CN108712260B - 云环境下保护隐私的多方深度学习计算代理方法 - Google Patents
云环境下保护隐私的多方深度学习计算代理方法 Download PDFInfo
- Publication number
- CN108712260B CN108712260B CN201810439054.6A CN201810439054A CN108712260B CN 108712260 B CN108712260 B CN 108712260B CN 201810439054 A CN201810439054 A CN 201810439054A CN 108712260 B CN108712260 B CN 108712260B
- Authority
- CN
- China
- Prior art keywords
- gradient
- participant
- key
- parameter
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/008—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols involving homomorphic encryption
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3247—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving digital signatures
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于云计算技术领域,为实现保护隐私前提下的数据共享,以及在此基础上的深度学习应用。为此,本发明采用的技术方案是,云环境下保护隐私的多方深度学习计算代理方法,各个参与方基于自身数据集运行深度学习算法,计算得出梯度参数值,并将利用乘法同态ElGamal加密方案加密后的梯度参数上传到服务器;当参与者将梯度参数上传到云服务器时,同时生成该参数的签名,签名满足聚合性,即云服务器能够计算出梯度参数和的签名;云计算服务器在密文上计算得出所有用户的梯度参数和,并将结果返回给用户,用户解密后得到最终的梯度参数和,并通过检查结果和聚合签名是否是有效的消息和签名对来验证其正确性。本发明主要应用于云计算场合。
Description
技术领域
本发明属于云计算技术领域,公开了一种云环境下多方保护隐私的深度学习方法,具体讲,涉及云环境下保护隐私的多方深度学习计算代理方法。
背景技术
深度学习是由多个处理层组成的计算模型,用于学习具有多个抽象层次的数据表示。该模型从原始数据开始,每层都可以通过非线性变换将先前层级的表示转换为更抽象级别的表示。复杂的功能可以通过足够的这种转换的组合来学习。最近在深度学习方面的进步显著的改善了人工智能领域的先进技术,如图像识别,语音识别,格雷夫斯年人脸检测,人脸识别和疾病诊断等。
深度学习结果的准确性受到用于训练的数据量和质量的高度影响。例如,几家银行可能会联合开展信用风险分析,以达到利用所有银行过去交易来识别非盈利客户,或者几家医疗机构试图从所有患者记录中找出症状与诊断之间的某种相关性。多方的深度学习通过将更多数据集合并入学习过程,而不是仅使用本地数据集学习来提高学习的准确性。随着云计算的发展,互联网用户通过共享基础设施进行协同深度学习变得更加方便。利用云服务的可用性,昂贵的计算或存储任务可以按使用付费的方式委托给云计算来完成。
尽管多方深度学习的效用是不可否认的,但数据集的共享带来了严重的隐私问题。在诸如金融系统和医疗保健系统等一些对隐私敏感的系统中,由于不同的隐私策略,他们可能不公开地共享他们的数据,而联合数据处理可能是不可避免的。根据健康保险概率和责任法案,披露患者的诊断记录不仅是不道德的,而且也是非法的。通常,如果临床和生物医学研究人员只能对他们的本地数据集进行深度学习,那么学习模型可能会过拟合,并且缺乏普遍性,从而导致推理过程中的结果不准确。在这种情况下,机密性和隐私性要求制约了模型的实用性。因此,我们必须找到一种解决多方深度学习中隐私性与实用性冲突的方法。换句话说,我们需要一个新的隐私保护多方深度学习模型,允许相互不信任的参与者共同进行学习,而不公开其各自的隐私数据集。
研究学者在隐私保护深度学习相关领域做了大量研究工作,其中一些工作受到隐私保护数据挖掘和隐私保护机器学习的极大启发。一般来说,现有的隐私保护机器学习相关研究可以分为两个方向:基于差分隐私技术和基于密码技术的方法。
