-
公开(公告)号：CN105447361A
公开(公告)日：2016-03-30
申请号：CN201410428736.9
申请日：2014-08-27
Abstract: 本发明实施例提供了一种加密和相似性度量的方法。加密方法包括：终端接收用户输入的包括l个分量的生物特征向量。将生物特征向量的l个分量分别编码为l个明文子空间上的l个明文分量，l个明文子空间为将明文空间分解后的子空间。采用CRT，将l个明文分量打包为明文空间上的明文。采用同态加密方法，利用公钥将明文空间上的明文加密为密文空间上的密文。将密文发送至第二服务器，以便于第二服务器将密文与预存储的另一密文进行相似性度量。本发明实施例在加密的过程中，通过将生物特征向量的分量编码为明文子空间的明文分量，并对明文分量进行打包，这样只需对打包后的明文进行一次加密得到一个密文，能够节省加密的时间，减少通信量，进而能够提高效率。
-
公开(公告)号：CN119766525A
公开(公告)日：2025-04-04
申请号：CN202411903506.3
申请日：2024-12-23
Applicant: 中国五冶集团有限公司 , 电子科技大学
Abstract: 本发明公开了一种支持连续更新的随机密钥加密去重方法，为了使客户端能够安全的将隐私数据外包给服务器，本发明的方法包括初始化系统参数后，客户端自己选择随机密钥对数据进行加密，发送给服务器。服务器端对用户的数据进行重复检查和去重。服务器会对每一位上传者对文件的所有权通过挑战应答机制进行验证实现有效的所有权管理控制。本发明支持用户更换文件密钥，并且能够保证所有合法用户获取多次更新后的密钥，降低密钥泄露后隐私数据泄露的风险。由于客户端选择密钥的随机性，本发明能够抵抗确定性收敛加密引入的暴力攻击。相对于第三方独立服务器辅助的加密去重方法，本方法在部署上更加简单。本发明用于加密去重领域中能够提供数据隐私性。
-
公开(公告)号：CN118606938A
公开(公告)日：2024-09-06
申请号：CN202410267969.9
申请日：2024-03-08
Applicant: 电子科技大学
Abstract: 本发明提供一种针对模型窃取攻击的综合防御方法，包括对抗训练步骤、恶意查询检测步骤、自适应回复步骤和所有权验证步骤；在训练阶段施加对抗训练以获得更鲁棒的模型，并削弱模型窃取攻击的效果，导致攻击者需要提交更多的恶意查询才能达到预期的攻击目标。在这之后，恶意查询检测用来检测和识别恶意查询并标记恶意用户。然后，针对恶意用户，防御者采用自适应回复策略，用添加了扰动的结果回复恶意用户。这些扰动的结果不仅可以减弱模型窃取攻击的效果，还可以为后续的模型所有权验证步骤做准备。最后，模型所有权验证可以通过扰动结果集进行验证。本发明能提高模型窃取攻击的检测精度，且多个阶段的防御措施相互促进达到最佳的整体防御。
-
公开(公告)号：CN117692895A
公开(公告)日：2024-03-12
申请号：CN202311744177.8
申请日：2023-12-18
Applicant: 电子科技大学
IPC: H04W12/03 , H04W12/106 , H04W12/122 , H04W12/041 , H04L9/32
Abstract: 本发明属于密码学与网络安全领域，提出了一种基于多客户端函数加密的隐私保护真值发现方法。主旨在于利用多客户端函数加密、零知识证明以及扰动技术，克服了传统加密方法的不足，以较低的系统开销实现了完全的隐私保护并且能够抵抗主动攻击，进而使系统具备容错性。主要方案包括在群智感知系统中，密钥生成中心KGC生成系统参数并为数据请求中心DRC和移动感知用户生成公私钥对。每个用户生成两份感知报告，包括加密数据、零知识证明等。数据请求中心DRC检验用户报告并请求解密密钥。KGC生成解密密钥并发送给DRC。DRC更新任务真值并发送可靠性信息更新辅助值给KGC。KGC更新用户可靠性信息。重复此过程直到收敛，返回真值结果给任务请求者。
-
公开(公告)号：CN116467736A
公开(公告)日：2023-07-21
申请号：CN202310262225.3
