CN108717514B - 一种机器学习中的数据隐私保护方法和系统 - Google Patents
一种机器学习中的数据隐私保护方法和系统 Download PDFInfo
- Publication number
- CN108717514B CN108717514B CN201810487937.4A CN201810487937A CN108717514B CN 108717514 B CN108717514 B CN 108717514B CN 201810487937 A CN201810487937 A CN 201810487937A CN 108717514 B CN108717514 B CN 108717514B
- Authority
- CN
- China
- Prior art keywords
- machine learning
- data
- learning model
- ciphertext data
- predicted
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F21/602—Providing cryptographic facilities or services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioethics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种机器学习中的数据隐私保护方法和系统，其特征在于包括以下步骤：1)选择需要应用的加密算法及系统参数，生成密钥；2)对原始数据进行加密，产生相应的密文数据；3)使用密文数据对需要使用的机器学习模型进行训练和参数调整，得到最优机器学习模型；4)采用步骤2)方法将待预测或分类的原始数据用步骤1)中的密钥进行加密，输入最优机器学习模型，得到预测或分类结果。本发明结合保序/保分布性质的加密算法与机器学习模型，能够保护原始数据和机器学习模型。保序/保分布性质的加密算法输出的密文膨胀程度远低于全同态加密算法而且能够保持明文数据中的某些分布特征，使得机器学习效率较高且具有较好的扩展性。
Description
技术领域
本发明涉及数据安全领域，特别是涉及一种机器学习中的数据隐私保护方法和系统。
背景技术
近年来，随着信息技术的不断发展，机器学习技术已经成为了大数据时代下的技术基石。机器学习技术根据已有的数据进行探索，发现数据中潜在的联系，依据所得到的模型进行分类或预测。众多的服务提供商将机器学习模型作为一种资源向公众提供服务，为人们带来了众多的便利。然而，当前的基于机器学习的服务忽略了公众的隐私问题。为了能够训练模型，服务提供商大量搜集用户信息，其中甚至包括了用户的隐私数据。用户在上传这些数据后失去了对数据的控制权，无法保证数据是否被滥用，造成隐私泄露的隐患。
目前应用于机器学习中的隐私保护方法主要有以下几个方面的安全问题：
1)目前的统计数据安全保护，主要集中于群体数据中保护个体数据不被提取，但是缺乏对数据内容本身的保护；
2)已有方案提出利用全同态加密技术处理数据并应用于机器学习，但全同态加密生成的密文长度远远大于明文长度，导致训练效率严重下降，因此全同态加密在实用性方面较差；
3)应用基于全同态加密的处理方法时，相应机器学习算法需要进行对应的修改，增加了模型的精度损失，同时也降低了该方法的可扩展性。
发明内容
针对上述问题，本发明的目的是提供一种机器学习中的数据隐私保护方法和系统，能够有效应用于机器学习领域的数据安全保护领域。
为实现上述目的，本发明采取以下技术方案：一种机器学习中的数据隐私保护方法，其特征在于其包括以下步骤：1)选择需要应用的加密算法及系统参数，生成密钥；2)对原始数据进行加密，产生相应的密文数据；3)使用密文数据对需要使用的机器学习模型进行训练和参数调整，得到最优机器学习模型；4)采用步骤2)方法将待预测或分类的原始数据用步骤1)中的密钥进行加密，输入最优机器学习模型，得到预测或分类结果。
所述步骤1)中，所述密钥的生成方法包括以下步骤：1.1)根据应用需求，选择具有保序或保分布性质的加密算法；1.2)根据选择的加密算法的要求及应用需求，选择系统参数；1.3)利用系统参数，产生相应的密钥并保存。
所述步骤2)中，所述密文数据的产生方法，包括以下步骤：2.1)对原始数据进行预处理，使其与所述步骤1)中选择的加密算法的明文空间相匹配；2.2)利用所述步骤1)中存储的密钥对预处理后的原始数据进行加密，生成相应的密文数据。
所述步骤3)中，所述最优机器学习模型的构建方法，包括以下步骤：3.1)选择需要使用的机器学习模型，并设定初始参数；3.2)利用所述步骤2)中产生的部分或全部样本密文数据对选择的机器学习模型进行训练，并根据训练结果对机器学习模型的初始参数进行调整，以达到最优效果，得到最优机器学习模型。