基于差分隐私的方法通过将噪声结合到原始数据来保护数据隐私,并且广泛用于隐私保护机器学习,如支持向量机、逻辑回归、主成份分析等。Mangasarian等人提出了隐私保护支持向量机,其中随机矩阵乘以矩阵内核,同时保证准确的学习结果。Agrawal等人提出了一种方法,将一些精心设计的噪声数据添加到训练数据集中,同时保留一些统计特性,使得仍然可以获得朴素贝叶斯分类器。Fong等人提出了一种隐私保护学习方法,该方法将原始数据转换为一组不真实的数据集,而不损失学习模型的准确性。Chaudhuri和Monteleoni的研究表明,通过向最终机器学习结果或目标函数添加噪声,可以获得∈-差分隐私数据集。然而,差分隐私模型的应用需要满足一定的要求,即目标函数和损失函数存在在连续的导数并且必须是可微的。
基于密码学的方法通常包含加密工具以保护数据集隐私。从理论上讲,安全多方计算可以解决保护隐私的深度学习问题。然而,极高的通信和计算复杂性通常会使其难以应用。Yuan和Yu提出了基于任意分割数据集的多方深度学习隐私保护反向传播算法。然而,该方案要求所有参与方在线,并交互工作以在每次迭代中解密加密后的梯度参数。Graepel等人提出在云计算中对加密数据开展机器学习。考虑到全同态加密的高计算复杂度,他们提出基于最小二乘解的多项式近似来解决二分类问题。从上面介绍的相关工作中,我们可以看到,大多数基于密码学的方法都是指在上传到第三方之前对整个数据集进行半同态加密、全同态或多密钥全同态加密方案。考虑到大数据量和用户有限的计算能力,这些方法在实际应用中还有很长的路要走。
综上所述,现有的技术问题是:全同态加密算法的高计算复杂性,使得基于全同态加密方案的多方深度学习难以广泛应用。Shokri等人提出的分布式选择性随机梯度下降算法,损害了用户的部分数据隐私性。因而,从技术上讲,该方法不是完全保护隐私。差分隐私通过向数据库添加噪音来保证隐私。然而,差分隐私同样存在着隐私泄露的问题,并且模型的准确性低于常规的非保护隐私多方深度学习模型。
发明内容
为克服现有技术的不足,本发明旨在提出一种保护隐私的多方深度学习模型,用于实现保护隐私前提下的数据共享,以及在此基础上的深度学习应用。为此,本发明采用的技术方案是,云环境下保护隐私的多方深度学习计算代理方法,各个参与方基于自身数据集运行深度学习算法,计算得出梯度参数值,并将利用乘法同态ElGamal加密方案加密后的梯度参数上传到服务器;当参与者将梯度参数上传到云服务器时,同时生成该参数的签名,签名满足聚合性,即云服务器能够计算出梯度参数和的签名;云计算服务器在密文上计算得出所有用户的梯度参数和,并将结果返回给用户,用户解密后得到最终的梯度参数和,并通过检查结果和聚合签名是否是有效的消息和签名对来验证其正确性。
具体步骤细化如下:(1)所有参与者初始化神经网络的所有参数,并将ElGamal加密的密钥分发给云服务器和所有参与者;(2)每个参与者在本地运行深度学习算法,计算基于单个数据集的所有权重参数的梯度向量;(3)所有参与者加密自己的梯度向量,并将密文上传到云服务器;云服务器根据参与者上传的密文数据,计算得出加密的基于聚合数据集的梯度向量,并使用自身的密钥对其进行解密;(4)每个参与者从云服务器下载聚合梯度向量,进一步解密得到最终的梯度向量,每个参与者进入步骤(2)进行下一次迭代,直到学习过程达到最佳。
所述步骤包含4个子算法,表述如下:
●参数初始化算法(pk,sk,w0)←Init(1κ):基于安全参数K,初始化算法会生成一个公钥pk,用于编码每个参与者的输入,生成匹配密钥sk,并将sk分解为两部分,分别对应于服务器和用户的私钥,同时,初始化算法随机机产生神经网络的初始权向量w0;
首先给出半诚实模型下的方案构造,具体步骤细化如下:
●(pk,sk,w0)←Init(1κ):输入安全参数1κ,Init(1κ)输出pk,sk和w0,其中pk是ElGamal加密系统的公钥,sk是相应的秘密密钥分成两部分,sks和skp,sks是服务器的密钥,skp是参与者的密钥,w0是神经网络的初始参数向量,使用Diffie-Hellman密钥交换协议来生成pk和sk,具体的参数生成过程描述如下:
●每个参与者Pi基于自身的数据集DBi以及当前权重参数向量w运行深度学习算法,获得Δw(i)。其中,Δw(i)是指基于数据集DBi的神经网络参数的梯度向量,表示向量Δw(i)的第j个参数,根据梯度向量的可加性,基于聚合数据集的梯度向量表示为:j=1,2,...,|w|,为了满足参数隐私性,每个参与者在将其上传到云服务器之前需要对Δw(i)进行加密处理,同时,必须确保云服务器在密文上计算所有梯度向量的总和ElGamal加密满足乘同态的,需要的是加法同态加密,因此,Pi首先计算然后利用ElGamal对其进行加密,获得
然后,利用其私钥sks解密得到:
