-
公开(公告)号：CN112104609B
公开(公告)日：2021-12-03
申请号：CN202010842682.6
申请日：2020-08-20
Applicant: 电子科技大学
Abstract: 本发明提供一种在移动群智感知系统中可验证的、具有隐私意识的真相发现的方法，在现有真值发现的基础上增加了：1)扰动机制，每个用户在将原始的感知数据提交到云之前，首先要独立地干扰其感知数据。另外，要求每个用户对扰动感知数据进行数字签名，以利于服务器随后生成证明。2)验证机制，云服务器执行保护隐私的真相发现算法，将聚合结果以及相应的证明消息返回给任务请求者。任务请求者可以仅通过检查证明消息来验证从云服务器返回的聚合结果的正确性，从而选择接受还是拒绝聚合结果。本发明满足公开可验证、高效率、可扩展、无前缀功能和多个数据提供者需求，在聚合精度、计算和通信开销方面具有优越的性能。
-
公开(公告)号：CN112507312A
公开(公告)日：2021-03-16
申请号：CN202011443755.0
申请日：2020-12-08
Applicant: 电子科技大学
Abstract: 本发明提供一种在深度学习系统中基于数字指纹的验证与追踪方法，设计了一种两层数字指纹结构，每个客户的数字指纹由社区关系代码与客户身份代码组成。社区关系代码将有助于服务器快速找到可疑的客户组。客户身份代码用于表示客户的唯一标识。为了提供所有权和叛徒追踪的证据，本发明将每个客户的数字指纹嵌入DNN的参数内。当服务提供商发现可疑的用户时，服务器将从盗版模型中提取并验证指纹，从而追踪非法分发其模型的叛徒。
-
公开(公告)号：CN111581648B
公开(公告)日：2022-06-03
申请号：CN202010262316.3
申请日：2020-04-06
Applicant: 电子科技大学
Abstract: 本发明提供一种在不规则用户中保留隐私的联邦学习的方法，包括步骤：1)系统初始化；2)加密的汇总结果初始化；3)更新加密的用户的可靠性；4)更新加密的汇总结果：服务器利用更新得到的加密的用户的可靠性作为汇总结果的权重来更新各梯度的加密的汇总结果使得可靠性越低的用户对汇总结果的影响越小。本发明保护所有用户相关信息的隐私，并且减少用户在训练过程中因使用低质量数据的影响，同时确保用户相关信息的真实性。由服务器完成大部分计算，对于计算能力有限的终端用户来说非常友好，且对用户在整个训练过程中由于各种不可预知的原因而中途退出也具有鲁棒性。
-
公开(公告)号：CN111740959A
公开(公告)日：2020-10-02
申请号：CN202010447473.1
申请日：2020-05-25
Applicant: 电子科技大学
Abstract: 本发明提供一种在移动群智感知系统中可验证的隐私保护方法，采用层次同态加密LHE加密所有与用户相关的数据，如模型的参数、用户的查询请求和验证结果，包括步骤：1)低次多项式生成步骤：服务器使用通用的函数逼近算法将神经网络中的非线性激活函数转化为低次多项式；2)敏感数据生成步骤：服务器生成通用的敏感样本来验证过程中模型参数的正确性；3)基于LHE的隐私保护：当传输高熵数据时，服务器使用进行原明文域下的LHE；当传输低熵数据时，服务器则先增加数据熵，再进行LHE。
-
公开(公告)号：CN111581648A
公开(公告)日：2020-08-25
申请号：CN202010262316.3
申请日：2020-04-06
Applicant: 电子科技大学
Abstract: 本发明提供一种在不规则用户中保留隐私的联邦学习的方法，包括步骤：1)系统初始化；2)加密的汇总结果初始化；3)更新加密的用户的可靠性；4)更新加密的汇总结果：服务器利用更新得到的加密的用户的可靠性作为汇总结果的权重来更新各梯度的加密的汇总结果使得可靠性越低的用户对汇总结果的影响越小。本发明保护所有用户相关信息的隐私，并且减少用户在训练过程中因使用低质量数据的影响，同时确保用户相关信息的真实性。由服务器完成大部分计算，对于计算能力有限的终端用户来说非常友好，且对用户在整个训练过程中由于各种不可预知的原因而中途退出也具有鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN114239070B
