CN110163292A - 基于向量同态加密的隐私保护k-means聚类方法 - Google Patents
基于向量同态加密的隐私保护k-means聚类方法 Download PDFInfo
- Publication number
- CN110163292A CN110163292A CN201910451996.0A CN201910451996A CN110163292A CN 110163292 A CN110163292 A CN 110163292A CN 201910451996 A CN201910451996 A CN 201910451996A CN 110163292 A CN110163292 A CN 110163292A
- Authority
- CN
- China
- Prior art keywords
- vector
- matrix
- cyphertext
- clustered
- homomorphic cryptography
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Probability & Statistics with Applications (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及基于向量同态加密的隐私保护k‑means聚类方法,包括:A.客户端接收待聚类向量组;B.通过向量同态加密的方法对所述待聚类向量组进行加密,在加密过程中保留密钥交换矩阵M和比特扩展矩阵W,加密后得到密文向量组;C.根据通过AM=W得到矩阵A,定义中间矩阵H=ATA;D.将中间矩阵H与密文向量组传送至聚类服务器进行聚类分析,将密文向量组中的每一个向量附上聚类标签;E.聚类服务器将完成聚类分析的密文向量组发送回客户端解密,根据各个向量的标签组合得到聚类结果。本发明解决了密文数据云传输的安全性问题,保证了数据的隐私可靠性,同时还提高了对向量类型判断的效率,扩大了向量类型判断的应用范围。
Description
技术领域
本发明涉及k-means聚类算法在隐私保护下的向量聚类方法,具体的讲是基于向量同态加密的隐私保护k-means聚类方法。
背景技术
k-means聚类方法(k means clustering)原本是一种信号处理方法,后来被广泛应用在数据挖掘中。k-means聚类方法的目的是将n个观测值根据相应的规则划分为k个簇,其中每个观测值都以最小的均值隶属于对应簇中,最终的结果是将一个空间划分为多个小空间。这个问题是一个NP-hard问题,但是很多高效的启发式算法可以让待优化函数收敛到局部最优解。这些通常类似于通过高斯混合模型的迭代方法来求解最优解,它们都使用模型数据的聚类中心。k-means聚类方法的核心在于度量向量到聚类中心的距离。这在明文下是非常容易办到的,但在密文下却是非常困难。密文下度量两个向量之间的相似性一直都是一个非常困难的问题。
发明内容
针对现有技术中存在的将k-means聚类分析迁移至云服务器后产生的数据隐私泄露的问题,本发明提供了一种基于向量同态加密的隐私保护k-means聚类方法,以使隐私数据在云传输后具有高安全性。
本发明基于向量同态加密的隐私保护k-means聚类方法,包括:
A.客户端接收待聚类向量组(x1,x2,…xn),待聚类向量组(x1,x2,…xn)由n个待聚类的样本构成,其中n为正整数;
B.通过向量同态加密的方法对所述待聚类向量组(x1,x2,…xn)进行加密,并且在加密过程中保留密钥交换矩阵M和比特扩展矩阵W,加密后得到密文向量组(c1,c2,…,cn);
C.根据所述的密钥交换矩阵M和比特扩展矩阵W,通过AM=W,计算得到矩阵A,并且定义中间矩阵H=ATA,其中T为随机矩阵;
D.将所述的中间矩阵H与密文向量组(c1,c2,…,cn)传送至聚类服务器进行聚类分析,并将密文向量组(c1,c2,…,cn)中的每一个向量附上聚类标签;
E.聚类服务器将完成聚类分析的密文向量组(c1,c2,…,cn)发送回客户端,由客户端使用密钥矩阵S1进行解密,根据各个向量的标签组合得到聚类结果。
具体的,步骤B中所述的向量同态加密,包括:
B1.生成随机矩阵T,随机矩阵T中的每个元素都为计算机生成的随机数,同时生成大整数w及整数l,大整数w>>随机矩阵T中的任一元素,并且2l大于待聚类向量组(x1,x2,…xn)中的任一元素;
B2.设置密钥矩阵S1=[I,T],其中I为单位矩阵,随机矩阵T∈Zm×m,Z为数学里表示所有整数的通用符,m×m为随机矩阵T的维度,Y为随机矩阵,E为随机噪声矩阵,m为正整数;通过得到对应的密钥交换矩阵M,记录密钥交换矩阵M和密钥矩阵S1;
B3.根据密钥交换矩阵M和c=Mx*,得到密文向量组(c1,c2,…cn),其中x为明文向量,向量*的算法可以详见已出版的:Zhou H,Wornell G.Efficient homomorphicencryption on integer vectors and its applications[C]//2014Information Theoryand Applications Workshop(ITA).IEEE,2014:1-9。
