-
公开(公告)号：CN119316229B
公开(公告)日：2025-02-28
申请号：CN202411845229.5
申请日：2024-12-16
Applicant: 北京市大数据中心 , 数据堂(北京)科技股份有限公司
IPC: H04L9/40
Abstract: 本发明涉及数据共享技术领域，且公开了一种基于前置节点的联邦数据共享方法和装置，其中方法包括：前置节点将获取到的联邦数据上传至私有链，前置节点上传本地区的基础公共服务信息到私有链，前置节点计算联邦数据特征，并上链请求验证，其他节点根据本地区实际情况，反馈验证值或对联邦数据进行修正，监管机构定期对整个链上的节点进行性能监管和数据统计分析，本发明通过在前置节点上进行数据预处理和加密，确保了数据在传输过程中的安全性和隐私性，前置节点作为中介，可以优化数据传输流程，提高处理效率，减轻链上节点的负载。
-
公开(公告)号：CN117786768B
公开(公告)日：2024-05-14
申请号：CN202410199786.8
申请日：2024-02-23
Applicant: 数据堂(北京)科技股份有限公司 , 北京市大数据中心
Abstract: 本发明提供了一种联邦数据学习的安全参数交换方法，属于数据安全技术领域。本发明采用第三方签名保护参数服务器的参数汇聚安全，目前还没有保护服务器的专利，本发明创新提出通过对参数服务器中的参数在读写、落盘和网络传输三个方面进行监控，来确保参数服务器进行安全的明文参数汇聚。本发明还通过采用RSA算法保护不安全环境下密码和参数安全通信，确保通信链路的安全，使链路劫持失效。本发明还采用加密强度可配置的训练节点参数加密措施，针对不同的训练节点的采用不同的加密强度，满足实际应用的各种安全场景要求，对训练节点进行安全保护。
-
公开(公告)号：CN119357754B
公开(公告)日：2025-04-08
申请号：CN202411911075.5
申请日：2024-12-24
Applicant: 北京市大数据中心 , 数据堂(北京)科技股份有限公司
IPC: G06F18/24 , G06N3/0455 , G06N3/098
Abstract: 本申请公开了一种联邦数据管控下的基于规则对齐的激励方法及装置，其首先指定联邦数据管控规则，同时从第一联邦节点和第二联邦节点获取用户的行为数据，并采用基于深度学习的数据处理技术对用户行为数据进行时序分析，以分别捕捉到第一联邦节点和第二联邦节点的用户行为特征，进而，通过将第一联邦节点用户行为特征和第二联邦节点用户行为特征分别与联邦数据管控规则进行语义关联分析，从而智能确定联邦节点的激励结果。这样，通过量化用户行为与联邦数据管控规则的一致性来调整联邦学习过程中各节点的权重分配，实现了对联邦学习参与者的公平激励，能够有效促进联邦学习环境中数据资源的高效利用，提高联邦学习的整体性能和隐私性。
-
公开(公告)号：CN119316229A
公开(公告)日：2025-01-14
申请号：CN202411845229.5
申请日：2024-12-16
Applicant: 北京市大数据中心 , 数据堂(北京)科技股份有限公司
IPC: H04L9/40
Abstract: 本发明涉及数据共享技术领域，且公开了一种基于前置节点的联邦数据共享方法和装置，其中方法包括：前置节点将获取到的联邦数据上传至私有链，前置节点上传本地区的基础公共服务信息到私有链，前置节点计算联邦数据特征，并上链请求验证，其他节点根据本地区实际情况，反馈验证值或对联邦数据进行修正，监管机构定期对整个链上的节点进行性能监管和数据统计分析，本发明通过在前置节点上进行数据预处理和加密，确保了数据在传输过程中的安全性和隐私性，前置节点作为中介，可以优化数据传输流程，提高处理效率，减轻链上节点的负载。
-
公开(公告)号：CN119357754A
公开(公告)日：2025-01-24
申请号：CN202411911075.5
申请日：2024-12-24
Applicant: 北京市大数据中心 , 数据堂(北京)科技股份有限公司
IPC: G06F18/24 , G06N3/0455 , G06N3/098
Abstract: 本申请公开了一种联邦数据管控下的基于规则对齐的激励方法及装置，其首先指定联邦数据管控规则，同时从第一联邦节点和第二联邦节点获取用户的行为数据，并采用基于深度学习的数据处理技术对用户行为数据进行时序分析，以分别捕捉到第一联邦节点和第二联邦节点的用户行为特征，进而，通过将第一联邦节点用户行为特征和第二联邦节点用户行为特征分别与联邦数据管控规则进行语义关联分析，从而智能确定联邦节点的激励结果。这样，通过量化用户行为与联邦数据管控规则的一致性来调整联邦学习过程中各节点的权重分配，实现了对联邦学习参与者的公平激励，能够有效促进联邦学习环境中数据资源的高效利用，提高联邦学习的整体性能和隐私性。
-
Patent Agency Ranking
公开(公告)号：CN119248887A
公开(公告)日：2025-01-03
申请号：CN202411784495.1
申请日：2024-12-06
Applicant: 北京市大数据中心 , 数据堂(北京)科技股份有限公司
