-
公开(公告)号：CN119543953A
公开(公告)日：2025-02-28
申请号：CN202411515585.0
申请日：2024-10-28
Applicant: 杭州高新区(滨江)区块链与数据安全研究院 , 浙江大学
IPC: H03M7/30
Abstract: 本申请实施例适用于数据处理技术领域，提供了一种时序数据压缩方法、解压缩方法、装置、设备及介质，所述方法包括：获取时序数据数组，时序数据数组中包括多个按时间顺序排列的时序数据；对每个时序数据与时序数据的前一时序数据进行异或运算，得到每个时序数据对应的异或值；根据每个异或值中的前导零数量和有效位长度，确定时序数据数组的报头数据，报头数据用于在对时序数据进行压缩时，确定时序数据的前导零数量与有效位长度的表征方式；基于报头数据，对每个时序数据进行压缩；将报头数据和每个时序数据对应的压缩数据组合为时序数据数组的压缩数据数组。通过上述方法，在对时序数据进行数据压缩时，能够提高压缩比。
-
公开(公告)号：CN119539801A
公开(公告)日：2025-02-28
申请号：CN202411449913.1
申请日：2024-10-16
Applicant: 杭州高新区(滨江)区块链与数据安全研究院
Abstract: 本申请适用于区块链技术领域，提供了一种基于区块链的交易方法、装置及计算机设备，所述交易方法包括：创建多个账户地址，所述多个账户地址包括未参与当前交易的账户地址，所述未参与当前交易的账户地址的状态为确认状态；在所述多个账户地址中选择一个确认状态的第一账户地址，将所述第一账户地址的状态由所述确认状态转换为未确认状态；构建包含所述未确认状态的第一账户地址的交易捆绑包，将所述交易捆绑包纳入区块链；将所述交易捆绑包内的所述第一账户地址的状态由所述未确认状态转换为所述确认状态。通过上述方案，避免了交易过程中的随机数冲突问题。
-
公开(公告)号：CN119515370A
公开(公告)日：2025-02-25
申请号：CN202411535182.2
申请日：2024-10-30
Applicant: 杭州高新区(滨江)区块链与数据安全研究院
Abstract: 本申请实施例适用于互联网服务技术领域，提供了一种交易信息确定方法及电子设备，该方法包括：对待交易的交易订单进行多次拆单，得到每次拆单的多份子订单；交易订单包含待交易的第一对象以及目标交易金额；每次拆单的子订单的拆单数量不同；针对当前次拆单的多份子订单，基于交易所中第一对象与期望交易的第二对象之间的兑换信息，确定多个子订单分别在对应的交易所中进行交易时的第一子成交金额；根据拆单的多份第一子成交金额，确定当前次拆单的第一成交金额；基于多次拆单交易的第一成交金额，确定供第一对象与第二对象进行交易的目标交易信息。采用上述方法，可以降低第一对象兑换第二对象所需的交易成本。
-
公开(公告)号：CN119483967A
公开(公告)日：2025-02-18
申请号：CN202411462994.9
申请日：2024-10-18
Applicant: 杭州高新区(滨江)区块链与数据安全研究院
Abstract: 本申请适用于区块链技术领域，提供了一种账户恢复方法、装置、设备及存储介质，该方法包括：应用于区块链节点设备，所述方法包括：获取认证数据，所述认证数据根据用户的预设身份标识信息生成；针对所述认证数据，获取用于进行账户恢复的用户数据以及账户恢复参数，所述账户恢复参数包括用户地址；采用通行密钥对所述用户数据和所述认证数据进行签名处理，得到数字签名；利用智能合约对所述数字签名进行验证；若所述数字签名验证通过，将所述账户恢复参数中的用户地址确定为目标用户地址。该方案通过使用Passkey的方式来恢复账户，操作简单，安全性高。
-
公开(公告)号：CN119478567A
公开(公告)日：2025-02-18
申请号：CN202510065436.7
申请日：2025-01-16
Applicant: 浙江大学 , 杭州高新区(滨江)区块链与数据安全研究院
IPC: G06V10/764 , G06V10/82 , G06V10/26 , G06N3/0475 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种面向对抗补丁攻击的防御方法，利用掩码重构任务具有良好特征提取能力的特点，通过设计对抗性掩码生成方法和分类‑重构联合训练方法，实现了一种面向对抗补丁攻击的防御方法，面向对抗补丁攻击的防御方法将图像识别模型划分为主干网络和全连接层，分别用于特征提取和分类预测，将重构模型连接在主干网络后，用于接收主干网络提取的图像特征并重构图像，连接后的图像识别模型主干网络、全连接层和重构模型总体称为训练模型。这种连接方式无需修改原有图像识别模型的结构，只优化原有模型的权重参数，适用于任意架构的深度学习视觉模型，适用于任意训练状态的模型，而无需强制从头训练。
-
Patent Agency Ranking
公开(公告)号：CN119477318A
公开(公告)日：2025-02-18
申请号：CN202411455042.4
申请日：2024-10-17
