CN108923920B - 海量用户系统中具有隐私保护的特征用户发现与统计方法 - Google Patents

海量用户系统中具有隐私保护的特征用户发现与统计方法 Download PDF

Info

Publication number
CN108923920B
CN108923920B CN201810819021.4A CN201810819021A CN108923920B CN 108923920 B CN108923920 B CN 108923920B CN 201810819021 A CN201810819021 A CN 201810819021A CN 108923920 B CN108923920 B CN 108923920B
Authority
CN
China
Prior art keywords
users
user
characteristic
ciphertext
attribute
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
Application number
CN201810819021.4A
Other languages
English (en)
Other versions
CN108923920A (zh
Inventor
沈华
张明武
刘白
陈效
孙代杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai cangu Investment Management Consulting Service Co.,Ltd.
Original Assignee
Hubei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201810819021.4A priority Critical patent/CN108923920B/zh
Publication of CN108923920A publication Critical patent/CN108923920A/zh
Application granted granted Critical
Publication of CN108923920B publication Critical patent/CN108923920B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
    • H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
    • 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
    • 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
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/14—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using a plurality of keys or algorithms

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer And Data Communications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种海量用户系统中具有隐私保护的特征用户发现与统计方法，本发明将目标特征属性集转换为目标特征值、将用户私有属性集转换为用户的一系列属性特征值，通过目标特征值和用户的特征值统计目标特征用户的用户数。为了在保护用户隐私的条件下实现在海量用户中统计具有目标特征属性集的用户数，本发明利用同态加密算法加密用户私有属性集对应的一系列属性特征值，通过密文级上的用户特征值的相关运算统计出目标特征用户的用户数。根据获得的统计值还可以分析发现各种特征用户在海量用户中的分布情况。本发明有效地解决了如何在不泄漏用户隐私的条件下高效发现和统计海量用户系统中的特征用户的问题。

