一种基于公开可验证隐蔽安全的零知识证明方法

    公开(公告)号:CN119814333A

    公开(公告)日:2025-04-11

    申请号:CN202510028624.2

    申请日:2025-01-08

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于公开可验证隐蔽安全的零知识证明方法,包括:验证者生成对初始随机种子的承诺cseed和挑战并发送给证明者;证明者初始化零知识证明实例,并行执行1‑bit挑战的零知识证明,生成签名,并将签名发送给验证者;验证者验证签名与挑战结果,验证成功则验证者接受证明;若验证失败则调用追责程序,并生成恶意行为的证据证书。本发明在参与方名誉敏感的情境下,可以保证极高的作弊检测率的同时大幅提升现有零知识证明的计算效率,降低计算开销、节约时间成本。

    一种高效的针对标识符不同的隐私集合求交方法

    公开(公告)号:CN118313009A

    公开(公告)日:2024-07-09

    申请号:CN202410560068.9

    申请日:2024-05-08

    Applicant: 暨南大学

    Inventor: 赖俊祚 张蓉

    Abstract: 本发明公开了一种高效的针对标识符不同的隐私集合求交方法。本发明包括参与方A、参与方B分别与协助方C使用不经意传输技术生成OLE元组;参与方A与所述协助方C利用生成的OLE元组进行交互,使参与方A拿到协助方C中与参与方A本地数据对应的信息;参与方B与协助方C利用生成的OLE元组进行交互,使参与方B拿到协助方C中与参与方B本地数据对应的信息;参与方A、参与方B分别在本地进行计算并发送相关数据进行交互,获取双方隐私集合的交集元素。本发明的有益效果在于支持针对身份标识符不同进行隐私求交的过程。

    一种与范式关系的西格玛协议证明验证方法及相关设备

    公开(公告)号:CN115834076B

    公开(公告)日:2024-06-21

    申请号:CN202211362355.6

    申请日:2022-11-02

    Abstract: 本申请公开了一种与范式关系的西格玛协议证明验证方法及相关设备,方法包括:证明者将目标项目对应的与范式证明关系转换为有向无环图,基于有向无环图形成承诺,将承诺发送至验证者;验证者接收到承诺后,为证明者生成挑战值;证明者基于挑战值为有向无环图中的各图节点生成响应值,并将生成的所有响应值作为响应发送至验证者;验证者基于承诺及响应对证明者进行验证,以确定证明者是否符合目标项目的项目需求。本申请通过将与范式证明关系转换为有向无环图,并采用西格玛协议对验证者进行验证,这样通过西格玛协议对与范式关系证明进行验证,可以大幅度降低通信复杂度和提高计算效率,从而可以降低与范式关系证明的证明成本。

    一种基于同态双向代理重加密的多密钥多方安全计算方法

    公开(公告)号:CN115442134B

    公开(公告)日:2024-05-07

    申请号:CN202211069818.X

    申请日:2022-09-02

    Applicant: 暨南大学

    Abstract: 本发明涉及一种基于同态双向代理重加密的多密钥多方安全计算方法,包括步骤:S1、用户数据端DPi生成密文cti并存储在云服务器CSP1上;S2、用户请求方RU请求计算;S3、当DPi允许CSP1使用自身数据时,生成临时公私钥(pk′i,sk′i)和双向代理重加密密钥rki→i′;S4、将pk′i和rki→i′上传至CSP1,将sk′i上传至云服务器CSP2;S5、CSP1根据重加密密钥rki→i′将密文cti重加密为ct′i,然后通过盲化的方式与CSP2进行交互,将需要使用的密文转换为在用户请求方RU的公钥下加密的密文,并完成运算,将结果密文返回给用户请求方RU进行解密。本发明通过双向代理重加密的方式,在不泄露用户真实私钥的情况下,实现了不同密钥加密下密文的安全计算,保护了用户原始数据的隐私,提高了密文数据的可用性。

    基于支持一次重加密的同态代理重加密数据共享系统

    公开(公告)号:CN117424690A

    公开(公告)日:2024-01-19

    申请号:CN202311289568.5

    申请日:2023-10-08

    Applicant: 暨南大学

    Abstract: 本发明公开了基于支持一次重加密的同态代理重加密数据共享系统,系统包括:数据拥有方终端、数据请求方终端以及云服务器;数据拥有方终端利用自己的公钥和数据请求方的公钥及DH密钥对数据进行加密,生成第一密文和代理密钥并上传至云服务器;数据拥有方终端可以请求云服务器进行数据处理,并利用自己的私钥解密云服务器返回的计算结果得到明文;数据请求方终端可以向云服务器请求使用存储在云服务器上的数据,并利用自己的私钥解密返回的重新加密后的第二密文得到共享数据明文。本发明加入了代理重加密的功能,利用了云服务器强大的存储和计算能力,解决了数据共享过程中敏感数据和隐私泄露的问题。

