-
公开(公告)号：CN110190945A
公开(公告)日：2019-08-30
申请号：CN201910451741.4
申请日：2019-05-28
Applicant: 暨南大学
Abstract: 本发明公开了一种基于多加密的线性回归隐私保护方法及系统，该系统包括多个数据提供端、第一云服务器、第二云服务器和数据请求端；多个数据提供端采用不同的同态代理重加密算法加密数据；数据请求端向第一云服务器发送使用数据构建线性回归模型的请求；数据提供端发送数据到第一云服务器；第一云服务器对数据提供端的密文数据添加噪音并进行密文转换；第二云服务器解密、计算加密；第一云服务器对第二云服务器的加密数据进行去噪处理；数据请求端采用私钥解密得到训练好的线性回归模型。本发明解决了将多个不同加密系统加密的数据转换到了用同一公钥加密的数据，训练一个线性回归模型，不受数据集分区的影响，同时保护数据和线性回归模型的隐私。
-
公开(公告)号：CN110190945B
公开(公告)日：2022-07-19
申请号：CN201910451741.4
申请日：2019-05-28
Applicant: 暨南大学
Abstract: 本发明公开了一种基于多加密的线性回归隐私保护方法及系统，该系统包括多个数据提供端、第一云服务器、第二云服务器和数据请求端；多个数据提供端采用不同的同态代理重加密算法加密数据；数据请求端向第一云服务器发送使用数据构建线性回归模型的请求；数据提供端发送数据到第一云服务器；第一云服务器对数据提供端的密文数据添加噪音并进行密文转换；第二云服务器解密、计算加密；第一云服务器对第二云服务器的加密数据进行去噪处理；数据请求端采用私钥解密得到训练好的线性回归模型。本发明解决了将多个不同加密系统加密的数据转换到了用同一公钥加密的数据，训练一个线性回归模型，不受数据集分区的影响，同时保护数据和线性回归模型的隐私。
-
公开(公告)号：CN110222527A
公开(公告)日：2019-09-10
申请号：CN201910428441.4
申请日：2019-05-22
Applicant: 暨南大学
Abstract: 本发明公开了一种隐私保护方法，包括如下步骤：client准备数据，并将数据用自己的公钥加密后发送给server，发送数据的顺序由server规定；server接收数据后，根据自己模型的节点选择对应的加密数据，在密文上执行一个比较协议，并将盲化的比较结果乱序发送给client，同时将一个比较序列与叶节点的对照表发送给client；client收到比较结果解密后，根据比较结果设置一个(0,1)比较序列，从对照表中找出比较序列对应的叶节点的值即预测结果。本发明在实现用决策树提供预测服务的基础上，保护了server的模型信息、client的数据信息以及最后的预测结果；同时，本发明尽可能的减少了client与server的交互，也具有较高的效率，更符和实际应用场景。
-
-
Search Results
3
records
(took 0.015 seconds)