●输入安全参数1κ,Init(1κ)输出pkenc,skenc,pksig,sksig,w0,其中(pkenc,skenc)是ElGamal加密系统的密钥对,skenc被拆分为和分配方法和前述协议一致,是服务器的密钥,是参与者的密钥,是参与者的Pi签名密钥对,其中,w0是初始参数向量;
(3)计算下述等式是否成立来验证服务器返回结果的正确性
本发明的特点及有益效果是:
本发明结合深度学习技术和密码学技术,实现了基于多用户数据集的保护隐私的多方深度学习。在保护用户数据集以及神经网络模型隐私的前提下,实现了多方机器学习,有效的提高了深度学习的模型的准确性
附图说明:
图1系统框架图。
具体实施方式
本发明属于云计算技术领域,公开了一种云环境下多方保护隐私的深度学习方法。实现了云环境下多方保护隐私的深度学习,其中,模型中的数据集分布在多个用户的数据库中。采用本发明中提出的新型的多方深度学习方法,用户可以获得基于整合数据集的统一深度学习模型,同时又可以实现各用户数据集的隐私保护,解决了多方机器中存在的隐私泄露问题。同时,本发明提出了利用聚合签名实现代理计算结果可验证性的方法,保证了结果的正确性。
针对现有技术存在的问题,本发明提供了一种保护隐私的多方深度学习模型。
本发明是这样实现的,各个参与方基于自身数据集运行深度学习算法,计算得出梯度参数值,并将加密后的梯度参数上传到服务器。云计算服务器在密文上计算得出所有用户的梯度参数和,并将返回给用户,用户解密后得到最终的梯度参数和。为了防止恶意服务器以及恶意参与方的攻击,引入了聚合签名和ElGamal加密来实验计算结果的可验证性。保证了任一用户可以高效的验证云计算服务器返回的计算结果。
云环境下保护隐私的多方深度学习计算代理方法,各个参与方基于自身数据集运行深度学习算法,计算得出梯度参数值,并将利用乘法同态ElGamal加密方案加密后的梯度参数上传到服务器;当参与者将梯度参数上传到云服务器时,同时生成该参数的签名,签名满足聚合性,即云服务器能够计算出梯度参数和的签名;云计算服务器在密文上计算得出所有用户的梯度参数和,并将结果返回给用户,用户解密后得到最终的梯度参数和,并通过检查结果和聚合签名是否是有效的消息和签名对来验证其正确性。
具体步骤细化如下:(1)所有参与者运行相同的初始化算法,初始化神经网络的所有参数,并将ElGamal加密的密钥分发给云服务器和所有参与者;(2)每个参与者在本地运行深度学习算法,计算基于单个数据集的所有权重参数的梯度向量;(3)所有参与者加密自己的梯度向量,并将密文上传到云服务器;云服务器根据参与者上传的密文数据,计算得出加密的基于聚合数据集的梯度向量,并使用自身的密钥对其进行解密;(4)每个参与者从云服务器下载聚合梯度向量,进一步解密得到最终的梯度向量,每个参与者进入步骤(2)进行下一次迭代,直到学习过程达到最佳。
如图1所示,考虑一个由两方组成的系统,参与方(P)和云服务器(S),并且不需要存在可信任的权威机构。每个参与者(表示为Pi,1≤i≤n)拥有一个大的私有本地数据集Di。为了获得更准确的神经网络,参与者期望得到基于聚合数据集的深度学习模型。系统为所有参与者生成一个神经网络模型,此后每个参与者可以在非交互式模型下实现对新数据的评估。
考虑到数据的隐私性,对于云服务器以及其他参与者来说,任一参与者的数据隐私必须实现安全的保护。为了实现数据隐私,每个数据集都保存在参与者本地。参与者以独立但同步的方式,实现基于本地数据集的深度学习算法。利用云计算服务器的计算代理服务,通过安全多方计算,实现多方深度学习过程中的参数共享,获得基于聚合数据集的神经网络模型。
保护隐私的多方深度学习由四个子算法组成,即Init,LocTrain,ParaExchange,ParaUpdate。首先,我们描述服务器和参与者均是半诚实的安全性模型下的方案构造,每个子算法如下所示:
●(pk,sk,w0)←Init(1κ):输入安全参数1κ,Init(1κ)输出pk,sk和w0,其中pk是ElGamal加密系统的公钥,sk是相应的秘密密钥分成两部分,sks和skp。sks是服务器的密钥,skp是参与者的密钥。w0是神经网络的初始参数向量。我们的系统中没有可信任的第三方,我们使用Diffie-Hellman密钥交换协议来生成pk和sk。具体的参数生成过程描述如下:
●每个参与者Pi基于自身的数据集DBi以及当前权重参数向量w运行深度学习算法,获得Δw(i)。其中,Δw(i)是指基于数据集DBi的神经网络参数的梯度向量。表示向量Δw(i)的第j个参数。根据梯度向量的可加性,基于聚合数据集的梯度向量可以表示为:为了满足参数隐私性,每个参与者在将其上传到云服务器之前需要对Δw(i)进行加密处理,同时,必须确保云服务器可以在密文上计算所有梯度向量的总和ElGamal加密满足乘同态的,而我们需要的是加法同态加密。因此,Pi首先计算然后利用ElGamal对其进行加密,获得
然后,利用其私钥sks解密得到:
