一种基于神经架构演化联邦学习的IIoT入侵检测系统及方法

    公开(公告)号:CN116015753B

    公开(公告)日:2025-04-25

    申请号:CN202211569049.X

    申请日:2022-12-08

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于神经架构演化联邦学习的工业物联网入侵检测系统及方法。服务端将基于5种神经网络基础模块的联邦学习神经网络架构组合方式进行编码,下发到参与联邦学习的客户端,各客户端对本地IIoT设备的数据进行本地训练,服务端对各客户端模型中间参数聚合和适应度加权平均,通过种群演化操作,获得基于最优神经架构的联邦学习模型,并将其部署在IIoT在线入侵检测系统中,从而实现IIoT高效精准的在线入侵检测。本发明不仅可实现用于IIoT入侵检测的联邦学习模型的优化设计和自动生成,获得了易于在线部署的轻量化联邦学习模型,在保护IIoT设备隐私安全的同时,还提升了IIoT入侵检测的精确率、召回率、F1评分等性能指标。

    一种计算可控的数据隐私保护方法、系统及存储介质

    公开(公告)号:CN117955752B

    公开(公告)日:2024-06-07

    申请号:CN202410356612.8

    申请日:2024-03-27

    Applicant: 暨南大学

    Abstract: 本发明涉及数据安全技术领域,提出一种计算可控的数据隐私保护方法、系统及存储介质,其中,本发明结合加密算法、秘密分享技术和可信执行环境,实现了计算可控的隐私计算和结果发布;基于解密服务器的可信执行环境来实现对指定计算策略和用户访问策略下的结果密文的解密,能够有效保护计算策略和用户访问策略的隐私,确保只有密文解密方知道某一被解密的结果密文对应的计算策略和用户访问策略;利用秘密分享技术对解密私钥进行多份解密密钥份额的划分,从而抵御一定数量数据授权方合谋情况下也不能获取关于数据、计算结果、计算策略和访问策略的隐私,对各方数据隐私、计算策略和访问策略进行同时保护。

    一种基于成员推理的联邦学习后门攻击方法及系统

    公开(公告)号:CN119996069A

    公开(公告)日:2025-05-13

    申请号:CN202510436253.1

    申请日:2025-04-09

    Applicant: 暨南大学

    Abstract: 本发明涉及联邦学习安全技术领域,提出一种基于成员推理的联邦学习后门攻击方法及系统。其中包括:设置全局触发器,将全局触发器分解为若干局部触发器并一一发送至恶意客户端;执行联邦学习;其中,恶意客户端执行以下步骤:将局部触发器按照预设的中毒率嵌入到正常样本中得到后门样本,并利用本地恶意数据集执行本地训练后,将更新模型发送至服务器;构建攻击模型,将后门和正常样本输入当前全局模型,得到全局置信度向量,再通过攻击模型得到后门和正常样本的成员概率;以最小化后门与正常样本的成员概率统计分布差异为目标,利用后门样本的成员概率对局部触发器进行优化;重复本地训练直至达到预设的训练轮次或模型收敛,完成后门攻击。

    一种机器学习数据遗忘验证系统、方法及存储介质

    公开(公告)号:CN119129769A

    公开(公告)日:2024-12-13

    申请号:CN202410936235.5

    申请日:2024-07-12

    Applicant: 暨南大学

    Abstract: 本发明涉及人工智能安全技术领域,提出一种机器学习数据遗忘验证系统及方法。其中所述系统包括数据存储组件、模型链表组件、键链表组件和过滤器,所述键链表组件和过滤器设置于可信执行环境内。本发明适用于通用机器学习模型,通过验证数据删除证明σd、模型学习证明σm和模型预测证明σp的有效性断言服务器正确执行数据遗忘,能够高效实现机器学习数据遗忘验证;本发明采用可信执行环境作为安全内存区域,能够有效防止潜在的完整性攻击,配合可信执行环境内设置的键链表组件和过滤器组成的高内存效率的数据结构,以及可信执行环境外设置的数据存储组件和模型链表组件,能够在低计算成本的情况下实现高数据读写效率及高机器学习数据遗忘验证效率。

    一种基于安全多方计算的隐私保护网约车服务方法

    公开(公告)号:CN118803743B

    公开(公告)日:2024-12-13

    申请号:CN202411273928.7

    申请日:2024-09-12

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于安全多方计算的隐私保护网约车服务方法,属于网络安全技术领域,包括:乘客端将乘客位置进行加密后发送至智能路测设备与服务提供商;智能路测设备向覆盖区域内的每个可用司机广播乘车需求指令,司机将车辆位置进行加密后发送至智能路测设备与服务提供商;智能路测设备与服务提供商基于乘客位置与车辆位置加密后的信息,结合随机共享向量与双方各自的MAC份额,获得对应的道路距离份额;双方基于道路距离份额、随机公开数、MAC份额计算距离计算检查值;乘客端根据距离计算检查值判断派单是否合理。本发明极大地降低了服务器上距离计算的计算复杂度,通过可验证的两方计算技术,确保乘车系统匹配给乘客的司机是最优的。