    一种基于ECDSA的多重签名方法及跨链交易方法

    公开(公告)号:CN117294440A

    公开(公告)日:2023-12-26

    申请号:CN202311029126.7

    申请日:2023-08-16

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于ECDSA的多重签名方法及跨链交易方法,多重签名方法包括以下步骤:初始化,确定公共参数;密钥生成,根据公共参数和随机数,生成用户的公私钥;签名生成,给定消息和用户的私钥,选择一个随机数,生成签名;多重签名生成,多个参与方对同一个消息进行签名时,根据多个参与方的私钥,生成多重签名;签名验证,验证签名是否有效和验证多重签名是否有效。本发明方法既解决了公证人节点职能集中的问题,又提高了跨链交易的处理效率,有助于推动区块链技术在更广泛的应用场景中发挥作用。

    基于区块链的多权威下公开可追责的匿名众包方法

    公开(公告)号:CN116956357A

    公开(公告)日:2023-10-27

    申请号:CN202310714060.9

    申请日:2023-06-15

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于区块链的多权威下公开可追责的匿名众包方法,基于生成的第一密钥对公钥、公共参考字符串、第一哈希函数和第二哈希函数生成全局参数;生成第二密钥对的公钥作为权威机构的验证密钥,第二密钥对的私钥作为签名密钥;生成用户的密钥对;针对用户的属性生成证书;设定众包任务并编译对应的智能合约;基于任务编号生成答案;获取第一哈希函数计算的链接标签、第二哈希函数计算的追踪标签和证明,生成对答案的认证;验证答案的有效性;检查答案的可链接性;追踪提交多次答案的用户;分发奖励。本发明在多权威机构下用户匿名提交答案,保证用户身份的隐私保护,实现多权威机构下对在一次众包任务中多次提交答案的用户进行公开追责。

    基于国密SM9的条件代理重加密方法

    公开(公告)号:CN116722977A

    公开(公告)日:2023-09-08

    申请号:CN202310763799.9

    申请日:2023-06-27

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于国密SM9的条件代理重加密方法,包括:代理方生成公共参数并公开;用户A和用户B生成自己的公私钥,将公钥公开,私钥秘密保存;其他用户使用用户A的公钥和代理条件加密明文消息得到条件代理密文,并将该密文和明文形式的代理条件发送给代理方;用户A利用条件代理密文的代理条件、自己的私钥和用户B的公钥生成条件代理重加密密钥;代理方使用条件代理重加密密钥对密文进行转换,并转发给用户B;若有多个代理方,采用秘密分享方法获取转换密文;用户B用私钥解密密文,得到明文消息。本发明通过秘密分享技术,可以有选择地将条件代理重加密密钥分享给多个代理方,从而分散密文转换代理的权力,保障机密数据的安全。

    一种可验证的隐私保护线性回归方法和系统

    公开(公告)号:CN115242444B

    公开(公告)日:2023-08-01

    申请号:CN202210710116.9

    申请日:2022-06-22

    Applicant: 暨南大学

    Abstract: 本发明涉及机器学习领域,为一种可验证的隐私保护线性回归方法和系统,该方法包括:模型拥有者将线性回归模型相关的可验证参数公开,把线性回归模型相关的可验证参数部署在云服务器;用户对数据进行Paillier加密得到密文,将密文上传至线性回归模型所在的云服务器;用户请求云服务器对密文进行计算,云服务器通过线性回归模型对用户上传的密文进行计算预测,将计算预测结果返回给用户;利用模型拥有者提前公开的线性回归模型相关的可验证参数对计算预测结果的明文正确性进行验证。本发明可以防止云服务器恶意返回错误的结果,能够保证用户数据和模型的安全行,可以保护模型拥有者的模型信息和用户的数据信息、预测结果的隐私性。

    样本标识符不相同下的纵向联邦学习方法、设备和介质

    公开(公告)号:CN115630713A

    公开(公告)日:2023-01-20

    申请号:CN202211061861.1

    申请日:2022-08-31

    Applicant: 暨南大学

    Abstract: 本发明涉及联邦学习技术领域,为样本标识符不相同下的纵向联邦学习方法、设备和介质,该方法包括:在联邦学习中的对齐阶段,通过不经意、可编程的伪随机函数OPPRF、布谷鸟哈希Cuckoo Hashing和简单哈希Simple Hashing对持有不相同样本标识符的参与方进行样本对齐,在进行样本对齐中对样本标识符添加噪音;通过Paillier同态加密完成参与方共同训练模型,利用加密手段保证训练过程参与方的隐私信息;本发明可以实现参与方样本标识符不相同下的样本对齐,在保护各个参与方隐私信息的基础上,达到共同训练模型的目的。

Patent Agency Ranking