Description

海量用户系统中具有隐私保护的特征用户发现与统计方法
技术领域
本发明属于信息安全技术领域，具体涉及一种海量用户系统中具有隐私保护的特征用户发现与统计方法。
背景技术
在电子商务领域中，为了制定合理的营销策略，电子商务公司需要了解具有不同购物习惯的用户在其用户群体中的分布情况；在电子医疗领域中，为了掌握我国各种疾病的分布情况，医疗部门需要了解患有不同疾病的患者在所有患者中的分布情况；在电子政务领域中，为了获得人口结构情况，政府部门需要了解不同年龄段人在人口中的分布情况；在舆情管理中，为了全面掌握舆情情况，监管部门需要了解群众对社会事件持有态度的分布情况等等，这些实际应用说明特征用户在用户中的分布情况具有重要的应用价值。此外，在另一些应用需求中，需要在用户群体中发现指定特征的用户，例如在保险领域中，为了评估某疾病是否能参保或明确什么样的人适合参保即将推出的保险产品，保险公司需要了解潜在参保用户中具有指定的某个或某些属性的用户情况。这说明在用户中发现指定特征用户同样具有重要的应用价值。但是特征属性属于个人敏感信息，用户不希望公开自己的特征属性信息，同时随着移动网络、传感器网络、物联网等技术的发展，接入互联网的用户是海量级的。因此，研究如何在海量用户环境下具有隐私保护的特征用户发现与统计是一个重要课题。
发明内容
为了解决上述的技术问题，本发明提供了一种海量用户系统中具有隐私保护的特征用户发现与统计方法。
本发明所采用的技术方案是：一种海量用户系统中具有隐私保护的特征用户发现与统计方法，所述系统包括m个区域网关、1个全局网关GGW和1个策略中心SC；每个区域包括n个用户和1个区域网关；
针对M种特征属性{w1,w2,…,wM}，策略中心SC统计出mn个用户中2M种特征用户的用户数，获得mn个用户中目标特征用户的用户数；所述特征用户是指具有某种或某些属性的用户，所述目标特征用户是指具有指定的目标属性的用户；
将第i个区域的第j个用户表示为Uij，i＝1,2,…,m，j＝1,2,…,n；将第i个区域对应的区域网关表示为RGWi，i＝1,2,…,m；将用户Uij的私有属性集记为Wij，i＝1,2,…,m，j＝1,2,…,n；用户Uij的特征属性集Wij被表示为一个M维的属性向量
Figure BDA0001740947310000021
如果用户Uij具有属性wk，则xijk＝1，否则xijk＝0，i＝1,2,…,m，j＝1,2,…,n，k＝1,2,…,M；
其特征在于，所述方法包括以下步骤：
步骤1：系统初始化；
步骤2：用户特征值向量生成及其密文生成；
步骤3：具有隐私保护的单区域用户密文计算；
步骤4：具有隐私保护的海量用户密文计算；
步骤5：海量特征用户统计结果获取以及快速查询目标特征用户的统计结果。
本发明方法与现有的技术相比有如下的优点和有益效果：
(1)本发明解决了如何在海量用户中发现特征用户以及如何获得各种特征用户在海量用户中的分布情况的问题，具有非常好的实际应用价值。该方法可以应用到电子商务、电子医疗、电子政务、舆情管理、保险等领域中，具有非常广泛的应用范围。
(2)解决特征用户的发现和统计问题，需要解决的首要问题是如何表示特征用户。本发明所指的特征用户是指具有某种或某些属性的用户。本发明用一个整型的属性特征值表示一类特征用户。针对M种特征属性，最多有2M种特征用户，对应2M个特征值，用一个2M维的特征值向量表示一个用户属于哪几类的特征用户。如果用户具有特征值k1、k2(这说明该用户既是第k1类特征用户又是第k2类特征用户)，那么该用户的特征值向量的第k1个分量和第k2个分量为1，其余分量为0。用户的特征值向量如何获得呢？显然，求解该问题需要求出用户具有的所有特征值。本发明首先将用户的特征属性集表示为一个M维的属性向量，如果用户具有第k种属性，则该用户属性向量的第k个分量为1，否则为0。根据用户的属性向量，生成所有至少包含一个1的01串，将每个01串视为二进制数求其对应的十进制数，求得的十进制数即为该用户的特征值。
(3)解决海量用户环境下的具有隐私保护的特征用户的发现和统计问题，本发明采用分层的思想和同态加密算法，将海量用户的特征值向量分层隐藏在具有同态性的密文中，特征用户的发现和统计通过密文级上的运算完成，对运算得到的密文进行解密，以“剥洋葱”的方式对解密得到结果一层一层地进行解析，最终得到各种特征用户在海量用户中的分布情况。
附图说明
图1：本发明实施例的框架图；