具体的,步骤D中所述的聚类分析包括:
D1.根据待聚类向量的密文向量组(c1,c2,…,cn)及中间矩阵H,给密文向量组(c1,c2,…,cn)中每个待聚类向量分别附上各不相同的标签;
D2.随机产生k个聚类中心(p1,p2,…,pk),其中k为正整数;
D3.通过中间矩阵H计算密文向量组(c1,c2,…,cn)中每个密文向量到每个聚类中心的距离,对于每个密文向量会产生k个距离;
D4.对每个密文向量选择最小的距离,并将它们归为一个集合,由此产生k个集合(Q1,Q2,…,Qk);
D5.计算(Q1,Q2,…,Qk)中每个集合的平均向量,产生k个新聚类中心(p1',p2',…,pk');
D6.重复步骤D3~D5,直到集合(Q1,Q2,…,Qk)不再改变。
在此基础上,步骤D3中所述每个密文向量会产生k个距离为:Dij=(ci-pj)TH(ci-pj),i=1,…,n;j=1,…,k。
进一步的,聚类中心(p1,p2,…,pk)为维度与密文向量组(c1,c2,…,cn)一致的整数向量。
进一步的,所述集合(Q1,Q2,…,Qk)中的每个的元素均为向量。
由于在k-means聚类算法中计算的对象是向量,因此可以对向量范数进行比较而不泄露向量每一维度的数据。因此本发明通过向量同态加密方案解决了密文数据云传输的安全性问题,保证了数据的隐私可靠性,同时还提高了对向量类型判断的效率,扩大了向量类型判断的应用范围。
以下结合实施例的具体实施方式,对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。在不脱离本发明上述技术思想情况下,根据本领域普通技术知识和惯用手段做出的各种替换或变更,均应包括在本发明的范围内。
附图说明
图1为本发明基于向量同态加密的隐私保护k-means聚类方法的流程图。
具体实施方式
如图1所示本发明基于向量同态加密的隐私保护k-means聚类方法,包括:
A.客户端接收待聚类向量组(x1,x2,…xn),待聚类向量组(x1,x2,…xn)由n个待聚类的样本构成,其中n为正整数;
B.通过向量同态加密的方法对所述待聚类向量组(x1,x2,…xn)进行加密,并且在加密过程中保留密钥交换矩阵M和比特扩展矩阵W,加密后得到密文向量组(c1,c2,…,cn):
B1.生成随机矩阵T,随机矩阵T中的每个元素都为计算机生成的随机数,同时生成大整数w及整数l,大整数w>>随机矩阵T中的任一元素,并且2l大于待聚类向量组(x1,x2,…xn)中的任一元素;
B2.设置密钥矩阵S1=[I,T],其中I为单位矩阵,随机矩阵T∈Zm×m,Z为数学里表示所有整数的通用符,m×m为随机矩阵T的维度,Y为随机矩阵,E为随机噪声矩阵,m为正整数;通过得到对应的密钥交换矩阵M,记录密钥交换矩阵M和密钥矩阵S1;
B3.根据密钥交换矩阵M和c=Mx*,得到密文向量组(c1,c2,…cn),其中x为明文向量。
C.根据所述的密钥交换矩阵M和比特扩展矩阵W,通过AM=W,计算得到矩阵A,并且定义中间矩阵H=ATA,其中T为随机矩阵;
D.将所述的中间矩阵H与密文向量组(c1,c2,…,cn)传送至聚类服务器进行聚类分析:
D1.根据待聚类向量的密文向量组(c1,c2,…,cn)及中间矩阵H,给密文向量组(c1,c2,…,cn)中每个待聚类向量分别附上各不相同的标签;
D2.随机产生k个聚类中心(p1,p2,…,pk),其中k为正整数,并且聚类中心(p1,p2,…,pk)为维度与密文向量组(c1,c2,…,cn)一致的整数向量;
D3.通过中间矩阵H计算密文向量组(c1,c2,…,cn)中每个密文向量到每个聚类中心的距离,对于每个密文向量会产生k个距离::Dij=(ci-pj)TH(ci-pj),i=1,…,n;j=1,…,k;
D4.对每个密文向量选择最小的距离,并将它们归为一个集合,由此产生k个集合(Q1,Q2,…,Qk);
D5.计算(Q1,Q2,…,Qk)中每个集合的平均向量,产生k个新聚类中心(p1',p2',…,pk');
D6.重复步骤D3~D5,直到集合(Q1,Q2,…,Qk)不再改变。
在此基础上,步骤D3中所述每个密文向量会产生k个距离为。
E.聚类服务器将完成聚类分析的密文向量组(c1,c2,…,cn)发送回客户端,由客户端使用密钥矩阵S1进行解密,根据各个向量的标签组合得到聚类结果。
本发明的方法可以对向量范数进行比较而不泄露向量每一维度的数据,由此解决了密文数据云传输的安全性问题,保证了数据的隐私可靠性。本领域普通技术人员应当知晓,本发明的向量同态加密的方法同样支持向量加法、线性变换和加权内积的同态运算。
Claims (6)
1.基于向量同态加密的隐私保护k-means聚类方法,其特征包括:
A.客户端接收待聚类向量组(x1,x2,…xn),待聚类向量组(x1,x2,…xn)由n个待聚类的样本构成,其中n为正整数;
B.通过向量同态加密的方法对所述待聚类向量组(x1,x2,…xn)进行加密,并且在加密过程中保留密钥交换矩阵M和比特扩展矩阵W,加密后得到密文向量组(c1,c2,…,cn);
C.根据所述的密钥交换矩阵M和比特扩展矩阵W,通过AM=W,计算得到矩阵A,并且定义中间矩阵H=ATA,其中T为随机矩阵;