所述步骤4)中，利用最优机器学习模型对待预测或分类的原始数据进行预测或分类的方法，包括以下步骤：4.1)采用所述步骤2)方法对待预测或分类的原始数据进行预处理，使其与所述步骤1)中选择的加密算法的明文空间相匹配；4.2)采用所述步骤1)中的密钥对预处理后的原始数据进行加密，生成相应的待预测或分类的密文数据；4.3)将待预测或分类的密文数据输入所述步骤3)中训练好的最优机器学习模型中，得到预测或分类结果。
一种机器学习中的数据隐私保护系统，其特征在于：其包括用户端和机器学习服务端；所述用户端设置有数据加密系统，用于采用具有保序/保分布性质的加密算法对数据拥有者的原始数据进行加密，产生密文数据并发送到所述机器学习服务端；所述机器学习服务端设置有机器学习服务系统，用于根据所述密文数据对需要使用的机器学习模型进行训练，得到最优机器学习模型，并采用所述最优机器学习模型对待预测或分类的密文数据进行预测或分类，并将预测或分类结果返回所述用户端。
所述数据加密系统包括密钥算法模块、密钥管理模块和加密模块，所述密钥算法模块用于提供具有保序/保分布性质的加密算法及系统参数，产生相应密钥并存储到所述密钥管理模块；所述加密模块用于对数据拥有者的原始数据进行预处理，并根据所述密钥算法模块提供的密钥对原始数据进行加密，产生密文数据并发送到所述机器学习服务端。
所述机器学习服务系统包括机器学习模块和预测分类模块，所述机器学习模块用于根据样本密文数据对需要使用的机器学习模型进行训练，得到最优机器学习模型；所述预测或分类模型用于根据所述最优机器学习模型对待预测或分类的密文数据进行预测或分类，得到预测或分类结果；所述样本密文数据是指所述密文数据中的部分数据；所述待预测或分类的密文数据是指所述密文数据中的其他数据，且所述待预测或分类密文数据与所述样本密文数据不同。
本发明由于采取以上技术方案，其具有以下优点：1、本发明采用的具有保序/保分布性质的加密算法对数据进行处理，为原始数据提供了密码学级别的安全保护，同时，本发明选用的算法密文膨胀程度相对全同态加密算法更小，更加具有实用性；2、本发明中利用密文数据训练出的机器学习模型，只有能够正确加密待测数据的用户才能够得到正确的输出结果，具有天然的模型保护功能；3、本发明采用的具有保序/保分布性质的加密算法能够使密文数据保持明文数据中的某些分布特征，对于所有基于数据分布的机器学习算法都能够适用，并且对于机器学习算法结构不需要做过多的修改，具有良好的扩展性。因此，本发明可以广泛应用于机器学习的数据隐私保护中。
附图说明
图1是本发明的加密模块初始化流程示意图；
图2是本发明的数据加密流程示意图；
图3是本发明的密文训练流程示意图；
图4是本发明的模型预测流程示意图；
图5是本发明实施例一中数据加密及预测分类流程图；
图6是本发明另一实施例中数据加密及预测分类流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明提供一种机器学习中的数据隐私保护系统，其包括用户端和机器学习服务端，用户端设置有数据加密系统，用于采用具有保序/保分布性质的加密算法对数据拥有者的原始数据进行加密，产生密文数据并发送到机器学习服务端；机器学习服务端设置有机器学习服务系统，用于根据密文数据对需要使用的机器学习模型进行训练，得到最优机器学习模型，并采用最优机器学习模型对待预测或分类的密文数据进行预测或分类，并将预测或分类结果返回用户端。
数据加密系统包括密钥算法模块、密钥管理模块和加密模块，密钥算法模块用于提供具有保序/保分布性质的加密算法及系统参数，产生相应密钥并存储到密钥管理模块；加密模块用于对数据拥有者的原始数据进行预处理，并根据密钥算法模块提供的密钥对原始数据进行加密，产生密文数据并发送到机器学习服务端。机器学习服务系统包括机器学习模块和预测分类模块，机器学习模块用于根据样本密文数据对需要使用的机器学习模型进行训练，得到最优机器学习模型；预测或分类模型用于根据最优机器学习模型对待预测或分类的密文数据进行预测或分类，得到预测或分类结果。其中，样本密文数据是指具有一定性质的密文数据集合M中的部分数据m，即
待预测或分类的密文数据是指密文数据集合M中的其他数据m'，且待预测或分类密文数据m'与样本密文数据m不同，即m'≠m。
作为一个优选的实施例，用户端可以在数据拥有者或可信第三方设置。
基于上述机器学习中的数据隐私保护系统，本发明还提供一种机器学习中的数据隐私保护方法，包括以下步骤：
1)选择需要应用的加密算法及系统参数，生成密钥；
2)对原始数据进行加密，产生相应的密文数据；
3)使用密文数据对需要使用的机器学习模型进行训练和参数调整，得到最优机器学习模型；
4)采用步骤2)方法将待预测或分类的原始数据用步骤1)中的密钥进行加密，输入最优机器学习模型，得到预测或分类结果。
进一步地，如图1所示，上述步骤1)中，选择需要应用的加密算法及系统参数，并生成密钥的具体过程为：
1.1)根据应用需求，选择合适的具有保序或保分布性质的加密算法；
1.2)根据加密算法的要求及应用需求，选择合适的系统参数；
1.3)利用系统参数，产生相应的密钥，并由数据拥有者保存在相应的密钥管理系统中。