图2：本发明实施例的方法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供的一种海量用户系统中具有隐私保护的特征用户发现与统计方法，请见图1，系统包括m个区域网关、1个全局网关GGW和1个策略中心SC；每个区域包括n个用户和1个区域网关；
针对M种特征属性{w1,w2,…,wM}，策略中心SC统计出mn个用户中2M种特征用户的用户数，获得mn个用户中目标特征用户的用户数；所述特征用户是指具有某种或某些属性的用户，所述目标特征用户是指具有指定的目标属性的用户；
例如，假设有5种特征属性{女性，25岁以下，患子宫肌瘤，已婚，未婚}，患子宫肌瘤的女性是本发明所指的特征用户、已婚女性是发明所指的特征用户、25岁以下未婚用户是本发明所指的特征用户、已婚用户是本发明所指的特征用户等等，基于5种特征属性{女性，25岁以下，患子宫肌瘤，已婚，未婚}的特征用户有25＝32种。同时，策略中心SC可以快速获得mn个用户中目标特征用户的用户数。目标特征用户是指具有指定的目标属性的用户。例如，为了更好的制定保险策略，保险公司需要统计出年龄在25岁以下患子宫肌瘤的女性人数。在这个应用场景中，25岁以下患子宫肌瘤的女性即为本发明所指的目标特征用户。
将第i个区域的第j个用户表示为Uij，i＝1,2,…,m，j＝1,2,…,n；将第i个区域对应的区域网关表示为RGWi，i＝1,2,…,m；将用户Uij的私有属性集记为Wij，i＝1,2,…,m，j＝1,2,…,n；用户Uij的特征属性集Wij被表示为一个M维的属性向量
Figure BDA0001740947310000041
如果用户Uij具有属性wk，则xijk＝1，否则xijk＝0，i＝1,2,…,m，j＝1,2,…,n，k＝1,2,…,M；
请见图2，本实施例的方法包括以下步骤：
步骤1：系统初始化；
请见图2中的步骤1，系统初始化的具体包括以下子步骤：
步骤1.1：策略中心SC从自然数集中选择安全参数κ，计算Paillier加密算法的公钥(N＝pq,g)和私钥(λ,μ)，其中p、q是两个阶为κ的大素数，g是
Figure BDA0001740947310000042
的一个生成元，
Figure BDA0001740947310000043
gcd(a,N2)＝1}。策略中心SC随机选择一个小于N的整数R1和R2作为加密参数，确保R1>n2M，
Figure BDA0001740947310000044
其中n为一个区域中的用户数，m为区域的个数，M为特征属性的个数。
步骤1.2：区域网关RGWi(i＝1,2,…,m)生成自己的公私钥对。
步骤1.3：全局网关GGW生成自己的公私钥对。
步骤1.4：用户Uij(i＝1,2,…,m，j＝1,2,…,n)生成自己的公私钥对，向策略中心SC发生注册请求，策略中心SC向其返回加密参数R1和R2。
步骤2：用户特征值向量生成及其密文生成；
步骤2.1：用户Uij根据自己的属性向量
Figure BDA0001740947310000045
生成对应的特征值向量
Figure BDA0001740947310000046
用户Uij根据自己的属性向量
Figure BDA0001740947310000047
生成各分量构成的至少包括一个1的所有01串，将这些01串视为二进制数，求出对应的十进制数。将特征值向量
Figure BDA0001740947310000048
中以这些十进制数为下标的分量置为1，其余分量为0。
因为xi有0或1两个可能的取值，所以用户属性向量有2M种可能的取值。用户属性向量对应的特征值向量包含2M个分量，每个分量对应属性向量的一种可能的取值，假设用户的特征值向量为
Figure BDA0001740947310000049
如果用户属性向量中各分量构成的01串(将该01串视为二进制数)对应的十进制数等于k′，那么该用户的特征值向量的第k个分量为1，即yk′＝1。此外，假设用户属性向量中有k″个分量的值为1，那么该用户属性向量各分量构成的至少包括一个1的01串有2k″-1种可能，则该属性向量对应的特征值向量有2k″-1个分量为1。