D.将所述的中间矩阵H与密文向量组(c1,c2,…,cn)传送至聚类服务器进行聚类分析,并将密文向量组(c1,c2,…,cn)中的每一个向量附上聚类标签;
E.聚类服务器将完成聚类分析的密文向量组(c1,c2,…,cn)发送回客户端,由客户端使用密钥矩阵S1进行解密,根据各个向量的标签组合得到聚类结果。
2.如权利要求1所述的基于向量同态加密的隐私保护k-means聚类方法,其特征为:步骤B中所述的向量同态加密,包括:
B1.生成随机矩阵T,随机矩阵T中的每个元素都为计算机生成的随机数,同时生成大整数w及整数l,大整数w>>随机矩阵T中的任一元素,并且2l大于待聚类向量组(x1,x2,…xn)中的任一元素;
B2.设置密钥矩阵S1=[I,T],其中I为单位矩阵,随机矩阵T∈Zm×m,Z为数学里表示所有整数的通用符,m×m为随机矩阵T的维度,Y为随机矩阵,E为随机噪声矩阵,m为正整数;通过得到对应的密钥交换矩阵M,记录密钥交换矩阵M和密钥矩阵S1;
B3.根据密钥交换矩阵M和c=Mx*,得到密文向量组(c1,c2,…cn),其中x为明文向量。
3.如权利要求1或2所述的基于向量同态加密的隐私保护k-means聚类方法,其特征为:步骤D中所述的聚类分析包括:
D1.根据待聚类向量的密文向量组(c1,c2,…,cn)及中间矩阵H,给密文向量组(c1,c2,…,cn)中每个待聚类向量分别附上各不相同的标签;
D2.随机产生k个聚类中心(p1,p2,…,pk),其中k为正整数;
D3.通过中间矩阵H计算密文向量组(c1,c2,…,cn)中每个密文向量到每个聚类中心的距离,对于每个密文向量会产生k个距离;
D4.对每个密文向量选择最小的距离,并将它们归为一个集合,由此产生k个集合(Q1,Q2,…,Qk);
D5.计算(Q1,Q2,…,Qk)中每个集合的平均向量,产生k个新聚类中心(p1',p2',…,pk');
D6.重复步骤D3~D5,直到集合(Q1,Q2,…,Qk)不再改变。
4.如权利要求3所述的基于向量同态加密的隐私保护k-means聚类方法,其特征为:步骤D3中所述每个密文向量会产生k个距离为:Dij=(ci-pj)TH(ci-pj),i=1,…,n;j=1,…,k。
5.如权利要求3所述的基于向量同态加密的隐私保护k-means聚类方法,其特征为:聚类中心(p1,p2,…,pk)为维度与密文向量组(c1,c2,…,cn)一致的整数向量。
6.如权利要求3所述的基于向量同态加密的隐私保护k-means聚类方法,其特征为:所述集合(Q1,Q2,…,Qk)中的每个的元素均为向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910451996.0A CN110163292A (zh) | 2019-05-28 | 2019-05-28 | 基于向量同态加密的隐私保护k-means聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910451996.0A CN110163292A (zh) | 2019-05-28 | 2019-05-28 | 基于向量同态加密的隐私保护k-means聚类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110163292A true CN110163292A (zh) | 2019-08-23 |
Family
ID=67629587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910451996.0A Pending CN110163292A (zh) | 2019-05-28 | 2019-05-28 | 基于向量同态加密的隐私保护k-means聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163292A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143865A (zh) * | 2019-12-26 | 2020-05-12 | 国网湖北省电力有限公司 | 一种密文数据上标签自动生成的用户行为分析系统及方法 |
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 |
CN112487481A (zh) * | 2020-12-09 | 2021-03-12 | 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 |
CN113239393A (zh) * | 2021-04-29 | 2021-08-10 | 重庆邮电大学 | 纵向联邦k-Means隐私保护方法、装置及电子设备 |
CN113313160A (zh) * | 2021-05-24 | 2021-08-27 | 南京邮电大学 | 一种基于消费数据和同态加密算法的消费人群分类方法 |
