-
公开(公告)号：CN110263570B
公开(公告)日：2020-09-25
申请号：CN201910387357.2
申请日：2019-05-10
Applicant: 电子科技大学 , 国家计算机网络与信息安全管理中心
IPC: G06F21/62 , G06F21/30 , G06F16/9532 , G06F16/9535 , H04L9/06 , H04L9/08 , H04L29/06 , H04L29/08
Abstract: 本发明属于信息安全技术领域，具体提供一种实现高效相似性查询和访问控制的基因数据脱敏方法，其有效支持密文环境下大规模基因数据的相似性查询，同时支持复杂的逻辑查询以满足用户个性化的查询需求，该方法授权方式灵活，可对不同的数据授予不同的访问权限，并在查询过程中实现对用户的数据访问权限的可靠控制，此外，本发明采用特定的哈希函数压缩数据，显著减少密文状态下匹配的元素数量，进一步提高查询检索效率。
-
公开(公告)号：CN110263570A
公开(公告)日：2019-09-20
申请号：CN201910387357.2
申请日：2019-05-10
Applicant: 电子科技大学 , 国家计算机网络与信息安全管理中心
IPC: G06F21/62 , G06F21/30 , G06F16/9532 , G06F16/9535 , H04L9/06 , H04L9/08 , H04L29/06 , H04L29/08
Abstract: 本发明属于信息安全技术领域，具体提供一种实现高效相似性查询和访问控制的基因数据脱敏方法，其有效支持密文环境下大规模基因数据的相似性查询，同时支持复杂的逻辑查询以满足用户个性化的查询需求，该方法授权方式灵活，可对不同的数据授予不同的访问权限，并在查询过程中实现对用户的数据访问权限的可靠控制，此外，本发明采用特定的哈希函数压缩数据，显著减少密文状态下匹配的元素数量，进一步提高查询检索效率。
-
公开(公告)号：CN110443063B
公开(公告)日：2023-03-28
申请号：CN201910563455.7
申请日：2019-06-26
Applicant: 电子科技大学
Abstract: 本发明提出一种自适性保护隐私的联邦深度学习的方法，以保护联邦深度学习中用户的原始数据不被好奇的服务器获知，同时保护学习模型的参数不泄露用户原始数据的信息。各个参与者预先与云服务器协商一个网络框架，然后云服务器得到一个初始化的模型，云服务器将该模型参数广播给各个参与者；参与者下载初始化的模型参数并更新自己的本地模型，然后结合本地数据集进行训练，并基于数据属性对模型输出的不同贡献度，对不同数据特征实施有差异的隐私保护操作，参与者将各自训练得到的本地梯度发送给云服务器；最终，云服务器收集各参与者的梯度信息后更新自己的模型来进行后续的训练。本发明在满足隐私保护的前提下，极大提高学习模型的精确度。
-
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：CN108768608B
公开(公告)日：2020-05-12
申请号：CN201810519096.0
申请日：2018-05-25
Applicant: 电子科技大学
Abstract: 本发明公开了一种在区块链PKI下支持瘦客户端的隐私保护身份认证方法，属于信息安全技术领域。本发明所述方法包括以下步骤：系统初始化、生成认证请求、生成查询请求、查询阶段、检测阶段、确认阶段和会话建立。本发明所述方法利用PIR等技术，使得其支持区块链中存储能力和计算能力有限的瘦客户端在去中心化的PKI中完成用户身份认证，同时保护瘦客户端的查询隐私。本发明使用基于区块链的PKI技术，解决传统PKI单点故障和多CA互信难等问题；利用PIR技术，实现去中心化PKI下瘦客户端的身份认证功能；利用PIR技术，保护瘦客户端查询过程中的数据隐私；在认证过程中加入随机数，防止中间人攻击，确保认证过程中消息不被伪造篡改。
-
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。
-
公开(公告)号：CN112104609A
公开(公告)日：2020-12-18
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：CN111581663A
公开(公告)日：2020-08-25
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：CN109684855B
公开(公告)日：2020-07-10
申请号：CN201811540698.0
申请日：2018-12-17
Applicant: 电子科技大学
Abstract: 本发明属于人工智能技术领域，涉及一种基于隐私保护技术的联合深度学习训练方法。本发明实现了一种基于隐私保护技术的高效联合深度学习训练方法。本发明中，各个参与方首先在私有数据集上训练本地模型获得本地梯度，再将本地梯度进行拉普拉斯噪音扰动，并加密后发送至云服务器；云服务器将接收到的所有本地梯度与上一轮的密文参数进行聚合操作，并广播产生的密文参数；最终，参与方解密接收到密文参数，并更新本地模型从而进行后续的训练。本发明结合同态加密方案和差分隐私技术，提出了安全高效的深度学习训练方法，保证训练模型的精确性，同时防止服务器推断模型参数和训练数据隐私以及内部攻击获取私密信息。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.057 seconds)