从gΔw中检索最终的梯度向量Δw,参与者必须解决离散对数问题。对于离散对数问题最有效的方法是Pollard的rho算法,其计算复杂度为其中p是群的阶。考虑当前主流计算机的计算速度,即使梯度向量的参数大约为240,离散对数问题可以在几十毫秒内解决。
为了实现恶意攻击者模型的安全多方保护隐私深度学习,引入聚合签名以实现对于服务器返回计算结果的可验证性。
系统参数分别包括其生成元分别是g1,g2。双线性映射e: 以及哈希函数h:当参与者将梯度参数上传到云服务器时,同时生成该参数的签名。签名应该能够满足聚合性,即云服务器可以高效的计算出梯度参数和的签名。云服务器返回结果时,参与者可以通过检查结果和聚合签名是否是有效的消息和签名对来验证其正确性。详细的构造方案描述如下:
●输入安全参数1κ,Init(1κ)输出pkenc,skenc,pksig,sksig,w0,其中(pkenc,skenc)是ElGamal加密系统的密钥对。skenc被拆分为和分配方法和前述协议一致。是服务器的密钥,是参与者的密钥。是参与者的Pi签名密钥对。其中,w0是初始参数向量。
(3)计算下述等式是否成立来验证服务器返回结果的正确性。
Claims (3)
1.一种云环境下保护隐私的多方深度学习计算代理方法,其特征是,各个参与方基于自身数据集运行深度学习算法,计算得出梯度参数值,并将利用乘法同态ElGamal加密方案加密后的梯度参数上传到服务器;当参与者将梯度参数上传到云服务器时,同时生成该参数的签名,签名满足聚合性,即云服务器能够计算出梯度参数和的签名;云计算服务器在密文上计算得出所有用户的梯度参数和,并将结果返回给用户,用户解密后得到最终的梯度参数和,并通过检查结果和聚合签名是否是有效的消息和签名对来验证其正确性;其中,包含4个子算法,表述如下:
·参数初始化算法(pk,sk,w0)←Init(1K):基于安全参数K,初始化算法会生成一个公钥pk,用于编码每个参与者的输入,生成匹配密钥sk,并将sk分解为两部分,分别对应于服务器和用户的私钥,同时,初始化算法随机机产生神经网络的初始权向量w0;
其中:
·(pk,sk,w0)←Init(lK):输入安全参数lK,Init(lK)输出pk,sk和w0,其中pk是ElGamal加密系统的公钥,sk是相应的秘密密钥分成两部分,sks和skp,sks是服务器的密钥,skp是参与者的密钥,w0是神经网络的初始参数向量,使用Diffie-Hellman密钥交换协议来生成pk和sk,具体的参数生成过程描述如下:
·每个参与者Pi基于自身的数据集DBi以及当前权重参数向量W运行深度学习算法,获得ΔW(i),其中,ΔW(i)是指基于数据集DBi的神经网络参数的梯度向量,表示向量ΔW(i)的第j个参数,根据梯度向量的可加性,基于聚合数据集的梯度向量表示为:为了满足参数隐私性,每个参与者在将其上传到云服务器之前需要对Δw(i)进行加密处理,同时,必须确保云服务器在密文上计算所有梯度向量的总和ElGamal加密满足乘同态的,需要的是加法同态加密,因此,Pi首先计算然后利用ElGamal对其进行加密,获得
然后,利用其私钥sks解密得到:
2.如权利要求1所述的云环境下保护隐私的多方深度学习计算代理方法,其特征是,具体步骤细化如下:(1)所有参与者初始化神经网络的所有参数,并将ElGamal加密的密钥分发给云服务器和所有参与者;(2)每个参与者在本地运行深度学习算法,计算基于单个数据集的所有权重参数的梯度向量;(3)所有参与者加密自己的梯度向量,并将密文上传到云服务器;云服务器根据参与者上传的密文数据,计算得出加密的基于聚合数据集的梯度向量,并使用自身的密钥对其进行解密;(4)每个参与者从云服务器下载聚合梯度向量,进一步解密得到最终的梯度向量,每个参与者进入步骤(2)进行下一次迭代,直到学习过程达到最佳。
·输入安全参数1k,Init(lk)输出pkenc,skenc,pksig,sksig,w0,其中(pkenc,skenc)是ElGamal加密系统的密钥对,skenc被拆分为和分配方法和前述协议一致,是服务器的密钥,是参与者的密钥,是参与者的Pi签名密钥对,其中,w0是初始参数向量;
(3)计算下述等式是否成立来验证服务器返回结果的正确性
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810439054.6A CN108712260B (zh) | 2018-05-09 | 2018-05-09 | 云环境下保护隐私的多方深度学习计算代理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810439054.6A CN108712260B (zh) | 2018-05-09 | 2018-05-09 | 云环境下保护隐私的多方深度学习计算代理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108712260A CN108712260A (zh) | 2018-10-26 |
