔除恶意客户端，不仅提高了联邦学习框架对模型投毒攻击的防御能力，还显著提升了最终全局模型的性能，保证了联邦学习系统的整体鲁棒性和安全性。
-
公开(公告)号：CN118897973A
公开(公告)日：2024-11-05
申请号：CN202410967431.9
申请日：2024-07-18
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 青岛理工大学
IPC: G06F18/21 , G06F18/15 , G06F18/213 , G06F18/214 , G06F18/23 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/049 , G06N3/084 , G06N3/088
Abstract: 本发明涉及一种基于VAE‑Bi‑LSTM‑SAM的电网电压数据异常检测方法、装置、设备及存储介质。该方法包括：采集电网电压时序数据构建数据集，对数据集中的数据进行预处理，将预处理后的数据集划分为训练集和测试集；对训练集和测试集中的电网电压时序数据进行标准化处理，按时间步长对标准化处理后的电网电压时序数据进行窗口滑动切片处理，形成多元时序窗口数据Xt；建立基于VAE‑Bi‑LSTM‑SAM的异常数据检测模型；利用训练集对基于VAE‑Bi‑LSTM‑SAM的异常数据检测模型进行训练，得到训练好的异常数据检测模型；利用训练好的异常数据检测模型对测试集中的电网电压时序数据进行异常检测。本发明能够实现对电网电压异常数据的准确检测，提高模型的泛化能力，增强模型对异常数据的识别能力。
-
公开(公告)号：CN118573480B
公开(公告)日：2024-10-25
申请号：CN202411044928.X
申请日：2024-08-01
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: H04L9/40
Abstract: 本发明涉及一种基于零信任架构的网络安全通信方法、装置、设备及存储介质。本发明旨在构建一个高度安全、灵活且响应迅速的网络通信环境，有效应对现代网络环境中不断演变的安全挑战。采用零信任原则，无论之前是否已被认证，要求在每次通信时都必须重新进行身份验证和信任评估，旨在为网络通信提供全面、智能且高效的安全保障。本发明通过采用数据处理算法和人工智能技术，对网络实体的身份验证、属性分析、交互记录和通信环境，进行实时、动态的信任评估，适用于协同任务等复杂场景，有效识别和防御潜在的安全威胁。本发明能够确保在从数据源到目的地的整个通信过程中，每一步都遵循零信任原则，从而保障通信的安全性和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN118606634B
公开(公告)日：2024-10-22
申请号：CN202411080709.7
申请日：2024-08-08
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F18/10 , G06F18/214 , G06F18/24 , G06N20/00
Abstract: 本发明属于分布式机器学习的技术领域，具体涉及一种基于衰减噪声扰动的自适应保隐私分布式学习方法及装置。所述方法包括：根据节点裁剪后的样本梯度获取其本地梯度，节点的裁剪阈值随迭代轮次的增加而减小；对本地梯度注入高斯噪声，高斯噪声的强度随迭代轮次的增加成阶梯式衰减；聚合节点在每轮迭代中注入高斯噪声后的本地梯度，并利用聚合后的梯度更新本地模型参数，将更新后的本地模型参数广播给相邻节点进行参数更新；再聚合相邻节点更新后的模型参数，用于下一次迭代。本发明通过添加噪声以有效保护数据隐私，同时减小噪声误差保证数据的准确性。
-
公开(公告)号：CN118410067B
公开(公告)日：2024-09-10
申请号：CN202410874030.9
申请日：2024-07-02
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F16/2453 , G06F16/22 , G06F16/901 , G06F21/62 , G06F21/60 , H04L9/00 , H04L9/06
Abstract: 本发明属于保密通信的技术领域，更具体地，涉及一种针对加密图的质量约束最短路径查询方法、装置及计算机可读存储介质。所述方法包括客户端在本地将图数据构造为密文索引，并发送至服务端；客户端将查询起止点利用sha3哈希函数将查询起始点、查询终止点进行计算得到对应的哈希值，将质量阈值利用同态加密进行计算，将计算结果合为三元组即查询令牌，客户端将查询令牌发送至服务端；服务端根据查询令牌中的查询起止点信息进行质量约束最短路径查询，查询结束后将查询结果发送至客户端；客户端进行解密，得到最终的查询结果。本发明解决了现有技术中将图数据根据不同的约束条件转化为多个索引，增加了索引的存储空间，且查询效率较低的问题。
-
公开(公告)号：CN118114750B
公开(公告)日：2024-08-09
申请号：CN202410534273.8
申请日：2024-04-30
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06N3/098 , G06F18/241
Abstract: 本发明属于联邦学习的技术领域，更具体地，涉及一种基于双组件二阶聚合与重优化分类器部分的联邦学习方法、装置及计算机可读存储介质，包括在服务器方生成随机初始化全局模型，并将其下发给客户端；在客户端上进行更新与训练，并在训练完成后生成客户端的本地原型集合，并上传到服务器；服务器通过聚合操作生成新的全局模型和新的全局原型集合，发送给参与训练的客户端；各客户端更新训练当前本地模型，生成新的本地模型和新的本地原型集合，上传到服务器；重复上述过程，直到结束，最终得到个性化联邦学习模型。本发明解决现有技术中面对高度异构的数据时，对模型性能的提升效果有限以及训练出的模型容易出现过拟合现象的问题。
-
公开(公告)号：CN118410067A
公开(公告)日：2024-07-30
申请号：CN202410874030.9
申请日：2024-07-02
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F16/2453 , G06F16/22 , G06F16/901 , G06F21/62 , G06F21/60 , H04L9/00 , H04L9/06
Abstract: 本发明属于保密通信的技术领域，更具体地，涉及一种针对加密图的质量约束最短路径查询方法、装置及计算机可读存储介质。所述方法包括客户端在本地将图数据构造为密文索引，并发送至服务端；客户端将查询起止点利用sha3哈希函数将查询起始点、查询终止点进行计算得到对应的哈希值，将质量阈值利用同态加密进行计算，将计算结果合为三元组即查询令牌，客户端将查询令牌发送至服务端；服务端根据查询令牌中的查询起止点信息进行质量约束最短路径查询，查询结束后将查询结果发送至客户端；客户端进行解密，得到最终的查询结果。本发明解决了现有技术中将图数据根据不同的约束条件转化为多个索引，增加了索引的存储空间，且查询效率较低的问题。
-
公开(公告)号：CN118114750A
公开(公告)日：2024-05-31
申请号：CN202410534273.8
申请日：2024-04-30
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06N3/098 , G06F18/241
Abstract: 本发明属于联邦学习的技术领域，更具体地，涉及一种基于双组件二阶聚合与重优化分类器部分的联邦学习方法、装置及计算机可读存储介质，包括在服务器方生成随机初始化全局模型，并将其下发给客户端；在客户端上进行更新与训练，并在训练完成后生成客户端的本地原型集合，并上传到服务器；服务器通过聚合操作生成新的全局模型和新的全局原型集合，发送给参与训练的客户端；各客户端更新训练当前本地模型，生成新的本地模型和新的本地原型集合，上传到服务器；重复上述过程，直到结束，最终得到个性化联邦学习模型。本发明解决现有技术中面对高度异构的数据时，对模型性能的提升效果有限以及训练出的模型容易出现过拟合现象的问题。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.041 seconds)
