-
公开(公告)号：CN119987974A
公开(公告)日：2025-05-13
申请号：CN202510445993.1
申请日：2025-04-10
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明涉及计算机深度学习技术领域，特别涉及一种深度学习任务混合部署方法及系统。其方法包括：S1.用户通过Kubernetes原生接口提交任务；S2.任务调度优化器根据资源需求和服务等级分析任务并分配至合适节点；S3.SLO管理器跟踪系统各项性能指标的实时数据，并将实时数据与预先设定的服务等级目标进行对比；S4.Koordlet组件在目标节点上执行具体的资源分配操作；S5.流量安全监控器对各节点之间的数据流进行实时监测。本发明通过分析深度学习任务资源使用的周期性规律，提出针对不同类型资源的混合部署的策略，实现在线与离线任务的动态资源共享，同时确保系统在高负载条件下仍能稳定高效运行。
-
公开(公告)号：CN113902303A
公开(公告)日：2022-01-07
申请号：CN202111186099.5
申请日：2021-10-12
Applicant: 哈尔滨工业大学 , 上海浦东发展银行股份有限公司
IPC: G06Q10/06 , G06Q30/00 , G06F16/9535
Abstract: 本申请公开了一种基于用户满意度的隐私模型自动推荐系统、算法、设备及存储介质，属于数据分析技术领域。解决了现有技术中存在的用户如何对隐私模型进行选择问题以及如何配置隐私模型参数的问题。本申请用户满意度的隐私模型自动推荐系统、算法、设备及存储介质创造性地提出历史配置方案资源池的概念，针对熟悉隐私保护知识和不熟悉隐私保护知识的用户，通过正向过程与逆向过程相结合对历史配置方案资源池进行迭代升级。历史配置方案资源池在每次数据匿名化处理过程中，以用户满意度为基准自动推荐配置，确保匿名后数据符合用户满意度要求。本申请为数据的匿名化处理提供更加简便高效的解决方案，提高了匿名后数据的质量，增强了数据保护的能力。
-
公开(公告)号：CN113961438B
公开(公告)日：2024-04-16
申请号：CN202111240836.5
申请日：2021-10-25
Applicant: 哈尔滨工业大学 , 上海浦东发展银行股份有限公司
IPC: G06F11/34 , G06F18/23213 , G06F18/214 , G06F18/2321
Abstract: 本申请公开了一种基于多粒度多层级的历史行为异常用户检测系统、方法、设备及存储介质，属于数据分析技术领域。解决了现有技术中识别异常种类少导致的漏报问题和正常行为模式偏离较大导致的误报的问题。本申请的多粒度多层次聚类包括层级划分、组间粗粒度聚类、组内细粒度聚类；层级划分：将天数按照多个层级进行逐层划分并对每一层级的组内和组间进行定义；组间粗粒度聚类：对每一层级中的每组构建用户的单组特征向量，进行聚类标记；组内细粒度聚类：对每一层级中每组内的用户构建单日行为特征向量，进行聚类标记；最终综合聚类标记得到用户异常行为标记。本申请减少了异常用户的漏报率和误报率，实现了较高的历史行为异常用户识别率和鲁棒性。
-
公开(公告)号：CN116306914A
公开(公告)日：2023-06-23
申请号：CN202310143694.3
申请日：2023-02-21
Applicant: 哈尔滨工业大学
IPC: G06N3/098 , G06N3/084 , G06N3/048 , G06F18/2135 , H04L9/00
Abstract: 基于主成分分析多偏置交互的纵向联邦学习优化方法、电子设备及存储介质，属于隐私计算技术领域。为了在数据集容量较小的情况下提高纵向联邦神经网络模型的效率。本发明训练参与各方包括训练发起方、训练协助方，将训练发起方的数据、训练协助方的数据进行前向传播方法训练，得到前向传播方法的训练结果；将前向传播方法的训练结果进行反向传播方法训练，训练协助方和训练发起方分别进行模型参数的更新，完成一轮的训练；重复训练直至训练结果达到精度要求或者停止条件，完成基于多偏置交互的纵向联邦场景神经网络训练。本发明利用了主成分分析数据降维方法，使得特征的过滤功能得到多方数据信息的指导，结果更具说服力。
-
公开(公告)号：CN113947212A
公开(公告)日：2022-01-18
申请号：CN202111203824.5
申请日：2021-10-15
Applicant: 哈尔滨工业大学 , 上海浦东发展银行股份有限公司
IPC: G06N20/00 , G06V10/764 , G06K9/62
Abstract: 本申请公开了一种发起方权益保护的联邦提升树模型构建方法、系统、设备及存储介质，属于联邦学习技术领域。解决了在联合训练模型时发起方权益保护的问题。本申请发起方与参与方计算分位区间发送给协调方；协调方计算平均的分位数草图发送给发起方和参与方；发起方和参与方计算局部直方图，并对局部直方图添加噪声，发送给协调方；协调方计算全局直方图，发送给发起方与参与方；发起方和参与方计算分裂点的增益，发送给协调方计算根节点；协调方分裂特征与分裂阈值发送给发起方和参与方；发起方和参与方更新局部直方图；发起方选择多个参与方计算下一层节点，重复以上过程进行训练，得到提升树。本申请保护了数据隐私，实现了联邦学习场景。
-
Patent Agency Ranking
公开(公告)号：CN119201988A
公开(公告)日：2024-12-27