CN108712260B true CN108712260B (zh) | 2021-06-25 |
Family
ID=63867835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810439054.6A Expired - Fee Related CN108712260B (zh) | 2018-05-09 | 2018-05-09 | 云环境下保护隐私的多方深度学习计算代理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108712260B (zh) |
Families Citing this family (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109564615B (zh) * | 2018-10-31 | 2023-05-02 | 北京算能科技有限公司 | 模型数据的载入方法、装置、设备和存储介质 |
CN109446828B (zh) * | 2018-11-07 | 2020-10-13 | 北京邮电大学 | 一种安全多方计算方法及装置 |
CN109698822A (zh) * | 2018-11-28 | 2019-04-30 | 众安信息技术服务有限公司 | 基于公有区块链和加密神经网络的联合学习方法及系统 |
CN109685501B (zh) * | 2018-12-04 | 2023-04-07 | 暨南大学 | 基于区块链激励机制下可审计的隐私保护深度学习平台建设方法 |
CN109598385A (zh) * | 2018-12-07 | 2019-04-09 | 深圳前海微众银行股份有限公司 | 反洗钱联合学习方法、装置、设备、系统及存储介质 |
CN109743289B (zh) * | 2018-12-10 | 2021-05-14 | 北京链化未来科技有限公司 | 一种基于神经网络的数据验证方法、装置及电子设备 |
CN109684855B (zh) * | 2018-12-17 | 2020-07-10 | 电子科技大学 | 一种基于隐私保护技术的联合深度学习训练方法 |
WO2019072315A2 (en) * | 2019-01-11 | 2019-04-18 | Alibaba Group Holding Limited | LOGISTIC REGRESSION MODELING SCHEME USING SECRET SHARING |
CN109829320B (zh) * | 2019-01-14 | 2020-12-11 | 珠海天燕科技有限公司 | 一种信息的处理方法和装置 |
JP7036049B2 (ja) * | 2019-01-18 | 2022-03-15 | オムロン株式会社 | モデル統合装置、モデル統合方法、モデル統合プログラム、推論システム、検査システム、及び制御システム |
CN109992977B (zh) * | 2019-03-01 | 2022-12-16 | 西安电子科技大学 | 一种基于安全多方计算技术的数据异常点清洗方法 |
CN111639345B (zh) * | 2019-03-01 | 2024-01-30 | 王伟 | 基于同态加密的安全的多方云计算的方法和系统 |
CN109992979B (zh) * | 2019-03-15 | 2020-12-11 | 暨南大学 | 一种岭回归训练方法、计算设备、介质 |
US11983608B2 (en) * | 2019-06-12 | 2024-05-14 | International Business Machines Corporation | Efficient verification of machine learning applications |
CN110443063B (zh) * | 2019-06-26 | 2023-03-28 | 电子科技大学 | 自适性保护隐私的联邦深度学习的方法 |
CN110380846B (zh) * | 2019-06-28 | 2022-05-27 | 杭州师范大学 | 一种电子病历患者签名方法及系统 |
CN110362586B (zh) * | 2019-07-12 | 2021-08-03 | 之江实验室 | 一种无患者数据共享的多中心生物医学数据协同处理系统及方法 |
