-
公开(公告)号：CN109462581A
公开(公告)日：2019-03-12
申请号：CN201811245140.X
申请日：2018-10-24
Applicant: 电子科技大学
Abstract: 本发明提供一种抵御暴力字典敌手持续攻击的密文去重方法，利用了多个密钥服务器共同产生加密密钥，故解决了现有能够抵御暴力字典敌手的方案中单点失效问题，并且本方案要求所有密钥服务器周期性地更新自己的子私钥，每个密钥服务器的子私钥都会周期性的更新，使得敌手在当前周期内窃取的密钥服务器的子私钥在下一周期失效。本发明彻底移除单点失效问题，系统的安全性不依赖于任何一方的可靠性；能够抵抗暴力字典敌手针对密钥服务器子私钥的持续攻击，提供了更强的安全性保证。
-
公开(公告)号：CN104993937B
公开(公告)日：2018-12-11
申请号：CN201510394416.0
申请日：2015-07-07
Applicant: 电子科技大学
Abstract: 本发明属于通信技术领域，具体的说是涉及一种用于云存储数据完整性的检验方法。本发明的方法主要为：系统初始化，为用户分配签名密钥和对应的认证密钥；用户将存储数据上传到云服务器；通过独立的第三方审计者检验存储在云服务器上的存储数据的完整性；用户判断第三方审计者检验的正确性。本发明的工艺有以下优点：第三方审计者不需要管理用户的证书，亦即TPA不会面临证书管理问题；并且本方案可以有效的抵御恶意第三方审计者，当第三方审计者背离正确的协议内容时，不会威胁到本方案的安全性，不能成功的欺骗云用户和(或)云服务器。
-
公开(公告)号：CN104038493A
公开(公告)日：2014-09-10
申请号：CN201410255769.8
申请日：2014-06-10
Applicant: 电子科技大学
Abstract: 本发明提供一种无双线性对的云存储数据安全审计方法。用户将自己的数据块加密后放到云服务器上，以防止数据信息的泄露。同时，用户让可信审计者对数据进行审计，并保证数据信息不会泄露给可信审计者；根据本发明的数据审计方案，不需要计算花销很大的双线性就能对云存储数据进行安全审计。
-
公开(公告)号：CN119722072A
公开(公告)日：2025-03-28
申请号：CN202411717134.5
申请日：2024-11-27
Applicant: 电子科技大学
Abstract: 本发明公开了一种支持交易回退与权属同步更新的交付方法、系统及介质，属于数据安全技术领域。交易所由存储管理服务器、权属管理服务器和密钥管理服务器三部分组成。存储管理服务器长期存储数据密文；密钥管理服务器在权属管理服务器的协助下，在可信执行环境中为合法用户提供密钥使用服务并在使用期限到期时可信删除买方的使用权限以实现数据卖方对数据的跨域延伸访问控制。密钥管理、数据加解密、数据使用等核心功能在隔离的安全环境中进行，买方需按照策略合法合规使用密钥与数据，数据使用完毕后立即清除密钥和数据缓存，避免数据被非法持有、使用甚至转卖，显著降低数据泄露和滥用风险。
-
公开(公告)号：CN118674014A
公开(公告)日：2024-09-20
申请号：CN202410753660.0
申请日：2024-06-12
Applicant: 电子科技大学
IPC: G06N3/098 , G06N3/084 , G06N3/045 , G06F21/62 , G06F18/241
Abstract: 本发明提供一种隐私保护的多层级异构纵向联邦学习方法，采用两级数据分布：对于数据在地域上分散且各区域内部不同的实体各自拥有本地样本集合的不同特征，本发明允许在这样的环境中进行有效的模型训练。采用模型异构性处理：对于区域之间因标签分布和模型架构不同而导致的数据集异构性，本发明通过特定机制进行协同训练。使得异构区域下拥有不同数据特征的参与方在不分享本地数据的前提下协作训练神经网络模型，进一步采用差分隐私技术进行隐私增强。与传统的纵向联邦学习技术相比，本发明解决了多层级异构客户端难以在隐私保护的前提下进行建模的问题，其准确率和其他纵向联邦学习方法相比有了很大提升。