举例说明，假设M＝5，用户属性向量(x1,x2,x3,x4,x5)有25种可能的取值，对应的特征值向量有25＝32个分量，假设为(y1,y2,y3,…,y32)。假设某用户的属性向量为(1,0,0,1,1)，其中有3个分量为1，其分量构成的至少包括一个1的01串有23–1＝7种可能，分别为″10000″(表示该用户是具有属性1的特征用户)、″00010″(表示该用户是具有属性4的特征用户)、″00001″(表示该用户是具有属性5的特征用户)、″10010″(表示该用户是同时具有属性1和属性4的特征用户)、″10001″(表示该用户是同时具有属性1和属性5的特征用户)、″00011″(表示该用户是同时具有属性4和属性5的特征用户)、″10011″(表示该用户是同时具有属性1、属性4和属性5的特征用户)。属性向量(1,0,0,1,1)对应的特征值向量(y1,y2,y3,…,y32)有23–1＝7个分量的值为1。因为10000对应的十进制数为16，00010对应的十进制数为2，00001对应的十进制数为1，10010对应的十进制数为18，10001对应的十进制数为17，00011对应的十进制数为3，10011对应的十进制数为19，因此，在对应的特征值向量中有y16＝1、y2＝1、y1＝1、y18＝1、y17＝1、y3＝1、y19＝1，其余分量为0。
步骤2.2：用户Uij根据获得的加密参数R1和R2将自己的特征值向量
Figure BDA0001740947310000051
表示为
Figure BDA0001740947310000052
步骤2.3：用户Uij随机选择
Figure BDA0001740947310000053
利用Paillier加密算法和策略中心SC的公钥对Pij进行加密形成密文：
Figure BDA0001740947310000054
步骤2.4：用户Uij用自己的私钥对生成的密文进行签名。
步骤2.5：Uij把密文Cij以及签名发送给区域网关RGWi。
步骤3：具有隐私保护的单区域用户密文计算，包括第i个区域网关RGWi对收到的本区域的n份密文(Ci1,Ci2,……,Cin)进行签名验证，签名验证通过后对Ci1,Ci2,……,Cin进行密文级的计算得到本区域级密文Ci(该密文是与
Figure BDA0001740947310000055
相关的密文)，对密文Ci进行签名，并将签名以及密文Ci发送全局网关GGW。
请见图2中的步骤3，具有隐私保护的单区域用户密文计算的具体实现包括以下子步骤：
步骤3.1：区域网关RGWi(i＝1,2,…,m)对收到的n份密文进行签名验证；如果验证成功，那么执行步骤3.2，否则验证失败，终止执行。
步骤3.2：如果验证通过，那么区域网关RGWi对n份密文进行运算：
Figure BDA0001740947310000061
步骤3.3：区域网关RGWi用自己的私钥对计算得到的密文进行签名。
步骤3.4：区域网关RGWi把计算得到的密文Ci已经签名发送给全局网关GGW。
步骤4：具有隐私保护的海量用户密文计算，包括全局网关GGW对收到的m个区域级密文(C1,C2,……,Cm)进行签名验证，签名验证通过后对C1,C2,……,Cm进行密文级的计算得到密文C(该密文是与
Figure BDA0001740947310000062
相关的密文)，对密文C进行签名，并将签名以及密文C发送策略中心SC。
请见图2中的步骤4，具有隐私保护的海量用户密文计算的具体实现包括以下子步骤：
步骤4.1：全局网关GGW对收到的m份密文进行签名验证；如果验证成功，那么执行步骤4.2，否则验证失败，终止执行。
步骤4.2：如果验证通过，那么全局网关GGW对m份密文进行运算：
Figure BDA0001740947310000063
步骤4.3：全局网关GGW用自己的私钥对计算得到的密文进行签名。
步骤4.4：全局网关GGW把计算得到的密文C以及签名发送给策略中心SC。
步骤5：海量特征用户统计结果获取以及快速查询目标特征用户的统计结果；
其中海量特征用户统计结果获取包括策略中心SC对收到的密文C进行签名验证，验证通过后利用自己的私钥对密文C进行解密得到P，对P进行解析，获得mn个用户中具有属性wM的用户数
Figure BDA0001740947310000064
具有属性wM-1的用户数
Figure BDA0001740947310000071
同时具有属性wM和wM-1的用户数
Figure BDA0001740947310000072
…、同时具有属性w1,w2,w3,…,wM-1,wM的用户数
Figure BDA0001740947310000073