公开(公告)日：2023-07-21
申请号：CN202111588461.1
申请日：2021-12-23
Applicant: 电子科技大学
Abstract: 本发明公开了一种在联邦学习中移除非规则用户的隐私保护方法，属于信息安全技术领域。本发明包括不规则用户删除算法TrustIU和保护用户的敏感信息的加权聚合协议两个部分；TrustIU利用余弦相似度进行聚合，减少了不规则用户的负面影响，从而确保全局模型主要来源于高质量的数据；在TrustIU的基础上，本发明采用安全加权的定制密码协议聚合；此聚合方案通过使用双隐蔽隐私保护技术，确保了服务器只学习用户的梯度信息，而不会泄露其他隐私。本发明在具有良好的训练精度和效率的同时，对整个培训过程中对用户退出具有鲁棒性。
-
公开(公告)号：CN111581663B
公开(公告)日：2022-05-03
申请号：CN202010360559.0
申请日：2020-04-30
Applicant: 电子科技大学
Abstract: 本发明提供一种面向非规则用户的保护隐私的联邦深度学习方法，包括步骤：1)系统设置步骤；2)迭代初始化步骤；3)更新加密的用户的可靠性；4)更新加密的汇总信息：服务器利用更新得到的加密的用户的可靠性信息为汇总结果的权重来更新各梯度的加密的汇总结果使得可靠性越低的用户对汇总结果的影响越小。本发明保护所有用户相关信息的隐私，并且减少用户在训练过程中因使用低质量数据的影响，同时确保用户相关信息的真实性。由服务器完成大部分计算，对于计算能力有限的终端用户来说非常友好，且对用户在整个训练过程中由于各种不可预知的原因而中途退出也具有鲁棒性。
-
公开(公告)号：CN114239862A
公开(公告)日：2022-03-25
申请号：CN202111589802.7
申请日：2021-12-23
Applicant: 电子科技大学
Abstract: 本发明提供一种保护用户数据隐私的抗拜占庭攻击的联邦学习方法，将服务器端分为两部分，计算服务器和服务提供服务器，由这两个服务器共同完成安全计算，各自得到有效性检测结果、反映服务器梯度方向与本地梯度方向相似性的余弦相似度结果，此过程中两中服务器无法通过各自的数据推算参与方的数据集内容，保护了用户数据隐私。同时，服务器端得到的通过有效性检测结果以及余弦相似度结果得到的聚合可信分数能有效完成接收数据筛选，剔除无效数据后更新全局模型。发明在进行联邦学习时技能保护用户数据隐私有能够抵御强拜占庭攻击，具有较高的扩展性和性能表现，能够满足不同规模的数据场景。
-
公开(公告)号：CN114239070A
公开(公告)日：2022-03-25
申请号：CN202111588461.1
申请日：2021-12-23
Applicant: 电子科技大学
Abstract: 本发明公开了一种在联邦学习中移除非规则用户的隐私保护方法，属于信息安全技术领域。本发明包括不规则用户删除算法TrustIU和保护用户的敏感信息的加权聚合协议两个部分；TrustIU利用余弦相似度进行聚合，减少了不规则用户的负面影响，从而确保全局模型主要来源于高质量的数据；在TrustIU的基础上，本发明采用安全加权的定制密码协议聚合；此聚合方案通过使用双隐蔽隐私保护技术，确保了服务器只学习用户的梯度信息，而不会泄露其他隐私。本发明在具有良好的训练精度和效率的同时，对整个培训过程中对用户退出具有鲁棒性。
-
公开(公告)号：CN112507312B
公开(公告)日：2022-10-14
申请号：CN202011443755.0
申请日：2020-12-08
Applicant: 电子科技大学
Abstract: 本发明提供一种在深度学习系统中基于数字指纹的验证与追踪方法，设计了一种两层数字指纹结构，每个客户的数字指纹由社区关系代码与客户身份代码组成。社区关系代码将有助于服务器快速找到可疑的客户组。客户身份代码用于表示客户的唯一标识。为了提供所有权和叛徒追踪的证据，本发明将每个客户的数字指纹嵌入DNN的参数内。当服务提供商发现可疑的用户时，服务器将从盗版模型中提取并验证指纹，从而追踪非法分发其模型的叛徒。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.019 seconds)
