-
公开(公告)号：CN109948354A
公开(公告)日：2019-06-28
申请号：CN201910206708.5
申请日：2019-03-19
Applicant: 南京大学 , 北京神州绿盟信息安全科技股份有限公司
Abstract: 本发明公开一种跨平台使用硬件隔离环境对文件进行加密校验的方法，是一种在跨平台转移文件同时使用硬件隔离保护文件机密性和完整性的方法，使得对文件的保护可以在两个不同平台的硬件隔离环境中进行。位于PC端的文件，在操作系统环境为Windows或者Linux的情况下，利用Intel SGX技术对它进行加密和校验码的计算，此后文件变为安全状态。当需要把文件转移到移动端时，假设移动端部署的是Android系统，则可利用ARM TrustZone技术对该文件进行解密和完整性校验，反方向亦然。达到了文件跨平台安全传输并同时保证机密性和完整性的目的。
-
公开(公告)号：CN118940821A
公开(公告)日：2024-11-12
申请号：CN202411413157.7
申请日：2024-10-11
Applicant: 南京大学
IPC: G06N3/098 , G06N3/096 , G06N3/0464 , G06F21/62
Abstract: 本发明公开了一种基于最小特权原则的隐私保护联邦学习方法，采用联邦学习系统，所述联邦学习系统包括全局服务器和多个客户端，包括以下步骤：全局服务器为所有客户端分发相同的随机初始化模型；局部过程：每个客户端随机初始化蒸馏数据集，并在本地进行数据蒸馏得到蒸馏样本，然后将蒸馏样本上传到全局服务器；全局过程：全局服务器将所有客户端上传的蒸馏样本进行数据聚合，得到全局数据；重复直到完成全部联邦学习的训练轮次，得到最终联邦学习模型。本发明进行训练的过程不需要在全局服务器上进行，并且以蒸馏数据的信息形式作为数据聚合的载体，训练期间的共享信息量可控，实现联邦学习训练中的最小特权原则，有效保护保护隐私。
-
公开(公告)号：CN117437375A
公开(公告)日：2024-01-23
申请号：CN202310570050.2
申请日：2023-05-19
Applicant: 南京大学
Abstract: 本发明涉及一种基于计算卸载机制的移动端单目三维场景重建系统，包括如下步骤：使用者点击按钮，控制移动端开始扫描采集三维重建数据，对三维重建数据进行筛选。使用有效数据对当前得到的RGB像素图像进行处理传输到服务器，进行预处理，得到适配数据。将有效数据进行神经网络推理，得到立方体粒度的增量网格模型数据。进行解析，更新一个从立方体编号到对应的网格数据的字典，并增量式地更新用于GPU渲染的线性缓存，进而更新三维重建效果。下一次屏幕刷新时，屏幕显示当前三维重建的网格模型更新效果，使用者自行调整扫描进程或角度，继续产生有效数据，直至点击结束重建。能够同时满足成本低廉、简单易用、交互实时、带宽低需等要求。
-
公开(公告)号：CN116843856A
公开(公告)日：2023-10-03
申请号：CN202310574081.5
申请日：2023-05-22
Applicant: 南京大学
Abstract: 本发明公开了一种面向多用户的分布式大型多场景多源三维重建方法，包括如下步骤：一、子场景重建：选择分数最高的计算节点将用户发送的多源的RGBD图像和对应的位姿信息进行子场景重建得到子场景三维模型；二、子场景重定位：利用基于打分的子场景多级调度方法和基于场景感知的子场景重定位方法对所述待重定位子场景和目标子场景进行重定位；三、子场景融合：利用基于图与并查集的子场景融合方法得到待合并模型对，对待合并模型对进行场景融合。本发明通过场景感知的重定位方法，有效避免了相似子场景导致的错误重定位的情况，从而能够为系统提供有力的多场景多源三维重建支持，而且时间消耗短，在各个阶段系统消耗均比较低。
-
公开(公告)号：CN114662690A
公开(公告)日：2022-06-24
申请号：CN202210547606.1
申请日：2022-05-20
Applicant: 南京大学
IPC: G06N3/10 , G06F9/50 , G06F11/34 , H04L41/042 , H04L41/044 , H04L41/08 , H04L41/16 , H04W84/18 , G06N3/08 , G06N3/04 , G06N5/04
Abstract: 本发明涉及一种面向深度学习Transformer类模型的移动设备协同推断系统，包括如下步骤：准备阶段：评估可用硬件资源，确定切分粒度，切片并分发至各设备。部署阶段：通过DNS组网来控制设备进行异构设备的协同推断。各待推断设备均部署推断服务程序。控制节点发送待推断样本到各设备，当前节点将中间结果传递至负责下一个模型切片的节点，以此类推，直至最后一个节点完成推理，再将最终结果发送给控制节点输出。避免因为整个Transformer模型占用空间较大而单个设备不能运行。
-
Patent Agency Ranking
公开(公告)号：CN114254724A
公开(公告)日：2022-03-29