即策略中心SC获得了各种特征用户在mn个用户中的分布情况。
快速查询目标特征用户的统计结果是指策略中心SC能快速查询mn个用户中具有目标属性的用户数，具体过程是策略中心SC将目标属性集A表示为对应的属性向量
Figure BDA0001740947310000074
根据
Figure BDA0001740947310000075
各分量的值得到一个01串，求该01串对应的十进制数，假设该十进制数为k″′，那么策略中心获得mn个用户中目标特征用户有
Figure BDA0001740947310000076
个。
请见图2中的步骤5，获得各种特征用户的分布情况以及快速查询目标特征用户的统计结果的具体实现包括以下子步骤：
步骤5.1：策略中心SC对收到的密文进行验证；如果验证成功，那么策略中心SC认为收到的密文C是合法的，继续执行下面的步骤，否则认为收到的密文C是非法的，终止执行。
步骤5.2：如果验证通过，策略中心SC利用自己的私钥对密文
Figure BDA0001740947310000077
进行解密，其中
Figure BDA0001740947310000078
得到一元多项式P。
步骤5.3：利用霍纳法则对解密得到的一元多项式P进行解析，获得mn个用户中具有属性wM的用户数
Figure BDA0001740947310000079
具有属性wM-1的用户数
Figure BDA00017409473100000710
同时具有属性wM和wM-1的用户数
Figure BDA00017409473100000711
…、同时具有属性w1,w2,w3,…,wM-1,wM的用户数
Figure BDA00017409473100000712
即策略中心SC获得了各种特征用户在mn个用户中的分布情况。
步骤5.4：策略中心SC快速查询mn个用户中具有目标属性的用户数；
策略中心SC给出目标属性集A，将A表示为对应的属性向量
Figure BDA00017409473100000713
根据
Figure BDA00017409473100000714
各分量的值得到一个01串，求该01串(将其视为二进制数)对应的十进制数，假设该十进制数为k″′，那么策略中心可知mn个用户中目标特征用户有
Figure BDA0001740947310000081
个。
本发明有效地解决了在海量用户环境下如何在不泄漏用户隐私的条件下高效发现和统计特征用户的问题。本发明可用于电子商务、电子医疗、电子政务、舆情管理、保险等领域中的特征用户发现和统计分析，具有很高的实用性。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种海量用户系统中具有隐私保护的特征用户发现与统计方法，所述系统包括m个区域网关、1个全局网关GGW和1个策略中心SC；每个区域包括n个用户和1个区域网关；
针对M种特征属性{w1,w2,…,wM}，策略中心SC统计出mn个用户中2M种特征用户的用户数，获得mn个用户中目标特征用户的用户数；所述特征用户是指具有某种或某些属性的用户，所述目标特征用户是指具有指定的目标属性的用户；
将第i个区域的第j个用户表示为Uij，i＝1,2,…,m，j＝1,2,…,n；将第i个区域对应的区域网关表示为RGWi，i＝1,2,…,m；将用户Uij的私有属性集记为Wij，i＝1,2,…,m，j＝1,2,…,n；用户Uij的特征属性集Wij被表示为一个M维的属性向量
Figure FDA0002672562700000011
如果用户Uij具有属性wk，则xijk＝1，否则xijk＝0，i＝1,2,…,m，j＝1,2,…,n，k＝1,2,…,M；
其特征在于，所述方法包括以下步骤：
步骤1：系统初始化；
步骤1的具体实现包括以下子步骤：
步骤1.1：策略中心SC生成系统相关参数及其公私钥对；策略中心SC随机选择整数R1和R2作为加密参数，确保R1>n2M，
Figure FDA0002672562700000012
其中n为一个区域中的用户数，m为区域的个数，M为特征属性的个数；
步骤1.2：区域网关RGWi生成自己的公私钥对，i＝1,2,…,m；
步骤1.3：全局网关GGW生成自己的公私钥对；
步骤1.4：用户Uij生成自己的公私钥对，向策略中心SC发生注册请求，策略中心SC向其返回加密参数R1和R2；其中i＝1,2,…,m，j＝1,2,…,n；