申请号：CN202411256454.5
申请日：2024-09-09
Applicant: 哈尔滨工业大学
IPC: G06F16/2453 , G06F16/242 , G06F16/2455 , G06F16/22 , G06F21/60
Abstract: 本发明提出一种多方数据联合安全查询方法，属于多方数据查询技术领域。包括：步骤一、查询客户端接收并解析用户输入的SQL查询语句，并对查询语句进行权限检查检验SQL语句是否被各数据持有方允许执行；步骤二、查询客户端根据查询语句为各参与方生成多方安全计算任务，并发送给各参与方；步骤三、各参与方在本地进行权限检查，执行子查询部分和多方安全计算任务；步骤四、获得各参与方执行结果，查询客户端调度各参与方执行多方安全计算任务。解决无法实现多种高效安全且支持任意多参与方的常见数据库函数操作的技术问题。本发明涵盖常见的数据库查询语句，并且支持两个及以上的任意参与方数量，在大多数查询语句中具有良好的查询效率。
-
公开(公告)号：CN113902303B
公开(公告)日：2024-04-16
申请号：CN202111186099.5
申请日：2021-10-12
Applicant: 哈尔滨工业大学 , 上海浦东发展银行股份有限公司
IPC: G06Q10/0635 , G06Q30/016 , G06F16/9535
Abstract: 本申请公开了一种基于用户满意度的隐私模型自动推荐系统、算法、设备及存储介质，属于数据分析技术领域。解决了现有技术中存在的用户如何对隐私模型进行选择问题以及如何配置隐私模型参数的问题。本申请用户满意度的隐私模型自动推荐系统、算法、设备及存储介质创造性地提出历史配置方案资源池的概念，针对熟悉隐私保护知识和不熟悉隐私保护知识的用户，通过正向过程与逆向过程相结合对历史配置方案资源池进行迭代升级。历史配置方案资源池在每次数据匿名化处理过程中，以用户满意度为基准自动推荐配置，确保匿名后数据符合用户满意度要求。本申请为数据的匿名化处理提供更加简便高效的解决方案，提高了匿名后数据的质量，增强了数据保护的能力。
-
公开(公告)号：CN117494143A
公开(公告)日：2024-02-02
申请号：CN202311546452.5
申请日：2023-11-20
Applicant: 哈尔滨工业大学 , 中数(深圳)时代科技有限公司
Abstract: 一种基于GAN的多模态重构攻击的防御方法，属于人工智能安全技术领域。为加强GAN多模态重构攻击的特征数据安全性，本发明攻击方获取其他参与方参与联邦学习训练过程中的梯度信息；攻击方根据其他参与方参与联邦学习训练过程中的梯度信息进行数据重构攻击；构建抵御数据重构攻击的防御方法，包括在联邦学习的每轮训练开始前，中央服务器随机选择不定数量的参与方参与本次训练，并将当前全局模型参数发送给被选中的每一个参与方；对于中央服务器发送至其他参与方参与联邦学习训练过程中的梯度信息数据，通过梯度压缩和稀疏化的方式进行防御；对于中央服务器发送至其他参与方参与联邦学习训练过程中的梯度信息数据传输过程中采用设计的加密传输协议。
-
公开(公告)号：CN113961438A
公开(公告)日：2022-01-21
申请号：CN202111240836.5
申请日：2021-10-25
Applicant: 哈尔滨工业大学 , 上海浦东发展银行股份有限公司
IPC: G06F11/34 , G06V10/762 , G06V10/774 , G06K9/62
Abstract: 本申请公开了一种基于多粒度多层级的历史行为异常用户检测系统、方法、设备及存储介质，属于数据分析技术领域。解决了现有技术中识别异常种类少导致的漏报问题和正常行为模式偏离较大导致的误报的问题。本申请的多粒度多层次聚类包括层级划分、组间粗粒度聚类、组内细粒度聚类；层级划分：将天数按照多个层级进行逐层划分并对每一层级的组内和组间进行定义；组间粗粒度聚类：对每一层级中的每组构建用户的单组特征向量，进行聚类标记；组内细粒度聚类：对每一层级中每组内的用户构建单日行为特征向量，进行聚类标记；最终综合聚类标记得到用户异常行为标记。本申请减少了异常用户的漏报率和误报率，实现了较高的历史行为异常用户识别率和鲁棒性。
-
公开(公告)号：CN117494209A
公开(公告)日：2024-02-02
申请号：CN202311546450.6
申请日：2023-11-20
Applicant: 哈尔滨工业大学 , 中数(深圳)时代科技有限公司
IPC: G06F21/62 , G06F21/64 , G06N3/0475 , G06N3/098 , G06N3/094
Abstract: 一种基于生成对抗网络的多模态推理攻击的防御方法、电子设备及存储介质，属于人工智能安全技术领域。为加强对联邦学习过程中推理攻击的特征数据安全性，本发明设置联邦学习框架基础为：各参与方在每轮联邦学习模型训练前向中央服务器声明本地训练数据的特征标签，用于联邦学习的特征对齐；构建成员推理攻击方法，采集参与方的训练数据，然后攻击方重构参与方的训练数据，将重构的数据，可搜集到的相关数据和参与方自身持有的数据作为训练数据集，用于训练多模态推理攻击模型；构建多模态推理攻击模型，包括样本数据为文本的文本推理攻击模型、样本数据为图像的图像推理攻击模型；针对构建的多模态推理攻击模型，构建多模态推理攻击的防御方法。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.023 seconds)