CN110190946B (zh) * | 2019-07-12 | 2021-09-03 | 之江实验室 | 一种基于同态加密的隐私保护多机构数据分类方法 |
CN110598438B (zh) * | 2019-07-19 | 2023-05-30 | 福州大学 | 基于深度卷积神经网络的云中保护外包数据隐私保护系统 |
TWI690861B (zh) * | 2019-08-21 | 2020-04-11 | 中華電信股份有限公司 | 分散式深度學習系統及方法 |
CN110516464A (zh) * | 2019-09-02 | 2019-11-29 | 深圳市网心科技有限公司 | 基于神经网络计算的数据保护方法及相关设备 |
CN110719158B (zh) * | 2019-09-11 | 2021-11-23 | 南京航空航天大学 | 基于联合学习的边缘计算隐私保护系统及保护方法 |
CN110730064B (zh) * | 2019-09-24 | 2023-02-07 | 徐州工业职业技术学院 | 一种群智感知网络中基于隐私保护的数据融合方法 |
CN110837657B (zh) * | 2019-11-06 | 2023-03-14 | 腾讯云计算(北京)有限责任公司 | 数据处理方法、客户端、服务器及存储介质 |
CN110990871B (zh) * | 2019-11-29 | 2023-04-07 | 腾讯云计算(北京)有限责任公司 | 基于人工智能的机器学习模型训练方法、预测方法及装置 |
CN110955915B (zh) * | 2019-12-14 | 2022-03-25 | 支付宝(杭州)信息技术有限公司 | 一种隐私数据的处理方法及装置 |
CN110912713B (zh) * | 2019-12-20 | 2023-06-23 | 支付宝(杭州)信息技术有限公司 | 多方联合进行模型数据处理的方法及装置 |
CN110795768B (zh) * | 2020-01-06 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 基于私有数据保护的模型学习方法、装置及系统 |
CN113128697B (zh) * | 2020-01-16 | 2022-09-06 | 复旦大学 | 一种基于安全多方计算协议的可扩展机器学习系统 |
CN110874637B (zh) * | 2020-01-16 | 2020-04-28 | 支付宝(杭州)信息技术有限公司 | 基于隐私数据保护的多目标融合学习方法、装置和系统 |
CN111291406B (zh) * | 2020-01-19 | 2022-07-26 | 山东师范大学 | 一种基于加密位置数据的设施选址方法及系统 |
CN111339553A (zh) * | 2020-02-14 | 2020-06-26 | 云从科技集团股份有限公司 | 一种任务处理方法、系统、设备及介质 |
CN111460478B (zh) * | 2020-03-30 | 2022-05-13 | 西安电子科技大学 | 一种面向协同深度学习模型训练的隐私保护方法 |
CN111582496B (zh) * | 2020-04-26 | 2023-05-30 | 暨南大学 | 一种基于sgx的安全高效的深度学习模型预测系统和方法 |
CN113824546B (zh) * | 2020-06-19 | 2024-04-02 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN111510281B (zh) * | 2020-06-29 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 一种同态加密方法及装置 |
CN111800265B (zh) * | 2020-07-07 | 2021-06-25 | 上海大学 | 一种基于隐私保护的材料逆向设计方法及系统 |
CN112187442A (zh) * | 2020-09-30 | 2021-01-05 | 中国科学技术大学 | 基于隐私保护的遥测数据分析系统及方法 |
CN112383388B (zh) * | 2020-11-06 | 2023-04-25 | 华南师范大学 | 一种基于云计算大数据的双秘钥加密系统及方法 |
CN112487481B (zh) * | 2020-12-09 | 2022-06-10 | 重庆邮电大学 | 一种具有隐私保护的可验证多方k-means联邦学习方法 |
CN112347500B (zh) * | 2021-01-11 | 2021-04-09 | 腾讯科技(深圳)有限公司 | 分布式系统的机器学习方法、装置、系统、设备及存储介质 |