-
Patent Agency Ranking
公开(公告)号：CN117478388A
公开(公告)日：2024-01-30
申请号：CN202311456164.0
申请日：2023-11-03
Applicant: 电子科技大学
Abstract: 本发明公开了一种使用多用户函数加密的安全联邦学习系统，属于信息安全技术领域。本系统包括服务器、用户端和用于提供密钥管理服务的可信第三方，第三方进行初始化，计算公开参数；第三方生成密钥分发给用户所在的用户端，并根据本轮的用户意愿生成聚合密钥发送给服务器；用户端使用约定好的加密算法使用密钥对本地模型参数进行加密并发送给服务器；服务器确认满足聚合条件后，对接收到的模型参数加权聚合后得到全局模型，并把全局模型分发给参与训练的各个用户，完成本轮训练并等待下一轮训练。本发明在满足高模型精度、高效计算和通信小功耗的情况下，实现了安全聚合，保证了联邦学习过程中用户本地模型参数的机密性，且支持对用户的动态参与。
-
公开(公告)号：CN117459267A
公开(公告)日：2024-01-26
申请号：CN202311393304.4
申请日：2023-10-24
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明公开了一种支持多用户的动态可搜索加密方法、装置及存储介质，涉及云存储安全技术领域，支持多用户的动态可搜索加密方法包括：系统初始化阶段、密文生成和上传阶段、检索令牌生成阶段、密文检索阶段和陷门密文集合重构阶段。该方法结合了对称可搜索加密和公钥可搜索加密的优点，支持多个写者客户端构建和动态更新自己的加密数据库，且支持读者客户端基于关键词生成检索令牌，高效地检索多个指定写者的加密数据库。
-
公开(公告)号：CN116541878A
公开(公告)日：2023-08-04
申请号：CN202310470235.6
申请日：2023-04-27
Applicant: 电子科技大学
IPC: G06F21/62 , G06N20/20 , G06N3/0464
Abstract: 本发明公开了一种基于安全两方计算S型函数的隐私保护方法，属于联邦学习的隐私保护技术领域。本发明在包括一个服务端和若干个客户端的联邦学习系统中，服务端响应于客户端发起的预测任务请求，将匹配于预测任务请求的神经网络模型下发给客户端；客户端基于本端的待预测数据，在本发明所设置的隐私保护数据分享的规则下通过与服务端之间的数据交互逐层完成本端对神经网络模型的前向推理运算，获取待预测数据的预测结果。本发明对联邦学习的模型训练过程中参与前向推理运算的相关参数，在服务端与客户端之间被双方以秘密分享方式存储的参数，计算后的结果仍以秘密分享方式存储，以此保证隐私安全。在一定的计算准确率下降低了计算量和通信开销。
-
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：CN116188008A
公开(公告)日：2023-05-30
申请号：CN202310084106.3
申请日：2023-02-09
Applicant: 电子科技大学
Abstract: 本发明公开了一种支持隐私保护且可信监管的数据产品交易方法，应用于数据交易系统，数据交易系统包括交易平台、数据产品拥有者、数据产品购买方和衍生服务购买方，所述方法包括三个阶段，第一阶段为系统初始化阶段，第二阶段为原始数据交易阶段，第三阶段为衍生服务数据交易阶段。本方法基于零知识证明算法，数据产品购买方在不泄露数据产品的原始数据的前提下实现了对衍生服务数据的来源证明，从而使得数据交易系统支持了衍生服务数据交易，并且交易数据和衍生服务数据的交易过程均支持了隐私保护，在交易数据和衍生服务数据对第三方交易平台保密的前提下第三方交易平台实现了对交易双方权益的可信监管。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.029 seconds)