进一步地，如图2所示，上述步骤2)中，对原始数据进行加密，将产生的样本密文数据发送到机器学习服务端，具体过程为：
2.1)对原始数据进行预处理，使其与上述步骤1)中选择的加密算法的明文空间相匹配；
2.2)利用步骤1)中存储的密钥对预处理后的原始数据进行加密，生成相应的密文数据。
进一步地，如图3所示，上述步骤3)中，使用密文数据对机器学习模型进行训练和参数调整，得到最优机器学习模型的具体过程为：
3.1)选择需要使用的机器学习模型，并设定初始参数；
3.2)利用上述步骤2)中产生的部分或全部样本密文数据对机器学习模型进行训练，并根据训练结果对机器学习模型的初始参数进行调整，以达到最优效果，得到最优机器学习模型。
进一步地，如图4所示，上述步骤4)中，将待预测或分类的原始数据用相应密钥进行加密，输入最优机器学习模型，得到预测或分类结果，具体过程为：
4.1)对待预测或分类的原始数据用上述步骤2)中相同的方法进行预处理，使其与上述步骤1)中选择的加密算法的明文空间相匹配；
4.2)利用上述步骤1)中密钥管理系统中存储的密钥对预处理后的数据进行加密，生成相应的待预测或分类的密文数据；
4.3)将待预测或分类的密文数据输入上述步骤3)中训练好的最优机器学习模型中，得到预测或分类结果。
通过最优机器学习模型对待预测或分类的密文数据进行预测或分类时，如果待预测或分类的原始数据正常被加密，则最优机器学习模型依据学习的成果输出正常的预测结果；否则，最优机器学习模型输出的结果不可预测且不可信。
如图5所示，在一个优选的实施例中，由用户自身进行密钥管理，具体流程为：用户通过用户端设置的加密模块对样本原始数据进行加密得到样本密文数据，上传到服务提供商的机器学习服务端，服务提供商接收到样本密文数据后，利用样本密文数据对用户选择使用的机器学习模型进行训练，得到可以用于为该用户提供服务的最优机器学习模型。然后，用户采用相同方式对待预测的原始数据进行加密，并将待预测或分类的密文数据上传至服务提供商，服务提供商利用训练好的最优机器学习模型对待预测或分类的密文数据进行预测，得到预测或分类结果并返回用户。在该流程中，只有掌握密钥的该用户才能准确的加密待预测的原始数据，待预测的密文数据输入训练好的机器学习模型后，才能得到可信的预测或分类结果。对于服务提供商来说，数据处理过程中仅能接触到用户提供的密文数据，因此在机器学习过程中，用户隐私被保护；对于不拥有该模型使用权的用户来说，由于不掌握密钥，无法将待预测的原始数据准确加密，因此无法由训练后的该模型获得可信的结果，模型所有权被保护。
如图6所示，在一个优选的实施例中，多个用户可将密钥管理交由一个可信第三方进行维护。在此场景下，多个用户可以直接上传个人数据至可信第三方，由可信第三方进行统一的密钥管理并加密转发到服务提供商，服务提供商接收样本密文数据后，利用样本密文数据进行机器学习模型的训练，训练完成的最优机器学习模型可以用于为多个用户构成的群体提供服务。在可信第三方处具有相应权限的用户可以上传待预测的原始数据至可信第三方，由其加密后上传至服务提供商，服务提供商利用训练好的机器学习模型对待预测的密文数据进行预测或分类，并将结果发送至可信第三方，由可信第三方转发给相应用户。对于服务提供商来说，数据处理过程中仅能接触到密文数据，因此在机器学习过程中，用户隐私被保护；对于用户来说，可信第三方不会处理不具备相应权限的用户上传的数据，模型被保护，同时由于用户群体增多，数据量增加，机器学习模型能够得到更好的训练，从而能够提高服务质量。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。
Claims (5)
1.一种机器学习中的数据隐私保护方法，其特征在于其包括以下步骤：
1)选择需要应用的加密算法及系统参数，生成密钥；
所述步骤1)中，所述密钥的生成方法包括以下步骤：
1.1)根据应用需求，选择具有保序或保分布性质的加密算法；
1.2)根据选择的加密算法的要求及应用需求，选择系统参数；
1.3)利用系统参数，产生相应的密钥并保存；
2)对原始数据进行加密，产生相应的样本密文数据；
所述步骤2)中，所述样本密文数据的产生方法，包括以下步骤：
2.1)对原始数据进行预处理，使其与所述步骤1)中选择的加密算法的明文空间相匹配；
2.2)利用所述步骤1)中存储的密钥对预处理后的原始数据进行加密，生成相应的样本密文数据；
3)使用样本密文数据对需要使用的机器学习模型进行训练和参数调整，得到最优机器学习模型；
所述步骤3)中，所述最优机器学习模型的构建方法，包括以下步骤：
3.1)选择需要使用的机器学习模型，并设定初始参数；
3.2)利用所述步骤2)中产生的部分或全部样本密文数据对选择的机器学习模型进行训练，并根据训练结果对机器学习模型的初始参数进行调整，以达到最优效果，得到最优机器学习模型；
4)采用步骤2)方法将待预测或分类的原始数据用步骤1)中的密钥进行加密，输入最优机器学习模型，得到预测或分类结果。
2.如权利要求1所述的一种机器学习中的数据隐私保护方法，其特征在于：所述步骤4)中，利用最优机器学习模型对待预测或分类的原始数据进行预测或分类的方法，包括以下步骤：