申请日：2023-03-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种可验证的隐私保护联邦学习方法及系统，属于联邦学习安全领域，解决基于多密钥同态加密的隐私保护联邦学习所面临的问题，即服务器返回的聚合密文至少需要两个客户端进行合作解密，无法实现单个客户端独自解密，在服务器不可信的情况下，从而会造成客户端密钥泄露的问题。本发明包括系统初始化、密钥生成、本地模型训练、加密上传、模型聚合及部分解密和完全解密。本发明用于隐私保护联邦学习。
-
Patent Agency Ranking
公开(公告)号：CN115438753B
公开(公告)日：2023-01-06
申请号：CN202211366378.4
申请日：2022-11-03
Applicant: 电子科技大学
IPC: G06F18/214 , G06F18/22 , G06F18/241 , G06N3/0464 , G06N3/08 , G06F21/62
Abstract: 本发明公开了一种基于生成的衡量联邦学习协议数据安全性的方法，属于联邦学习的隐私安全技术领域。本发明借由辅助数据集和被测联邦学习模型，提前训练生成器；使用该生成器，借由模拟用户产生的梯度，重构用户数据。最终通过计算模拟用户真实数据和借由梯度重构的重构数据之间的相似度，来衡量被测联邦学习模型的安全性。本发明只需对用户梯度进行简单处理，即可送入生成器直接生成用户的重构数据，该生成过程本身耗时极短。而生成器本身在联邦学习一个更新轮次中可以反复使用，做到“训练一次，多次使用”，从而大大降低了梯度泄露的总体时间开销。同时，本发明无需对模型权重进行修改，因而兼顾了隐蔽性。
-
公开(公告)号：CN115065463A
公开(公告)日：2022-09-16
申请号：CN202210656199.8
申请日：2022-06-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种隐私保护的神经网络预测系统，属于信息安全技术领域。本发明包括客户端、服务端和第三方；在神经网络模型预测的离线阶段，客户端、服务端和第三方通过协商完成模型参数的分享；在线预测阶段，客户端将输入数据的分享值发送给服务端；客户端和服务端利用安全计算协议共同执行具有隐私保护的神经网络预测，服务端将得到的预测结果的分享返回给客户端，客户端重构得到预测结果。在通信方面，本发明仅需一轮通信交互，且降低了现有方案的通信开销数据量，以使得本发明的通信效率显著提高，本发明中所有的计算都是基于环而不是域。本发明还重新定制了离线阶段的协议，不仅提高了离线阶段的效率而且仅需轻量级的秘密分享操作。
-
公开(公告)号：CN113792856B
公开(公告)日：2022-06-10
申请号：CN202111058809.6
申请日：2021-09-09
Applicant: 电子科技大学
Abstract: 本发明公开了基于VAE医疗保健联邦学习框架的确定方法，涉及计算机科学、机器学习以及联邦学习技术领域，解决基于联邦学习的医疗保健领域的三个挑战，第一，数据分布非IID导致的最终模型性能降低以及收敛速度慢的问题。第二，医疗数据的正负样本分布不均衡导致的模型偏差较大的问题。第三，联邦学习下所消耗的通信带宽过大导致的难以实际部署的问题。我们先在联邦学习框架下训练两个轻量级的VAE，然后将训练好的VAE分发给所有的节点用于更新自己的本地数据，而更新后的本地数据具有的特点就是数据都是低维且分布具有相似性并且类别是均衡的。最后再利用这样的数据对异常检测模型进行训练。
-
公开(公告)号：CN108521326B
公开(公告)日：2021-02-19
申请号：CN201810317657.9
申请日：2018-04-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于向量同态加密的隐私保护的线性SVM模型训练方法，属于信息技术安全领域，包括以下步骤：步骤1.使用者采用基于向量的同态加密方案VHE对训练数据集进行加密，并将加密结果发送至服务器；步骤2.服务器对加密结果进行计算，得到密文线性核函数矩阵并将密文线性核函数矩阵返回至使用者；步骤3.使用者对密文线性核函数矩阵进行解密，得到明文线性核函数矩阵并将明文线性核函数矩阵发送至服务器；步骤4.服务器采用密文SMO算法对明文线性核函数矩阵进行训练，并将训练结果返回至使用者。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.054 seconds)