Applicant: 杭州高新区(滨江)区块链与数据安全研究院
Abstract: 本申请适用于区块链技术领域，提供了一种区块链交易预确认的验证方法、设备、系统及程序产品。方法应用于验证者设备，包括：在接收到针对目标交易的预确认请求后，向构建者设备发送目标交易的交易数据，以指示构建者设备根据交易数据，以默克尔树的形式构建包含交易数据和数据证明的交易负载，并将交易负载发送至验证者设备；在接收到交易负载后，根据数据证明，验证交易负载中是否包括交易数据。通过本申请的方法，验证者设备可以验证构建者构建的交易负载中是否包括预确认的目标交易，因此能够在保证交易负载中包括了预确认的目标交易之后，再将交易负载进行广播，提高了区块链交易的安全性。
-
公开(公告)号：CN119474097A
公开(公告)日：2025-02-18
申请号：CN202411564332.2
申请日：2024-11-04
Applicant: 杭州高新区(滨江)区块链与数据安全研究院
IPC: G06F16/22 , G06F16/27 , G06F16/172 , G06F16/182 , G06F16/13
Abstract: 本申请涉及区块链技术领域，提出一种树结构数据存储方法、装置、电子设备和计算机程序产品。该方法包括：获取待存储的树结构数据；从树结构数据的叶子节点开始，依次遍历除根节点之外的每个节点，将该节点的数据写入文件并记录对应的文件偏移量至该节点的父节点的数据内，文件偏移量用于表示对应节点的数据在文件中的存储位置；将根节点的数据写入文件，并在文件的指定位置记录索引信息，索引信息用于确定根节点的数据在文件中的存储位置。通过这样设置，根据索引信息能够定位根节点在文件中的存储位置，而根据父节点的数据包含的文件偏移量能够定位子节点在文件中的存储位置，从而实现从根节点到子节点的高效寻址，提高数据读取速度。
-
公开(公告)号：CN119449493A
公开(公告)日：2025-02-14
申请号：CN202510032417.4
申请日：2025-01-09
Applicant: 杭州高新区(滨江)区块链与数据安全研究院 , 浙江大学
IPC: H04L9/40 , G10L21/0216 , G10L21/0208
Abstract: 本申请涉及一种基于语音混淆的语音通信隐私保护方法、系统和介质，通过接收第一用户发送至第二用户的第一语音混淆数据；获取对应于第一用户的第一随机数和第一用户的第一身份；根据第一随机数和第一身份，在语音数据集中查找目标语音，并拼接目标语音，生成语音混淆噪声；根据语音混淆噪声，对第一语音混淆数据进行解混淆，还原得到第一语音数据；即使数据传输有损，也可以基于解混淆还原语音，因此可以保障接收方成功解密语音数据。
-
公开(公告)号：CN119444350A
公开(公告)日：2025-02-14
申请号：CN202411404341.5
申请日：2024-10-09
Applicant: 杭州高新区(滨江)区块链与数据安全研究院 , 浙江大学
IPC: G06Q30/0601 , G06F16/9535 , G06F18/214 , G06Q30/0201 , G06Q30/0282 , G06F18/22
Abstract: 本申请涉及一种物品推荐方法、装置、计算机设备和存储介质，其中，该方法包括：获取训练数据集，训练数据集为包含各样本用户与各样本物品之间交互信息的文档数据或文本数据；针对预先建立的推荐模型，构建基于预设瑞丽散度系数和可学习的用户个性化阈值参数的推荐损失函数；将训练数据集输入推荐模型，基于推荐损失函数训练推荐模型，得到训练完备的推荐模型；推荐模型的输出为文档关于特定物品的预测评分，或文本关于特定物品的预测评分；将目标用户与目标物品之间的历史交互数据输入推荐模型，得到关于目标物品的预测评分，基于各预测评分的排序进行物品推荐。通过本申请，解决了无法向用户准确推荐物品的问题，实现了向用户准确推荐物品。
-
公开(公告)号：CN119398094A
公开(公告)日：2025-02-07
申请号：CN202411303419.4
申请日：2024-09-18
Applicant: 杭州高新区(滨江)区块链与数据安全研究院 , 浙江大学
IPC: G06N3/042 , G06N3/0455 , G06N3/0499 , G06N3/084
Abstract: 本申请涉及一种图神经网络训练方法、装置、设备和可读存储介质。所述方法包括：获取图结构的多个训练边集和待训练的图神经网络；确定每个训练边集各条边中每个节点的邻居节点集；通过确定邻居节点集中每个邻居节点的邻居位置编码信息和结构位置编码信息，以及对节点间的共同邻居进行扩展，得到共同邻居编码信息；根据结构位置编码信息和共同邻居编码信息对图神经网络进行训练，在满足预设训练条件的情况下，结束训练得到训练好的图神经网络；获取待处理图结构，将待处理的图结构输入至训练好的图神经网络，得到待处理图结构的预测结果。采用本方法能够提高预测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
256
records
(took 0.078 seconds)
