-
公开(公告)号：CN113792856B
公开(公告)日：2022-06-10
申请号：CN202111058809.6
申请日：2021-09-09
Applicant: 电子科技大学
Abstract: 本发明公开了基于VAE医疗保健联邦学习框架的确定方法，涉及计算机科学、机器学习以及联邦学习技术领域，解决基于联邦学习的医疗保健领域的三个挑战，第一，数据分布非IID导致的最终模型性能降低以及收敛速度慢的问题。第二，医疗数据的正负样本分布不均衡导致的模型偏差较大的问题。第三，联邦学习下所消耗的通信带宽过大导致的难以实际部署的问题。我们先在联邦学习框架下训练两个轻量级的VAE，然后将训练好的VAE分发给所有的节点用于更新自己的本地数据，而更新后的本地数据具有的特点就是数据都是低维且分布具有相似性并且类别是均衡的。最后再利用这样的数据对异常检测模型进行训练。
-
公开(公告)号：CN105447361B
公开(公告)日：2018-08-21
申请号：CN201410428736.9
申请日：2014-08-27
Abstract: 本发明实施例提供了一种加密和相似性度量的方法。加密方法包括：终端接收用户输入的包括l个分量的生物特征向量。将生物特征向量的l个分量分别编码为l个明文子空间上的l个明文分量，l个明文子空间为将明文空间分解后的子空间。采用CRT，将l个明文分量打包为明文空间上的明文。采用同态加密方法，利用公钥将明文空间上的明文加密为密文空间上的密文。将密文发送至第二服务器，以便于第二服务器将密文与预存储的另一密文进行相似性度量。本发明实施例在加密的过程中，通过将生物特征向量的分量编码为明文子空间的明文分量，并对明文分量进行打包，这样只需对打包后的明文进行一次加密得到一个密文，能够节省加密的时间，减少通信量，进而能够提高效率。
-
公开(公告)号：CN105447361A
公开(公告)日：2016-03-30
申请号：CN201410428736.9
申请日：2014-08-27
Abstract: 本发明实施例提供了一种加密和相似性度量的方法。加密方法包括：终端接收用户输入的包括l个分量的生物特征向量。将生物特征向量的l个分量分别编码为l个明文子空间上的l个明文分量，l个明文子空间为将明文空间分解后的子空间。采用CRT，将l个明文分量打包为明文空间上的明文。采用同态加密方法，利用公钥将明文空间上的明文加密为密文空间上的密文。将密文发送至第二服务器，以便于第二服务器将密文与预存储的另一密文进行相似性度量。本发明实施例在加密的过程中，通过将生物特征向量的分量编码为明文子空间的明文分量，并对明文分量进行打包，这样只需对打包后的明文进行一次加密得到一个密文，能够节省加密的时间，减少通信量，进而能够提高效率。
-
公开(公告)号：CN119323056A
公开(公告)日：2025-01-17
申请号：CN202411529650.5
申请日：2024-10-30
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于NTRU同态外积的隐私信息检索方法，首先将数据库看成一个v+1维的超立方体，用户User以此由查询索引idx生成对应的查询元组(i，j1，j2，...，jv)，将查询元组压缩编码和加密得到一个作为询问的RLWE密文cquery，将密文cquery发送给服务器Server，服务器Server基于密文询问扩展算法将cquery扩展为v+1组密文CTNtru，CTNtruGSW，0，CTNtruGSW，1，…，CTNtruGSW，v‑1，并按照数据库超立方体形式，采用NTRU同态外积计算，生成密文响应结果crespond，发送给用户User，用户采用NTRU解密算法恢复出结果didx。本发明方案实现了对数据库数据记录的隐匿查询，减少了密文查询向量扩展算法的复杂度，提升了隐私信息检索的吞吐量和查询计算效率。
-
公开(公告)号：CN119276459A
公开(公告)日：2025-01-07
申请号：CN202411529654.3
申请日：2024-10-30
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于NTRU的批量化环上乘法三元组生成方法，首先基于判定型NTRU困难问题设计同态加密方案，然后提出两方的批量化环上乘法三元组生成协议，协议的参与方P0、P1各自在整数环上随机选取秘密份额向量，P0选取 0, 0，P1选取 1, 1，P0生成实例化同态加密方案，通过打包编码和加密生成两个密文，将公共参数、公钥和密文发送给另一个参与方P1，P1在模数更大的环上选择一个n维随机数向量r作为掩码，在加密状态下计算出 0· 1+ 1· 0+r的密文ctd，并将ctd发送给参与方P0，参与方P1、P0利用打包解码和SIMD技术，执行同态计算和解密操作后，参与方P0得到向量a和b元素乘积的份额 0，参与方P1得到乘积的另一个份额 1。本发明方案具有更高的计算和通信效率，并具有抗量子安全性。