4.1)采用所述步骤2)方法对待预测或分类的原始数据进行预处理，使其与所述步骤1)中选择的加密算法的明文空间相匹配；
4.2)采用所述步骤1)中的密钥对预处理后的原始数据进行加密，生成相应的待预测或分类的密文数据；
4.3)将待预测或分类的密文数据输入所述步骤3)中训练好的最优机器学习模型中，得到预测或分类结果。
3.一种用于如权利要求1～2任一项所述方法的机器学习中的数据隐私保护系统，其特征在于：其包括用户端和机器学习服务端；
所述用户端设置有数据加密系统，用于采用具有保序或保分布性质的加密算法对数据拥有者的原始数据进行加密，产生密文数据并发送到所述机器学习服务端；
所述机器学习服务端设置有机器学习服务系统，用于根据所述密文数据对需要使用的机器学习模型进行训练，得到最优机器学习模型，并采用所述最优机器学习模型对待预测或分类的密文数据进行预测或分类，并将预测或分类结果返回所述用户端。
4.如权利要求3所述的一种机器学习中的数据隐私保护系统，其特征在于：所述数据加密系统包括密钥算法模块、密钥管理模块和加密模块，所述密钥算法模块用于提供具有保序或保分布性质的加密算法及系统参数，产生相应密钥并存储到所述密钥管理模块；所述加密模块用于对数据拥有者的原始数据进行预处理，并根据所述密钥算法模块提供的密钥对原始数据进行加密，产生密文数据并发送到所述机器学习服务端。
5.如权利要求3所述的一种机器学习中的数据隐私保护系统，其特征在于：所述机器学习服务系统包括机器学习模块和预测分类模块，所述机器学习模块用于根据样本密文数据对需要使用的机器学习模型进行训练，得到最优机器学习模型；所述预测或分类模型用于根据所述最优机器学习模型对待预测或分类的密文数据进行预测或分类，得到预测或分类结果；所述样本密文数据是指所述密文数据中的部分数据；所述待预测或分类的密文数据是指所述密文数据中的其他数据，且所述待预测或分类密文数据与所述样本密文数据不同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810487937.4A CN108717514B (zh) | 2018-05-21 | 2018-05-21 | 一种机器学习中的数据隐私保护方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810487937.4A CN108717514B (zh) | 2018-05-21 | 2018-05-21 | 一种机器学习中的数据隐私保护方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108717514A CN108717514A (zh) | 2018-10-30 |
| CN108717514B true CN108717514B (zh) | 2020-06-16 |
Family
ID=63900528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810487937.4A Active CN108717514B (zh) | 2018-05-21 | 2018-05-21 | 一种机器学习中的数据隐私保护方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108717514B (zh) |
Families Citing this family (19)
| 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 |
| CN109687952A (zh) * | 2018-11-16 | 2019-04-26 | 创新奇智(重庆)科技有限公司 | 数据处理方法及其装置、电子装置及存储介质 |
| CN109670326A (zh) * | 2018-12-24 | 2019-04-23 | 北京天融信网络安全技术有限公司 | 一种数据分类方法及系统 |
| CN109981244B (zh) * | 2019-03-08 | 2021-10-01 | 西安电子科技大学 | 一种分布式云加密算法的实现方法 |
| CN110011784B (zh) * | 2019-04-04 | 2021-06-08 | 东北大学 | 支持隐私保护的knn分类服务系统及方法 |
| CN110059501B (zh) * | 2019-04-16 | 2021-02-02 | 广州大学 | 一种基于差分隐私的安全外包机器学习方法 |
| CN110457912B (zh) * | 2019-07-01 | 2020-08-14 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置和电子设备 |
| US11455573B2 (en) | 2019-09-30 | 2022-09-27 | International Business Machines Corporation | Data protection distributed learning |
