-
公开(公告)号：CN115174046B
公开(公告)日：2024-04-30
申请号：CN202210656422.9
申请日：2022-06-10
Applicant: 湖北工业大学
Abstract: 本发明公开了一种向量空间上的联邦学习双向可验证隐私保护方法及系统，首先可信第三方D公布公开参数；用户进行本地训练得到梯度向量，对其盲化后进行承诺，并上传至聚合服务器AS；接着AS验证梯度密文向量的正确性，聚合后得到聚合结果向量，AS将其作为解来构造方程组，并将每一个方程作为子密钥；然后AS将每个子密钥及其承诺发送给对应的用户；用户验证子密钥的有效性，合作解出聚合结果；最后用户验证最后得到的聚合结果是否正确。本发明不仅能够解决联邦学习训练过程中信息的保密性及完整性问题，还能抵抗成员推理攻击、共谋攻击，以及中间人攻击等，同时解决聚合结果恢复阶段的用户掉线问题，并且减小计算开销，提高模型精度。
-
公开(公告)号：CN115174046A
公开(公告)日：2022-10-11
申请号：CN202210656422.9
申请日：2022-06-10
Applicant: 湖北工业大学
Abstract: 本发明公开了一种向量空间上的联邦学习双向可验证隐私保护方法及系统，首先可信第三方D公布公开参数；用户进行本地训练得到梯度向量，对其盲化后进行承诺，并上传至聚合服务器AS；接着AS验证梯度密文向量的正确性，聚合后得到聚合结果向量，AS将其作为解来构造方程组，并将每一个方程作为子密钥；然后AS将每个子密钥及其承诺发送给对应的用户；用户验证子密钥的有效性，合作解出聚合结果；最后用户验证最后得到的聚合结果是否正确。本发明不仅能够解决联邦学习训练过程中信息的保密性及完整性问题，还能抵抗成员推理攻击、共谋攻击，以及中间人攻击等，同时解决聚合结果恢复阶段的用户掉线问题，并且减小计算开销，提高模型精度。
-
Search Results
2
records
(took 0.015 seconds)