-
Patent Agency Ranking
公开(公告)号：CN113541921B
公开(公告)日：2022-06-10
申请号：CN202110708084.4
申请日：2021-06-24
Applicant: 电子科技大学
Abstract: 本发明涉及信息安全领域，具体是一种利用GPU来实现全同态加密的方法，包括步骤1、利用CUDA cuRAND在GPU上生成密钥所需的随机多项式；步骤2、构造密钥生成的CUDA实例化图，执行密钥生成的CUDA实例化图，最后将CUDA实例化图的输出内存中的数据拷贝至保存密钥的对象中；步骤3、加密过程；步骤4、解密过程；步骤5、输入两个密文ct0,ct1，计算ctadd；步骤6、计算同态乘法过程中需要扩充的模数集合以及两个额外的冗余模数；步骤7、构造同态乘法的CUDA实例化图，将需要进行乘法运算的密文拷贝至同态乘法的CUDA实例化图的输入内存中，执行同态乘法的CUDA实例化图，最后将CUDA实例化图的输出内存中的数据拷贝至保存乘法结果的对象中，解决了任务执行过程中对GPU资源利用率低的问题。
-
公开(公告)号：CN113792856A
公开(公告)日：2021-12-14
申请号：CN202111058809.6
申请日：2021-09-09
Applicant: 电子科技大学
Abstract: 本发明公开了基于VAE医疗保健联邦学习框架的确定方法，涉及计算机科学、机器学习以及联邦学习技术领域，解决基于联邦学习的医疗保健领域的三个挑战，第一，数据分布非IID导致的最终模型性能降低以及收敛速度慢的问题。第二，医疗数据的正负样本分布不均衡导致的模型偏差较大的问题。第三，联邦学习下所消耗的通信带宽过大导致的难以实际部署的问题。我们先在联邦学习框架下训练两个轻量级的VAE，然后将训练好的VAE分发给所有的节点用于更新自己的本地数据，而更新后的本地数据具有的特点就是数据都是低维且分布具有相似性并且类别是均衡的。最后再利用这样的数据对异常检测模型进行训练。
-
公开(公告)号：CN113541921A
公开(公告)日：2021-10-22
申请号：CN202110708084.4
申请日：2021-06-24
Applicant: 电子科技大学
Abstract: 本发明涉及信息安全领域，具体是一种全同态加密GPU高性能实现方法，包括步骤1、利用CUDA cuRAND在GPU上生成密钥所需的随机多项式；步骤2、构造密钥生成的CUDA实例化图，执行密钥生成的CUDA实例化图，最后将CUDA实例化图的输出内存中的数据拷贝至保存密钥的对象中；步骤3、加密过程；步骤4、解密过程；步骤5、输入两个密文ct0，ct1，计算ctadd；步骤6、计算同态乘法过程中需要扩充的模数集合以及两个额外的冗余模数；步骤7、构造同态乘法的CUDA实例化图，将需要进行乘法运算的密文拷贝至同态乘法的CUDA实例化图的输入内存中，执行同态乘法的CUDA实例化图，最后将CUDA实例化图的输出内存中的数据拷贝至保存乘法结果的对象中，解决了任务执行过程中对GPU资源利用率低的问题。
-
公开(公告)号：CN114239070B
公开(公告)日：2023-07-21
申请号：CN202111588461.1
申请日：2021-12-23
Applicant: 电子科技大学
Abstract: 本发明公开了一种在联邦学习中移除非规则用户的隐私保护方法，属于信息安全技术领域。本发明包括不规则用户删除算法TrustIU和保护用户的敏感信息的加权聚合协议两个部分；TrustIU利用余弦相似度进行聚合，减少了不规则用户的负面影响，从而确保全局模型主要来源于高质量的数据；在TrustIU的基础上，本发明采用安全加权的定制密码协议聚合；此聚合方案通过使用双隐蔽隐私保护技术，确保了服务器只学习用户的梯度信息，而不会泄露其他隐私。本发明在具有良好的训练精度和效率的同时，对整个培训过程中对用户退出具有鲁棒性。
-
公开(公告)号：CN114239862A
公开(公告)日：2022-03-25
申请号：CN202111589802.7
申请日：2021-12-23
Applicant: 电子科技大学
Abstract: 本发明提供一种保护用户数据隐私的抗拜占庭攻击的联邦学习方法，将服务器端分为两部分，计算服务器和服务提供服务器，由这两个服务器共同完成安全计算，各自得到有效性检测结果、反映服务器梯度方向与本地梯度方向相似性的余弦相似度结果，此过程中两中服务器无法通过各自的数据推算参与方的数据集内容，保护了用户数据隐私。同时，服务器端得到的通过有效性检测结果以及余弦相似度结果得到的聚合可信分数能有效完成接收数据筛选，剔除无效数据后更新全局模型。发明在进行联邦学习时技能保护用户数据隐私有能够抵御强拜占庭攻击，具有较高的扩展性和性能表现，能够满足不同规模的数据场景。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.02 seconds)