CN116992204A (zh) * | 2023-09-26 | 2023-11-03 | 蓝象智联(杭州)科技有限公司 | 一种基于隐私保护的数据点乘运算方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008174A (zh) * | 2014-06-04 | 2014-08-27 | 北京工业大学 | 一种海量图像检索的隐私保护索引生成方法 |
CN106790069A (zh) * | 2016-12-21 | 2017-05-31 | 电子科技大学 | 基于向量同态加密的隐私保护k‑nn分类方法 |
CN106778314A (zh) * | 2017-03-01 | 2017-05-31 | 全球能源互联网研究院 | 一种基于k‑means的分布式差分隐私保护方法 |
CN107145791A (zh) * | 2017-04-07 | 2017-09-08 | 哈尔滨工业大学深圳研究生院 | 一种具有隐私保护的K‑means聚类方法及系统 |
CN107145792A (zh) * | 2017-04-07 | 2017-09-08 | 哈尔滨工业大学深圳研究生院 | 基于密文数据的多用户隐私保护数据聚类方法及系统 |
CN107241182A (zh) * | 2017-06-29 | 2017-10-10 | 电子科技大学 | 一种基于向量同态加密的隐私保护层次聚类方法 |
CN108154185A (zh) * | 2017-12-27 | 2018-06-12 | 武汉理工大学 | 一种隐私保护的k-means聚类方法 |
CN108881204A (zh) * | 2018-06-08 | 2018-11-23 | 浙江捷尚人工智能研究发展有限公司 | 隐私保护聚类数据挖掘方法、电子设备、存储介质及系统 |
CN109359588A (zh) * | 2018-10-15 | 2019-02-19 | 电子科技大学 | 一种新的隐私保护下非交互式的k近邻分类方法 |
CN109615021A (zh) * | 2018-12-20 | 2019-04-12 | 暨南大学 | 一种基于k均值聚类的隐私信息保护方法 |
-
2019
- 2019-05-28 CN CN201910451996.0A patent/CN110163292A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008174A (zh) * | 2014-06-04 | 2014-08-27 | 北京工业大学 | 一种海量图像检索的隐私保护索引生成方法 |
CN106790069A (zh) * | 2016-12-21 | 2017-05-31 | 电子科技大学 | 基于向量同态加密的隐私保护k‑nn分类方法 |
CN106778314A (zh) * | 2017-03-01 | 2017-05-31 | 全球能源互联网研究院 | 一种基于k‑means的分布式差分隐私保护方法 |
CN107145791A (zh) * | 2017-04-07 | 2017-09-08 | 哈尔滨工业大学深圳研究生院 | 一种具有隐私保护的K‑means聚类方法及系统 |
CN107145792A (zh) * | 2017-04-07 | 2017-09-08 | 哈尔滨工业大学深圳研究生院 | 基于密文数据的多用户隐私保护数据聚类方法及系统 |
CN107241182A (zh) * | 2017-06-29 | 2017-10-10 | 电子科技大学 | 一种基于向量同态加密的隐私保护层次聚类方法 |
CN108154185A (zh) * | 2017-12-27 | 2018-06-12 | 武汉理工大学 | 一种隐私保护的k-means聚类方法 |
CN108881204A (zh) * | 2018-06-08 | 2018-11-23 | 浙江捷尚人工智能研究发展有限公司 | 隐私保护聚类数据挖掘方法、电子设备、存储介质及系统 |
CN109359588A (zh) * | 2018-10-15 | 2019-02-19 | 电子科技大学 | 一种新的隐私保护下非交互式的k近邻分类方法 |
CN109615021A (zh) * | 2018-12-20 | 2019-04-12 | 暨南大学 | 一种基于k均值聚类的隐私信息保护方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143865A (zh) * | 2019-12-26 | 2020-05-12 | 国网湖北省电力有限公司 | 一种密文数据上标签自动生成的用户行为分析系统及方法 |
CN111143865B (zh) * | 2019-12-26 | 2022-12-30 | 国网湖北省电力有限公司 | 一种密文数据上标签自动生成的用户行为分析系统及方法 |
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 |
CN112487481A (zh) * | 2020-12-09 | 2021-03-12 | 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 |
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 |