| CN111382455B (zh) * | 2020-03-18 | 2023-05-26 | 北京丁牛科技有限公司 | 一种文件保护方法及装置 |
| CN111415013B (zh) * | 2020-03-20 | 2024-03-22 | 矩阵元技术（深圳）有限公司 | 隐私机器学习模型生成、训练方法、装置及电子设备 |
| CN111414646B (zh) * | 2020-03-20 | 2024-03-29 | 矩阵元技术（深圳）有限公司 | 实现隐私保护的数据处理方法和装置 |
| WO2021184346A1 (zh) * | 2020-03-20 | 2021-09-23 | 云图技术有限公司 | 隐私机器学习模型生成、训练方法、装置及电子设备 |
| WO2021203260A1 (zh) * | 2020-04-08 | 2021-10-14 | 云图技术有限公司 | 一种节点匹配方法、装置、设备及系统 |
| US11599806B2 (en) | 2020-06-22 | 2023-03-07 | International Business Machines Corporation | Depth-constrained knowledge distillation for inference on encrypted data |
| CN112395643B (zh) * | 2020-11-23 | 2023-06-20 | 中国人民大学 | 一种神经网络的数据隐私保护方法及系统 |
| CN113190858B (zh) * | 2021-04-20 | 2024-02-02 | 中国人民大学 | 一种基于隐私保护的图像处理方法、系统、介质和设备 |
| CN113240490A (zh) * | 2021-05-18 | 2021-08-10 | 中国人民大学 | 一种基于图神经网络的智能服务交易推荐方法及系统 |
| CN113536770B (zh) * | 2021-09-09 | 2021-11-30 | 平安科技（深圳）有限公司 | 基于人工智能的文本解析方法、装置、设备及存储介质 |
| CN117371558B (zh) * | 2023-12-04 | 2024-03-08 | 环球数科集团有限公司 | 一种用于隐私保护环境下执行机器学习的系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512518A (zh) * | 2015-11-30 | 2016-04-20 | 中国电子科技集团公司第三十研究所 | 一种基于唯密文的密码算法识别方法和系统 |
| CN106788962A (zh) * | 2016-12-13 | 2017-05-31 | 电子科技大学 | 隐私保护下的向量相似性判断方法 |
| CN107124276A (zh) * | 2017-04-07 | 2017-09-01 | 西安电子科技大学 | 一种安全的数据外包机器学习数据分析方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106452733A (zh) * | 2016-11-24 | 2017-02-22 | 中国电子科技集团公司第三十研究所 | 一种基于密文分析的分组密码识别方法 |
| CN106850183B (zh) * | 2017-01-22 | 2019-12-27 | 蒋林智 | 一种全同态加密密文除法实现方法 |
| CN107301350B (zh) * | 2017-05-24 | 2020-07-14 | 国信优易数据有限公司 | 一种数据处理方法和系统 |
-
2018
- 2018-05-21 CN CN201810487937.4A patent/CN108717514B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512518A (zh) * | 2015-11-30 | 2016-04-20 | 中国电子科技集团公司第三十研究所 | 一种基于唯密文的密码算法识别方法和系统 |
| CN106788962A (zh) * | 2016-12-13 | 2017-05-31 | 电子科技大学 | 隐私保护下的向量相似性判断方法 |
| CN107124276A (zh) * | 2017-04-07 | 2017-09-01 | 西安电子科技大学 | 一种安全的数据外包机器学习数据分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 加密数据上的机器学习分类研究;闫薇;《网络空间安全》;20170731;第08卷(第06-07期);全文 * |