申请号：CN202010957768.3
申请日：2020-09-11
Abstract: 本申请实施例公开一种数据处理方法，该方法可用于人工智能的序列数据处理领域。方法包括：通过第一神经网络对第一序列数据携带的信息进行删减处理，得到第二序列数据，第二序列数据携带的信息量小于第一序列数据携带的信息量；将第二序列数据发送给第二执行设备，接收第二执行设备发送的第二序列数据的预测结果，第二序列数据的预测结果被视为第一序列数据的预测结果；第一神经网络为通过第一损失函数和第二损失函数训练得到的，第一损失函数指示第二序列数据携带的信息量，第二损失函数指示第一序列数据的预测结果与第一序列数据的正确结果之间的相似度。减少发送至服务器的信息量，以减少处于风险状态的数据，提高用户数据的安全性。
-
公开(公告)号：CN118965443A
公开(公告)日：2024-11-15
申请号：CN202411419929.8
申请日：2024-10-12
Applicant: 南京大学
IPC: G06F21/62 , G06N3/0985 , G06N5/04 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种针对深度学习推理服务的可控数据隐私增强方法，通过设计一种动态路由神经网络模型拉实现舵机数据增强，并设计并设计多层训练框架进行逐级训练，以实现不同级别的数据保护功能。动态路由神经网络具有多个不同大小的信息瓶颈和基于门的瓶颈选择。多级训练框架中，根据优化目标表达式，通过计算得出的信息约简损失，逐级训练。该方法可以满足用户在实际深度学习推理服务使用中的不同保护需求，它以用户数据和增强级别作为输入，以可控的数据信息缩减方式对数据进行增强，可以做到有效防止二次推理攻击和重构攻击。
-
公开(公告)号：CN115174404B
公开(公告)日：2024-06-21
申请号：CN202210533169.8
申请日：2022-05-17
Applicant: 南京大学
IPC: H04L41/0896 , H04L41/0894 , H04L41/14 , H04L41/0895
Abstract: 本发明公开了一种基于SDN组网的多设备联邦学习系统，系统内采用SDN进行组网连接，该系统将边缘设备根据互相之间的延迟分为数个小组，组内采用去中心化的联邦学习策略进行联邦学习训练；在完成组内训练后，根据SDN中提供的信息在每组中选择网络性能最强的设备，让其将本组模型发送给中心节点，由中心节点对各组模型进行聚合。本发明通过对原有联邦学习过程的改良，更充分地使用了边缘设备的数据、算力与网络带宽，同时降低中心节点的压力，提高了模型训练效率，进而使各边缘设备上的数据能够更快地转化为深度学习模型，有效提升了深度学习服务的质量。
-
公开(公告)号：CN113297530B
公开(公告)日：2024-04-09
申请号：CN202110405149.8
申请日：2021-04-15
Applicant: 南京大学
IPC: G06F17/11 , G05B23/02 , G01M17/007
Abstract: 本发明公开一种基于场景搜索的自动驾驶黑盒测试系统，包括配置文件，世界初始化器，世界生成器，反馈搜索器，以及结果分析器；用于测试待测试目标系统；所述初始化器读取预先写好的关于场景和对象的配置文件，随后每次故障场景搜索过程调用世界初始化器采样出一个初始场景，在转换为参数化表示后使用世界生成器在Unreal Engine中进行创建生成场景；所述反馈搜索器通过调整场景中的物体，寻找造成故障的场景；所述结果分析器对搜索到的故障场景进行逐个的对象移除判断造成故障的对象。本发明能够对自动驾驶系统的安全性进行标定，同时能够分析出自动驾驶系统的脆弱性。具备可扩展性和可理解性，且适用于具有高度非线性特征的深度学习系统。
-
公开(公告)号：CN114091108B
公开(公告)日：2022-04-26
申请号：CN202210051704.6
申请日：2022-01-18
Applicant: 南京大学
IPC: G06F21/62 , G06F16/35 , G06F16/953 , G06F16/9535 , G06F40/30 , G06V10/762 , G06K9/62
Abstract: 本发明公开了一种智能系统隐私性评估方法及系统，该评估方法包括：首先根据待评估系统的应用场景进行数据按需准备，并根据待评估系统的工作要求进行动态数据采样；而后通过智能语义编辑算法对评估数据中的隐私信息进行修改，通过评估所修改数据对模型推断精度的影响来分析数据隐私信息与系统推断精度的关联关系，进而对待评估系统的隐私性进行量化评估。本发明以数据驱动的方式，通过建立用户隐私信息与模型推断精度之间的关系，实现了智能系统的隐私性评估，从而建立了一套通用、高效、自动化的智能系统隐私性评估系统，有效提高了智能系统对用户隐私信息使用的透明度，保证用户对个人隐私信息使用风险的知情权。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.042 seconds)