步骤2：用户特征值向量生成及其密文生成；
步骤2的具体实现包括以下子步骤：
步骤2.1：用户Uij根据自己的属性向量
Figure FDA0002672562700000013
生成对应的特征值向量
Figure FDA0002672562700000014
用户Uij根据自己的属性向量
Figure FDA0002672562700000015
生成各分量构成的至少包括一个1的所有01串，将这些01串视为二进制数，求出对应的十进制数；将特征值向量
Figure FDA0002672562700000016
中以这些十进制数为下标的分量置为1，其余分量为0；
步骤2.2：用户Uij根据获得的加密参数R1和R2将自己的特征值向量
Figure FDA0002672562700000021
表示为
Figure FDA0002672562700000022
步骤2.3：用户Uij利用策略中心SC的公钥对Pij进行加密形成密文Cij：
步骤2.4：用户Uij用自己的私钥对生成的密文进行签名；
步骤2.5：Uij把密文Cij以及签名发送给区域网关RGWi；
步骤3：具有隐私保护的单区域用户密文计算；
步骤4：具有隐私保护的海量用户密文计算；
步骤5：海量特征用户统计结果获取以及快速查询目标特征用户的统计结果。
2.根据权利要求1所述的海量用户系统中具有隐私保护的特征用户发现与统计方法，其特征在于：步骤3中所述具有隐私保护的单区域用户密文计算包括第i个区域网关RGWi对收到的本区域的n份密文(Ci1,Ci2,……,Cin)进行签名验证，签名验证通过后对Ci1,Ci2,……,Cin进行密文级的计算得到本区域级密文Ci，对密文Ci进行签名，并将签名以及密文Ci发送全局网关GGW。
3.根据权利要求2所述的海量用户系统中具有隐私保护的特征用户发现与统计方法，其特征在于：步骤4中所述具有隐私保护的海量用户密文计算包括全局网关GGW对收到的m个区域级密文(C1,C2,……,Cm)进行签名验证，签名验证通过后对C1,C2,……,Cm进行密文级的计算得到密文C，对密文C进行签名，并将签名以及密文C发送策略中心SC。
4.根据权利要求3所述的海量用户系统中具有隐私保护的特征用户发现与统计方法，其特征在于，步骤5中所述海量特征用户统计结果获取包括策略中心SC对收到的密文C进行签名验证，验证通过后利用自己的私钥对密文C进行解密得到P，对P进行解析，获得mn个用户中具有属性wM的用户数
Figure FDA0002672562700000023
具有属性wM-1的用户数
Figure FDA0002672562700000024
同时具有属性wM和wM-1的用户数
Figure FDA0002672562700000025
同时具有属性w1,w2,w3,…,wM-1,wM的用户数
Figure FDA0002672562700000026
即策略中心SC获得了各种特征用户在mn个用户中的分布情况。
5.根据权利要求4所述的海量用户系统中具有隐私保护的特征用户发现与统计方法，其特征在于：步骤5中所述快速查询目标特征用户的统计结果是指策略中心SC能快速查询mn个用户中具有目标属性的用户数，具体过程是策略中心SC将目标属性集A表示为对应的属性向量
Figure FDA0002672562700000031
根据
Figure FDA0002672562700000032
各分量的值得到一个01串，求该01串对应的十进制数，假设该十进制数为k″′，那么策略中心获得mn个用户中目标特征用户有
Figure FDA0002672562700000033
个。
CN201810819021.4A 2018-07-24 2018-07-24 海量用户系统中具有隐私保护的特征用户发现与统计方法 Active CN108923920B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810819021.4A CN108923920B (zh) 2018-07-24 2018-07-24 海量用户系统中具有隐私保护的特征用户发现与统计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810819021.4A CN108923920B (zh) 2018-07-24 2018-07-24 海量用户系统中具有隐私保护的特征用户发现与统计方法