CN113239393A (zh) * | 2021-04-29 | 2021-08-10 | 重庆邮电大学 | 纵向联邦k-Means隐私保护方法、装置及电子设备 |
CN113239393B (zh) * | 2021-04-29 | 2022-03-22 | 重庆邮电大学 | 纵向联邦k-Means隐私保护方法、装置及电子设备 |
CN113313160A (zh) * | 2021-05-24 | 2021-08-27 | 南京邮电大学 | 一种基于消费数据和同态加密算法的消费人群分类方法 |
CN113313160B (zh) * | 2021-05-24 | 2022-09-23 | 南京邮电大学 | 一种基于消费数据和同态加密算法的消费人群分类方法 |
CN116992204A (zh) * | 2023-09-26 | 2023-11-03 | 蓝象智联(杭州)科技有限公司 | 一种基于隐私保护的数据点乘运算方法 |
CN116992204B (zh) * | 2023-09-26 | 2023-12-29 | 蓝象智联(杭州)科技有限公司 | 一种基于隐私保护的数据点乘运算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163292A (zh) | 基于向量同态加密的隐私保护k-means聚类方法 | |
CN108632248B (zh) | 数据加密方法、数据查询方法、装置、设备及存储介质 | |
US10489604B2 (en) | Searchable encryption processing system and searchable encryption processing method | |
CN110011784B (zh) | 支持隐私保护的knn分类服务系统及方法 | |
CN107145791A (zh) | 一种具有隐私保护的K‑means聚类方法及系统 | |
CN106663387A (zh) | 加密函数和解密函数生成方法、加密和解密方法以及相关装置 | |
CN104333446B (zh) | 一种新型超轻量级qtl分组密码实现方法 | |
CN103329478A (zh) | 密码系统、密码系统的密码处理方法、加密装置、加密程序、解密装置、解密程序、设置装置、设置程序、密钥生成装置、密钥生成程序、密钥移交装置以及密钥移交程序 | |
Thorat et al. | Implementation of new hybrid lightweight cryptosystem | |
CN111274594B (zh) | 一种基于区块链的安全大数据隐私保护共享方法 | |
CN104967693A (zh) | 面向云存储的基于全同态密码技术的文档相似度计算方法 | |
CN108063754A (zh) | 面向可穿戴健康监测设备匿名化数据的属性基加密方法 | |
CN109359588A (zh) | 一种新的隐私保护下非交互式的k近邻分类方法 | |
CN111600661B (zh) | 基于实时更新的混沌密钥分发的三维加密ofdm光系统 | |
CN109688143A (zh) | 一种面向云环境中隐私保护的聚类数据挖掘方法 | |
Mousavi et al. | Security of Internet of Things using RC4 and ECC algorithms (case study: smart irrigation systems) | |
CN103346875A (zh) | 混沌保密通信系统中数字混沌密码的产生方法 | |
Das et al. | Cryptanalysis of quantum secure direct communication protocol with mutual authentication based on single photons and bell states | |
CN102394746B (zh) | 一种基于数字传感器的称重系统的数据传输方法 | |
Ahmad et al. | Distributed text-to-image encryption algorithm | |
CN106888213A (zh) | 云密文访问控制方法及系统 | |
CN107852324A (zh) | 用于加密消息的方法和加密节点 | |
CN106656463A (zh) | 密钥固定的对称白盒密码加密方法和装置及设备 | |
KR100995123B1 (ko) | 암호화 방법, 클라이언트의 데이터 처리 방법 | |
Yin et al. | Two-step efficient quantum dialogue with three-particle entangled W state |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190823 |
|
RJ01 | Rejection of invention patent application after publication |