    一种基于区块链的高可信度联合模型训练方法及系统

    公开(公告)号:CN117892339A

    公开(公告)日:2024-04-16

    申请号:CN202311830711.7

    申请日:2023-12-28

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于区块链的高可信度联合模型训练方法及系统,其中方法步骤包括:基于区块链节点,生成工人与服务提供商各自用于签名的密钥对;基于密钥对,进行联邦成员筛选协议,组建联邦;基于组建的联邦,对任务目标模型进行高可信度的联合训练;完成联合训练之后,对联合训练任务进行结算。本发明基于区块链与安全多方计算技术进行搭建,本发明设计的联合模型训练方法是公开可审计的,与现有的许多公开可审计的联合模型训练方法相比,本发明避免了区块链导致的隐私泄露、多轮调用智能合约带来的高调用费以及激励机制不可被验证的问题。

    一种基于区块链的高可信度联合模型训练方法及系统

    公开(公告)号:CN117892339B

    公开(公告)日:2024-08-23

    申请号:CN202311830711.7

    申请日:2023-12-28

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于区块链的高可信度联合模型训练方法及系统,其中方法步骤包括:基于区块链节点,生成工人与服务提供商各自用于签名的密钥对;基于密钥对,进行联邦成员筛选协议,组建联邦;基于组建的联邦,对任务目标模型进行高可信度的联合训练;完成联合训练之后,对联合训练任务进行结算。本发明基于区块链与安全多方计算技术进行搭建,本发明设计的联合模型训练方法是公开可审计的,与现有的许多公开可审计的联合模型训练方法相比,本发明避免了区块链导致的隐私泄露、多轮调用智能合约带来的高调用费以及激励机制不可被验证的问题。

    一种计算可控的数据隐私保护方法、系统及存储介质

    公开(公告)号:CN117955752A

    公开(公告)日:2024-04-30

    申请号:CN202410356612.8

    申请日:2024-03-27

    Applicant: 暨南大学

    Abstract: 本发明涉及数据安全技术领域,提出一种计算可控的数据隐私保护方法、系统及存储介质,其中,本发明结合加密算法、秘密分享技术和可信执行环境,实现了计算可控的隐私计算和结果发布;基于解密服务器的可信执行环境来实现对指定计算策略和用户访问策略下的结果密文的解密,能够有效保护计算策略和用户访问策略的隐私,确保只有密文解密方知道某一被解密的结果密文对应的计算策略和用户访问策略;利用秘密分享技术对解密私钥进行多份解密密钥份额的划分,从而抵御一定数量数据授权方合谋情况下也不能获取关于数据、计算结果、计算策略和访问策略的隐私,对各方数据隐私、计算策略和访问策略进行同时保护。

    基于聚类组合优化的工控联邦入侵检测后门防御方法和系统

    公开(公告)号:CN118432891A

    公开(公告)日:2024-08-02

    申请号:CN202410554797.3

    申请日:2024-05-07

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于聚类组合优化的工控联邦入侵检测后门防御方法和系统,该方法利用现有的多种后门攻击方法产生恶意的更新梯度,与正常的更新梯度作为训练集和测试集;将多种聚类方法的组合方式作为优化变量进行编码,使用训练集对组合方式进行训练,评估该组合方式在测试集上恶意梯度的识别真阳率和真阴率,将其作为优化目标函数,再通过多目标种群演化操作,获得高识别准确率的聚类组合方式,并将其用于工控联邦入侵检测系统中的后门攻击防御策略,从而实现对恶意梯度高效精准的检测。本发明在保障入侵检测系统性能的同时,得到的最优聚类方法组合方案可以准确识别并过滤恶意更新梯度,从而提高了工控联邦入侵检测系统的安全性和鲁棒性。

    一种基于零知识证明的神经网络模型可验证测试方法及系统

    公开(公告)号:CN118093442B

    公开(公告)日:2024-06-25

    申请号:CN202410497607.9

    申请日:2024-04-24

    Applicant: 暨南大学

    Abstract: 本发明涉及数据安全技术领域,提出一种基于零知识证明的神经网络模型可验证测试方法及系统,其中包括:测试数据持有方生成关于其测试数据的基于多项式的承诺#imgabs0#,将承诺#imgabs1#和测试数据上传;模型持有方生成关于其模型参数的基于多项式的承诺#imgabs2#,并将承诺#imgabs3#上传;模型持有方获取测试数据和承诺#imgabs4#后,验证每一测试数据持有方的测试数据与其相应的承诺#imgabs5#是否一致,若是,则模型持有方使用测试数据进行模型测试,输出统计性测试结果,并对测试过程生成关于模型正确运行的公开可验证证明;模型持有方将统计性测试结果和公开可验证证明发送至测试数据持有方或任意第三方进行有效性验证,输出验证结果。

Patent Agency Ranking