-
公开(公告)号：CN112487481B
公开(公告)日：2022-06-10
申请号：CN202011453852.8
申请日：2020-12-09
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种具有隐私保护的可验证多方k‑means联邦学习方法，属于数据挖掘技术领域。数据水平分布在多用户上，每个用户将各自的数据加密上传至云服务器；云服务器随机挑选初始聚心，利用安全乘法协议和安全距离计算协议计算数据和初始聚心的欧几里得距离的平方；云服务器利用安全位分解协议和安全比较协议进行距离比较，并对数据进行划分；各用户利用秘密共享协议更新聚类中心，加密后上传至云服务器；云服务器计算新聚类中心和原聚类中心的距离，如果小于阈值，则结束聚类操作，否则更新聚类中心进行下一次迭代。
-
公开(公告)号：CN113239393A
公开(公告)日：2021-08-10
申请号：CN202110471977.1
申请日：2021-04-29
Applicant: 重庆邮电大学
Abstract: 本发明属于数据挖掘技术领域，涉及一种纵向联邦k‑Means隐私保护方法、装置及电子设备；所述方法包括参与者对样本数据加密并上传至云服务器；云服务器随机选取出聚类中心，利用安全乘法协议计算出参与者的子距离差发送给参与者；参与者将收到的子距离差划分份额分发，计算自身持有和收到的份额之和发送给云服务器；云服务器将样本划分到距离最近的聚类中心所在的聚类中；按照聚类结果计算出每个聚类中所有样本的每个特征之和，更新聚类中心；直至聚类中心不发生变化或者变化很小，云服务器将聚类结果返回给参与者；本发明充分保护了参与者的数据隐私，并且本发明不向参与者泄露新的聚类中心，能够抵抗合谋攻击从而具有更高的安全性。
-
Patent Agency Ranking
公开(公告)号：CN116484426A
公开(公告)日：2023-07-25
申请号：CN202310446599.0
申请日：2023-04-24
Applicant: 重庆邮电大学
IPC: G06F21/62 , G06F21/60 , G06N20/20 , G06F18/214
Abstract: 本发明属于联邦学习领域，具体涉及一种基于可信执行环境的医疗数据联邦学习方法及系统，该方法包括：客户端与聚合服务器进行双向身份认证；客户端向聚合服务器获取初始全局模型参数，根据初始全局模型参数对全局模型进行训练，将训练后的模型参数加密后返回给聚合服务器；聚合服务器对返回的模型参数进行聚合，将聚合结果发送给客户端，客户端对聚合结果进行安全性验证，若验证失败，则重新进行模型参数聚合，若验证成功，则根据参数聚合结果确定最优模型参数；根据最优的训练模型完成医疗资源分配；本发明通过可信执行环境并结合数字签名SM2技术，实现了安全可信的联邦学习模型训练机制，保证了联邦计算过程中结果的安全性和可靠性。
-
公开(公告)号：CN114285556A
公开(公告)日：2022-04-05
申请号：CN202111561091.2
申请日：2021-12-15
Applicant: 重庆邮电大学
Abstract: 本发明属于数据安全技术领域，具体涉及一种基于联邦学习的隐私保护特征工程方法，该方法包括：获取系统参数，系统参数包括Beaver三元组和特征策略参数；客户端和服务端根据系统参数执行安全检索协议，使得客户端和服务端分别得到对方数据集的加法秘密共享份额；客户端和服务端根据加法秘密共享份额进行联邦学习训练，得到相应的模型；本发明提出了一种安全检索协议，利用该协议，客户端能够使服务端不知道使用了哪些特征进行联邦学习，进而不知道服务端不知道客户端想要联合训练一个什么模型，同时还可以筛去不符合客户端检索策略要求的训练数据。
-
公开(公告)号：CN114491617A
公开(公告)日：2022-05-13
申请号：CN202111544694.1
申请日：2021-12-16
Applicant: 重庆邮电大学
Abstract: 本发明属于联邦学习领域，具体涉及一种基于目的隐藏的联邦学习方法及其系统，该方法包括：第一联邦机构和第二联邦机构构建联邦学习系统；第一联邦机构和第二联邦机构基于构建的联邦学习系统对各自的数据执行改进的样本对齐协议，得到对齐的数据碎片；第一联邦机构采用安全比较大小协议对对齐的数据碎片进行筛选，得到筛选后的数据对齐碎片；第一联邦机构和第二联邦机构基于筛选后的数据对齐碎片构建共享联合模型；第一联邦机构和第二联邦机构共享模型参数，完成数据共享；本发明借助特征数据和样本数据的不可区分性，能够解决联邦学习业务建模中目的隐私泄露问题，特别的是面向医疗数据共享情况下，多需求、高隐私的联合建模困难问题。
-
公开(公告)号：CN113239393B
公开(公告)日：2022-03-22
申请号：CN202110471977.1
申请日：2021-04-29
Applicant: 重庆邮电大学
Abstract: 本发明属于数据挖掘技术领域，涉及一种纵向联邦k‑Means隐私保护方法、装置及电子设备；所述方法包括参与者对样本数据加密并上传至云服务器；云服务器随机选取出聚类中心，利用安全乘法协议计算出参与者的子距离差发送给参与者；参与者将收到的子距离差划分份额分发，计算自身持有和收到的份额之和发送给云服务器；云服务器将样本划分到距离最近的聚类中心所在的聚类中；按照聚类结果计算出每个聚类中所有样本的每个特征之和，更新聚类中心；直至聚类中心不发生变化或者变化很小，云服务器将聚类结果返回给参与者；本发明充分保护了参与者的数据隐私，并且本发明不向参与者泄露新的聚类中心，能够抵抗合谋攻击从而具有更高的安全性。
-
公开(公告)号：CN112487481A
公开(公告)日：2021-03-12
申请号：CN202011453852.8
申请日：2020-12-09
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种具有隐私保护的可验证多方k‑means联邦学习方法，属于数据挖掘技术领域。数据水平分布在多用户上，每个用户将各自的数据加密上传至云服务器；云服务器随机挑选初始聚心，利用安全乘法协议和安全距离计算协议计算数据和初始聚心的欧几里得距离的平方；云服务器利用安全位分解协议和安全比较协议进行距离比较，并对数据进行划分；各用户利用秘密共享协议更新聚类中心，加密后上传至云服务器；云服务器计算新聚类中心和原聚类中心的距离，如果小于阈值，则结束聚类操作，否则更新聚类中心进行下一次迭代。
-
-
-
-
-
-
Search Results
7
records
(took 0.015 seconds)