CN112765657B (zh) * | 2021-01-15 | 2023-01-06 | 西安电子科技大学 | 分布式支持向量机隐私保护方法、系统、存储介质及应用 |
CN112865953B (zh) * | 2021-02-01 | 2022-05-17 | 浙江大学 | 基于辅助服务器的安全多方计算方法、装置和系统 |
CN112989368B (zh) * | 2021-02-07 | 2022-05-17 | 支付宝(杭州)信息技术有限公司 | 多方联合进行隐私数据处理的方法及装置 |
CN112949741B (zh) * | 2021-03-18 | 2023-04-07 | 西安电子科技大学 | 基于同态加密的卷积神经网络图像分类方法 |
CN113065145B (zh) * | 2021-03-25 | 2023-11-24 | 上海海洋大学 | 一种基于秘密共享和随机扰动的隐私保护线性回归方法 |
CN113329021B (zh) * | 2021-05-31 | 2022-04-29 | 湖北工业大学 | 基于工业互联网的汽车折旧模型参数隐私保护系统及方法 |
CN113472524B (zh) * | 2021-06-09 | 2022-05-17 | 湖北工业大学 | 一种抗恶意传输数据攻击的数据聚合签名系统及方法 |
CN113360927B (zh) * | 2021-06-15 | 2023-03-31 | 河海大学 | 一种数据共享的两阶段隐私保护方法 |
CN113806764B (zh) * | 2021-08-04 | 2023-11-10 | 北京工业大学 | 一种基于区块链和隐私保护的分布式支持向量机及其优化方法 |
CN113627086B (zh) * | 2021-08-21 | 2024-03-26 | 深圳前海微众银行股份有限公司 | 横向联邦学习建模优化方法、设备、介质及程序产品 |
CN114491578B (zh) * | 2021-12-24 | 2023-07-21 | 电子科技大学 | 一种用于隐私计算的安全数据聚合方法 |
CN116471051B (zh) * | 2023-03-22 | 2024-04-02 | 电子科技大学 | 一种基于不经意传输协议的安全多方数据排序方法 |
CN117113385B (zh) * | 2023-10-25 | 2024-03-01 | 成都乐超人科技有限公司 | 一种应用于用户信息加密的数据提取方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104521178A (zh) * | 2012-04-17 | 2015-04-15 | 华为技术有限公司 | 安全的多方云计算的方法和系统 |
WO2017222902A1 (en) * | 2016-06-22 | 2017-12-28 | Microsoft Technology Licensing, Llc | Privacy-preserving machine learning |
-
2018
- 2018-05-09 CN CN201810439054.6A patent/CN108712260B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104521178A (zh) * | 2012-04-17 | 2015-04-15 | 华为技术有限公司 | 安全的多方云计算的方法和系统 |
WO2017222902A1 (en) * | 2016-06-22 | 2017-12-28 | Microsoft Technology Licensing, Llc | Privacy-preserving machine learning |
Non-Patent Citations (1)
Title |
---|
PPDM: A Privacy-Preserving Protocol for Cloud-Assisted e-Healthcare Systems;Jun Zhou;《 IEEE Journal of Selected Topics in Signal Processing》;20150428;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108712260A (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108712260B (zh) | 云环境下保护隐私的多方深度学习计算代理方法 | |