| 同态加密在加密机器学习中的应用研究综述;崔建京等;《计算机科学》;20180430;第45卷(第4期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108717514A (zh) | 2018-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108717514B (zh) | 一种机器学习中的数据隐私保护方法和系统 | |
| CN105051750B (zh) | 用于加密文件系统层的系统和方法 | |
| Gupta et al. | Layer-based privacy and security architecture for cloud data sharing | |
| JP4981072B2 (ja) | 復号可能かつ検索可能な暗号化のための方法およびシステム | |
| CN107579979A (zh) | 基于区块链技术的电子病历的共享查询方法 | |
| CN107147652A (zh) | 一种基于区块链的用户多形态身份的安全融合认证方法 | |
| CN106251278A (zh) | 一种基于直方图特征的图像加密域可逆信息隐藏方法 | |
| CN103731432A (zh) | 一种支持多用户的可搜索加密系统及方法 | |
| CN105306194B (zh) | 供加密档案和/或通讯协定的多重加密方法与系统 | |
| CN110635909B (zh) | 一种基于属性的抗合谋攻击的代理重加密方法 | |
| Ntalianis et al. | Remote authentication via biometrics: A robust video-object steganographic mechanism over wireless networks | |
| CN109474928A (zh) | 在移动群智感知系统中实现高效隐私保护的真值发现方法 | |
| US20170353745A1 (en) | Secure media player | |
| Yuan et al. | Image privacy protection with secure JPEG transmorphing | |
| CN110611662A (zh) | 一种基于属性基加密的雾协同云数据共享方法 | |
| Cao et al. | A privacy-preserving outsourcing data storage scheme with fragile digital watermarking-based data auditing | |
| Abdulla et al. | HITC: Data privacy in online social networks with fine-grained access control | |
| Chandra et al. | Generate an Encryption Key by using Biometric Cryptosystems to secure transferring of Data over a Network | |
| CN117034338A (zh) | 基于隐私保护的分布式文旅数据计算方法 | |
| WO2021094821A1 (en) | System and method for securing sensor data in internet of things (iot) network | |
| JP2015018057A (ja) | 鍵生成装置、暗号化装置および復号装置、ならびに、それらのプログラム | |
| CN202495964U (zh) | 一种基于移动终端的身份认证系统 | |
| CN111984932B (zh) | 两方数据分组统计方法、装置及系统 | |
| CN103327363A (zh) | 实现基于语义粒度进行视频信息加密控制的系统及其方法 | |
| KR20150089116A (ko) | 개인정보 관리 센터 및 이를 포함하는 개인정보 관리 시스템 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230801 Address after: Room 1302, Building 1, No. 16, Keji 4th Road, Songshan Lake Park, Dongguan, Guangdong 523000 Patentee after: Guangdong Zhongke Chuangzhi Data Technology Co.,Ltd. Address before: 100872, Renmin University of China, 59 Zhongguancun Avenue, Beijing, Haidian District Patentee before: RENMIN University OF CHINA |