-
公开(公告)号：CN107612675A
公开(公告)日：2018-01-19
申请号：CN201710850810.X
申请日：2017-09-20
Applicant: 电子科技大学
Abstract: 本发明公开了一种隐私保护下的广义线性回归方法，旨在解决现有技术中在计算外包时云端不可信的时候在加密下情况下实现广义线性回归效率效和精度低的问题，本申请中结合加密算法以及线性回归方法以及梯度下降法实现了数据集加密之后的广义线性回归，也就是实现了云端不可信的情况下，加密保护下依旧可以进行数据处理等，实现了真正的计算外包，实现了明文的计算与密文的计算的相互对应，克服了传统的梯度下降法在密文下迭代的准确率低和计算速度慢的技术难题；本申请适用于向量同态计算相关领域。
-
Patent Agency Ranking
公开(公告)号：CN107147449A
公开(公告)日：2017-09-08
申请号：CN201710579449.1
申请日：2017-07-17
Applicant: 电子科技大学
CPC classification number: H04B11/00 , H04L1/0057 , H04L1/0061 , H04L63/0428
Abstract: 本发明涉及一种隐私保护的超声波通信方法，解决的是被人耳听到、安全性低的技术问题，通过采用包括：(1)发送端读取发送文本，采用一对一编码本编码方法对文本进行编码，将文本文字信息转换为声波包，声波包中的声波频率为人耳听不到的声音频率；(2)对编码得到的声波包通过保留格式加密方法加密生成送加密声波包；(3)发送端通过空气声音信道将加密声波包传输到接收端；(4)接收端接收加密声波包，解密加密声波包，解密后通过与步骤(1)中编码方法对应的解码方法解码，再进行容错处理后输出接收文本的技术方案，较好的解决了该问题。该方案具有隐私性强、通信代价低等有点，可用于隐私保护的超声波通信中。
-
公开(公告)号：CN113541921B
公开(公告)日：2022-06-10
申请号：CN202110708084.4
申请日：2021-06-24
Applicant: 电子科技大学
Abstract: 本发明涉及信息安全领域，具体是一种利用GPU来实现全同态加密的方法，包括步骤1、利用CUDA cuRAND在GPU上生成密钥所需的随机多项式；步骤2、构造密钥生成的CUDA实例化图，执行密钥生成的CUDA实例化图，最后将CUDA实例化图的输出内存中的数据拷贝至保存密钥的对象中；步骤3、加密过程；步骤4、解密过程；步骤5、输入两个密文ct0,ct1，计算ctadd；步骤6、计算同态乘法过程中需要扩充的模数集合以及两个额外的冗余模数；步骤7、构造同态乘法的CUDA实例化图，将需要进行乘法运算的密文拷贝至同态乘法的CUDA实例化图的输入内存中，执行同态乘法的CUDA实例化图，最后将CUDA实例化图的输出内存中的数据拷贝至保存乘法结果的对象中，解决了任务执行过程中对GPU资源利用率低的问题。
-
公开(公告)号：CN113541921A
公开(公告)日：2021-10-22
申请号：CN202110708084.4
申请日：2021-06-24
Applicant: 电子科技大学
Abstract: 本发明涉及信息安全领域，具体是一种全同态加密GPU高性能实现方法，包括步骤1、利用CUDA cuRAND在GPU上生成密钥所需的随机多项式；步骤2、构造密钥生成的CUDA实例化图，执行密钥生成的CUDA实例化图，最后将CUDA实例化图的输出内存中的数据拷贝至保存密钥的对象中；步骤3、加密过程；步骤4、解密过程；步骤5、输入两个密文ct0，ct1，计算ctadd；步骤6、计算同态乘法过程中需要扩充的模数集合以及两个额外的冗余模数；步骤7、构造同态乘法的CUDA实例化图，将需要进行乘法运算的密文拷贝至同态乘法的CUDA实例化图的输入内存中，执行同态乘法的CUDA实例化图，最后将CUDA实例化图的输出内存中的数据拷贝至保存乘法结果的对象中，解决了任务执行过程中对GPU资源利用率低的问题。
-
公开(公告)号：CN107612675B
公开(公告)日：2020-09-25
申请号：CN201710850810.X
申请日：2017-09-20
Applicant: 电子科技大学
Abstract: 本发明公开了一种隐私保护下的广义线性回归方法，旨在解决现有技术中在计算外包时云端不可信的时候在加密下情况下实现广义线性回归效率效和精度低的问题，本申请中结合加密算法以及线性回归方法以及梯度下降法实现了数据集加密之后的广义线性回归，也就是实现了云端不可信的情况下，加密保护下依旧可以进行数据处理等，实现了真正的计算外包，实现了明文的计算与密文的计算的相互对应，克服了传统的梯度下降法在密文下迭代的准确率低和计算速度慢的技术难题；本申请适用于向量同态计算相关领域。
-
公开(公告)号：CN108776836A
公开(公告)日：2018-11-09
申请号：CN201810592585.9
申请日：2018-06-08
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于VHE的隐私保护神经网络的训练及预测方法，利用VHE同态加密算法对数据集D进行加密，得到加密数据集D′，所述加密数据集D′包括训练数据集D′1和测试数据集D′2；对所述训练数据集D′1进行BP神经网络批梯度训练，得到训练后的BP神经网络；利用训练后的BP神经网络对测试数据集D′2进行预测，得到预测结果；本发明结合加密算法以及BP神经网络方法实现了密文域下的BP神经网络的训练及预测，也就是实现了云端不可信的情况下，数据在输入加密保护下依旧可以进行BP神经网络的训练及预测等，实现了真正的计算外包。
-
-
-
-
-
Search Results
6
records
(took 0.015 seconds)