Ma et al. | Privacy preserving multi-party computation delegation for deep learning in cloud computing | |
US20210143987A1 (en) | Privacy-preserving federated learning | |
CN112822005B (zh) | 基于同态加密的安全迁移学习系统 | |
Vaidya et al. | Privacy-preserving naive bayes classification | |
US20120207299A1 (en) | Data processing device | |
CN106850656B (zh) | 一种云环境下多用户文件共享控制方法 | |
Hu et al. | Achieving Privacy-Preserving and Verifiable Support Vector Machine Training in the Cloud | |
Lyu et al. | Towards fair and decentralized privacy-preserving deep learning with blockchain | |
Zhang et al. | A privacy protection scheme for IoT big data based on time and frequency limitation | |
CN113434898B (zh) | 一种非交互式的隐私保护逻辑回归联邦训练方法及系统 | |
CN111581648B (zh) | 在不规则用户中保留隐私的联邦学习的方法 | |
Ranbaduge et al. | Secure multi-party summation protocols: Are they secure enough under collusion? | |
Yadav et al. | An IoT based secure patient health monitoring system | |
Fan et al. | Lightweight privacy and security computing for blockchained federated learning in iot | |
Peng et al. | A Secure Signcryption Scheme for Electronic Health Records Sharing in Blockchain. | |
CN115913513B (zh) | 支持隐私保护的分布式可信数据交易方法、系统及装置 | |
CN115412259B (zh) | 基于区块链的云健康系统可搜索代理签密方法及产品 | |
Gou et al. | A novel quantum E-payment protocol based on blockchain | |
Yang et al. | Federated Medical Learning Framework Based on Blockchain and Homomorphic Encryption | |
CN114900283A (zh) | 基于多方安全计算的深度学习用户梯度聚合方法 | |
Waheed et al. | FedBlockHealth: A Synergistic Approach to Privacy and Security in IoT-Enabled Healthcare through Federated Learning and Blockchain | |
Wen et al. | A new efficient authorized private set intersection protocol from Schnorr signature and its applications | |
Skarkala et al. | Privacy preserving tree augmented naïve Bayesian multi-party implementation on horizontally partitioned databases | |
ARORA et al. | IMPLICATIONS OF PRIVACY PRESERVING K-MEANS CLUSTERING OVER OUTSOURCED DATA ON CLOUD PLATFORM. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210625 |