Publications (2)

Publication Number Publication Date
CN108923920A CN108923920A (zh) 2018-11-30
CN108923920B true CN108923920B (zh) 2020-11-17

Family

ID=64416400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810819021.4A Active CN108923920B (zh) 2018-07-24 2018-07-24 海量用户系统中具有隐私保护的特征用户发现与统计方法

Country Status (1)

Country Link
CN (1) CN108923920B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162999B (zh) * 2019-05-08 2022-06-07 湖北工业大学 一种基于隐私保护的收入分配差距基尼系数度量方法
CN117459214B (zh) * 2023-12-22 2024-02-23 北京天润基业科技发展股份有限公司 一种基于同态加密的特征验证方法、系统及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104079574A (zh) * 2014-07-02 2014-10-01 南京邮电大学 云环境下基于属性和同态混合加密的用户隐私保护方法
CN109120606A (zh) * 2018-07-27 2019-01-01 湖北工业大学 一种具有隐私保护的特征属性的处理方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104079574A (zh) * 2014-07-02 2014-10-01 南京邮电大学 云环境下基于属性和同态混合加密的用户隐私保护方法
CN109120606A (zh) * 2018-07-27 2019-01-01 湖北工业大学 一种具有隐私保护的特征属性的处理方法及装置

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
"Efficient Privacy-Preserving Cube-Data Aggregation Scheme for Smart Grids";Hua Shen等;《IEEE》;20170120;第1369-1381页 *
"一种隐私保护的智能电网多级用户电量聚合控制方案";沈华等;《密码学报》;20160415;第171-191页 *
"利用通信数据的移动用户行为分析";黄文彬等;《现代图书情报技术》;20150525(第5期);第80-87页 *
"可信云服务";丁滟等;《计算机学报》;20140904;第38卷(第1期);第133-149页 *
"可搜索加密技术研究综述";李经纬等;《软件学报》;20140819;第26卷(第1期);第109-128页 *
"大数据安全与隐私保护";冯登国等;《计算机学报》;20140115;第37卷(第1期);第246-258页 *
"面向属性与关系的隐私保护数据挖掘理论研究";孙崇敬;《中国博士学位论文全文数据库信息科技辑》;20160315;第I138-20页 *

Also Published As

Publication number Publication date
CN108923920A (zh) 2018-11-30

Similar Documents

Publication Publication Date Title
Liu et al. Privacy-preserving aggregation in federated learning: A survey
US20210143987A1 (en) Privacy-preserving federated learning
Gupta et al. An efficient image encryption technique based on two-level security for internet of things
CN108259158A (zh) 一种云计算环境下高效和隐私保护的单层感知机学习方法
CN111212084B (zh) 一种面向边缘计算的属性加密访问控制方法
CN108737115B (zh) 一种具有隐私保护的私有属性集交集求解方法
WO2016106752A1 (zh) 一种共享数据的访问控制方法、装置及系统
CN110059501B (zh) 一种基于差分隐私的安全外包机器学习方法
Horng et al. An identity-based and revocable data-sharing scheme in VANETs
Sun et al. Non-repudiation storage and access control scheme of insurance data based on blockchain in IPFS
Aghili et al. MLS-ABAC: Efficient multi-level security attribute-based access control scheme
JP2007501975A (ja) データ処理システム及びその方法
Li et al. A verifiable privacy-preserving machine learning prediction scheme for edge-enhanced HCPSs
CN113836556B (zh) 面向联邦学习的去中心化函数加密隐私保护方法及系统
CN109039578A (zh) 基于同态加密的隐私保护加密方法、信息数据处理终端
CN111340247A (zh) 纵向联邦学习系统优化方法、设备及可读存储介质
Erkin et al. Privacy-preserving distributed clustering
CN113905047A (zh) 一种空间众包任务分配隐私保护方法及系统
CN109120606B (zh) 一种具有隐私保护的特征属性的处理方法及装置
CN108923920B (zh) 海量用户系统中具有隐私保护的特征用户发现与统计方法
CN114175028A (zh) 密码假名映射方法、计算机系统、计算机程序和计算机可读介质
CN115664629A (zh) 一种基于同态加密的智慧物联平台数据隐私保护方法
Tallapally et al. Competent multi-level encryption methods for implementing cloud security
Sandhia et al. Secure sharing of data in cloud using MA-CPABE with elliptic curve cryptography
Hu et al. Privacy-preserving combinatorial auction without an auctioneer

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: 20210315

Address after: 200127 10th floor, building 3, youyou Century Plaza, 428 Yanggao South Road, Pudong New Area, Shanghai

Patentee after: Shanghai cangu Investment Management Consulting Service Co.,Ltd.

Address before: 430068 1, Lijia 1 village, Nanhu, Wuchang District, Wuhan, Hubei

Patentee before: HUBEI University OF TECHNOLOGY