IPC: G06F16/27 , G06F16/2458 , G06F21/64 , G06F21/62 , G06F18/22
Abstract: 本发明涉及电数字数据处理的领域，尤其是涉及一种基于联邦机制的多主体共治数据协同方法、装置、电子设备及介质，方法包括如下步骤：获取数据信息和预先写入在区块链中的计算模型，通过计算模型对数据信息进行计算，获得计算结果，并生成数据目录，将数据目录写入区块链；区块链中的分析模型对数据目录进行分析，发掘数据目录的关系和隐性关系；通过切片算法将数据目录中的数据进行数据切片，数据切片后的数据存储在切片数据集中，应用算法获取切片数据集中的数据重新整合。本发明兼顾隐私保护、数据安全与流通效率的分布式数据治理范式，构建了面向跨域场景的体系化治理框架，实现了对“数据孤岛”的数据的高效利用。
-
公开(公告)号：CN117786768A
公开(公告)日：2024-03-29
申请号：CN202410199786.8
申请日：2024-02-23
Applicant: 数据堂(北京)科技股份有限公司 , 北京市大数据中心
Abstract: 本发明提供了一种联邦数据学习的安全参数交换方法，属于数据安全技术领域。本发明采用第三方签名保护参数服务器的参数汇聚安全，目前还没有保护服务器的专利，本发明创新提出通过对参数服务器中的参数在读写、落盘和网络传输三个方面进行监控，来确保参数服务器进行安全的明文参数汇聚。本发明还通过采用RSA算法保护不安全环境下密码和参数安全通信，确保通信链路的安全，使链路劫持失效。本发明还采用加密强度可配置的训练节点参数加密措施，针对不同的训练节点的采用不同的加密强度，满足实际应用的各种安全场景要求，对训练节点进行安全保护。
-
公开(公告)号：CN119273260A
公开(公告)日：2025-01-07
申请号：CN202411803953.1
申请日：2024-12-10
Applicant: 北京市大数据中心 , 数据堂(北京)科技股份有限公司
IPC: G06Q10/083 , G06Q10/087 , G06Q30/018 , G06Q40/04 , H04L67/1097
Abstract: 本发明涉及计算机系统的领域，尤其是涉及一种基于联邦控制的多源数据协同方法、装置、电子设备及介质，基于联邦控制的多源数据协同方法包括如下步骤：通过共识机制将整体目标拆解为多个子目标，并分配给区块链网络中的各个节点；通过链上投票消除节点间的冲突；通过去中心化博弈模型平衡节点之间的博弈和合作，通过基于去中心化竞价的激励机制分配节点获得奖励；通过跨链合约和基于跨链合约的数据流通框架，构建节点间信任关系；通过激励相容性的数据协同合约，统一跨链交互中供应方与需求方的交互规则。本发明具有减少供给和需求之间理解不一致的情况，便于对异质空间跨域进行管控的效果。
-
公开(公告)号：CN119273113A
公开(公告)日：2025-01-07
申请号：CN202411804034.6
申请日：2024-12-10
Applicant: 北京市大数据中心 , 数据堂(北京)科技股份有限公司
IPC: G06Q10/0631 , G06F18/22 , G06F18/25
Abstract: 本发明涉及电数字数据处理的领域，尤其是涉及一种基于场景生成与供需匹配的联邦数据服务方法、装置、电子设备和介质，方法包括如下步骤：构建人工场景；获得影响供需匹配效率和精度的因素和变量，对人工场景、需求信息和供应信息进行分析，获得分析结果，根据分析结果进行供需匹配，输出匹配结果；对需求信息和供应信息进行预测，并根据预测的需求信息和供应信息进行供需匹配。本发明将人工智能的推理与决策能力融入区块链系统中，利用智能算法实时监控共识过程并动态调整共识参数，促使一致性供需匹配决策的实时达成与动态调整，从而确保供需决策在面向场景多态性和关系耦合性时的适应性。
-
公开(公告)号：CN119357378A
公开(公告)日：2025-01-24
申请号：CN202411301360.5
申请日：2024-09-18
Applicant: 北京市大数据中心
IPC: G06F16/335 , G06F40/279 , G06F18/214 , G06N3/0499 , G06N3/096
Abstract: 本发明属于企业关系抽取技术领域，具体提供一种基于领域自适应的迁移学习实体关系抽取方法、装置、设备及存储介质，所述方法包括：选择一个或多个源领域；采用深度学习模型在选定的源领域上进行预训练，学习源领域内的已标注企业关系数据集；选择具有未标注或部分标注的企业关系数据的目标领域，使用领域自适应算法调整预训练的模型参数，适应目标领域的数据特征和分布；在完成目标领域数据特征和分布的领域适应后，部署迁移学习算法对调整后的深度学习模型进行微调；验证微调后深度学习模型在目标领域的性能；在目标领域中应用经过微调的深度学习模型识别和抽取文本中的企业关系及其关系。确保了抽取的企业关系及其关系数据的高质量和一致性。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.098 seconds)
