-
公开(公告)号：CN119276590A
公开(公告)日：2025-01-07
申请号：CN202411453529.9
申请日：2024-10-17
Applicant: 福建师范大学
Abstract: 本发明涉及一种面向群组的高效动态数据完整性审计方法。本发明方法包括以下步骤：1）系统参数初始化；2）群组用户生成公私钥对；3）群组用户根据群组信息生成具有匿名性的群文件完整性审计标签；4）第三方审计者构建哈希链表；5）第三方审计者与云存储服务器交互生成数据完整性审计结果；6）群组用户动态修改数据，第三方审计者更新哈希链表，云存储服务器修改存储数据。本发明针对多用户协作系统中所需的用户身份管理，对现有的多用户协作系统中数据所有权证明方法提出补充，实现数据所有权对外界匿名的同时可以追溯真实的签名用户。其次，针对多用户协作系统中频繁的数据动态操作，提出一种新的数据结构进一步减少数据动态带来的开销。
-
公开(公告)号：CN117650879A
公开(公告)日：2024-03-05
申请号：CN202311619497.0
申请日：2023-11-30
Applicant: 福建师范大学
Abstract: 本发明涉及一种基于变色龙哈希的动态云数据完整性公开审计方法，数据拥有者将存储文件F分割成多个大小相同的文件块，而后计算完整性审计标签；生成随机验证参数与文件块构建变色龙Merkle哈希树CH‑MHT，计算根节点签名；上传文件F、完整性审计标签集合、根节点签名、变色龙哈希随机数集合；第三方审计或数据拥有者发起随机挑战，云服务提供商收到挑战后生成存储证明返回第三方审计或数据拥有者验证存储证明正确性。该方法有利于减小动态数据完整性审计中的更新开销。
-
Patent Agency Ranking
公开(公告)号：CN119442192A
公开(公告)日：2025-02-14
申请号：CN202411495626.4
申请日：2024-10-25
Applicant: 福建师范大学
Abstract: 本发明涉及一种基于模型耦合的模型数据权属保护与验证方法，属于深度神经网络权属保护领域。所述方法包括：1) 模型拥有者并行训练目标模型和许可证模型；2) 模型拥有者使用模型耦合算法将目标模型和许可证模型合并；3) 模型拥有者发布耦合模型；4) 模型拥有者进行所有权验证。本发明针对深度神经网络确权需求，对现有模型版权验证方法作出补充，在兼顾效能和开销的同时，解决数据所有权保护问题。
-
公开(公告)号：CN117200979A
公开(公告)日：2023-12-08
申请号：CN202310253874.7
申请日：2023-03-16
Applicant: 福建师范大学
Abstract: 本发明涉及一种基于二重数据持有性证明的视频数据拥有权证明方法。包括：1)云服务器公开视频云数据拥有权证明所涉及的公共参数；2)首次上传数据的拥有者基于二重数据持有性证明计算数据拥有权证明标签，并将标签、安全拥有权证明系数和数据一起上传给云服务器；3)云服务器向后续的拥有者发起挑战；4)后续拥有者计算拥有权证明，并发送给云服务器；5)云服务器验证后续拥有者的响应是否正确，并以此判断是否接收该用户为真正的数据拥有者。本发明针对管理流媒体云数据拥有权的需求，在现有图像云数据拥有权证明方法基础上，利用二重数据持有性证明将视频云数据的时空完整性压缩到一维，在兼顾云存储服务性能的同时，解决视频云数据拥有权的证明。
-
公开(公告)号：CN116127493A
公开(公告)日：2023-05-16
申请号：CN202310255200.0
申请日：2023-03-16
Applicant: 福建师范大学
Abstract: 本发明涉及一种基于增量数字水印的数据拥有权撤销方法。本发明方法包括以下步骤：1)拥有权撤销过程所涉及的公开参数的初始化；2)云服务器将被撤销用户从图像云数据拥有者列表中清除；3)云服务器向图像云数据嵌入增量数字水印和将增量数字水印同步给现存有效的图像云数据的拥有者；4)云服务器与任一在线且有效的图像云数据的拥有者协同对数据拥有权证明标签进行更新。本发明针对图像云数据拥有权完备管理的需求，对现有图像云数据拥有权证明方法作出补充，在兼顾云存储服务性能的同时，解决图像云数据的拥有权撤销问题。
-
公开(公告)号：CN119276491A
公开(公告)日：2025-01-07
申请号：CN202411453476.0
申请日：2024-10-17
Applicant: 福建师范大学
Abstract: 本发明涉及一种高效可扩展的群组间数据权属转移方法。包括以下步骤：1）群组用户密钥生成；2）数据完整性审计标签生成；3）数据完整性审计；4）群组用户动态加入或退出；5）数据权属转移。本发明在完整性审计标签中索引的私钥上加入随机掩码，同时计算对应随机掩码的公开参数。相比于现有方案难以适应群组动态特性的问题，本发明方法的优点是：1）对BLS聚合签名的结构进行适应性优化，能有效抵抗流氓密钥攻击，保证了群组对数据的权属仅在公私密钥一致的情况下方能完成转移；2）生成数据完整性审计标签能够有效抵抗共谋攻击，保证交易双方的私钥等敏感信息的安全；3）本发明无需任何可信第三方断得参与，更适用于生产实际。
-
公开(公告)号：CN117353936A
公开(公告)日：2024-01-05
申请号：CN202311304333.9
申请日：2023-10-10
Applicant: 福建师范大学
Abstract: 本发明涉及一种基于零知识证明的机器学习完整性证明方法及系统。客户首先将其机器学习任务外包给服务提供商，由客户提供数据集及辅助数据；服务提供商根据客户的要求使用数据集执行机器学习任务，提供其对任务结果的承诺；接收到承诺后，客户在其中抽取一定数量迭代作为挑战，服务提供商则根据挑战生成相应的不含任何有效知识的证明与承诺证明，分别用于证明任务执行的合法性与挑战本身的合法性。若两个证明均能通过客户的验证，则客户可以确信服务提供商诚实地完成了任务；最后，客户付款并对服务提供商交付的结果进行核验，完成交易过程。本发明可用于保证任务执行过程的真实性、交付结果的可靠性与交易公平性，同时降低证明与验证开销。
-
-
-
-
-
-
Search Results
7
records
(took 0.014 seconds)
