CN110719158A - 基于联合学习的边缘计算隐私保护系统及保护方法 - Google Patents

基于联合学习的边缘计算隐私保护系统及保护方法 Download PDF

Info

Publication number
CN110719158A
CN110719158A CN201910857164.9A CN201910857164A CN110719158A CN 110719158 A CN110719158 A CN 110719158A CN 201910857164 A CN201910857164 A CN 201910857164A CN 110719158 A CN110719158 A CN 110719158A
Authority
CN
China
Prior art keywords
client
server
data
edge
privacy protection
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.)
Granted
Application number
CN201910857164.9A
Other languages
English (en)
Other versions
CN110719158B (zh
Inventor
赵彦超
王鋆玙
薛方岗
张佳乐
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910857164.9A priority Critical patent/CN110719158B/zh
Publication of CN110719158A publication Critical patent/CN110719158A/zh
Application granted granted Critical
Publication of CN110719158B publication Critical patent/CN110719158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F21/602—Providing cryptographic facilities or services
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04L63/0442—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 wherein the sending and receiving network entities apply asymmetric encryption, i.e. different keys for encryption and decryption

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于联合学习的边缘计算隐私保护系统及保护方法，系统包括客户端和服务端，客户端用于本地训练并将更新后的参数添加扰动后加密发送到服务端，服务端接收客户端发送过来的加密数据，对其解密后进行本地参数更新，进而更新深度学习的模型；保护方法包括：步骤1、在客户端对参数添加扰动；步骤2、在客户端对数据进行加密；步骤3、在服务端对数据进行解密。本发明在无需任何可信聚合器的前提下使每个参与者可以安全地提交数据；通过以分布式方式向本地更新添加噪声扰动，其中扰动的更新用Paillier同态密码系统加密，安全性和性能分析表明PPFL协议可以同时保证客户端数据的隐私和学习的准确性，解决了隐私保护和学习准确率的冲突问题。

Description

基于联合学习的边缘计算隐私保护系统及保护方法
技术领域
本发明涉及分布式计算、差分隐私、数据加密和深度学习技术领域，尤其涉及一种基于设备联合学习的边缘计算隐私保护系统，同时还涉及一种基于设备联合学习的边缘计算隐私保护方法。
背景技术
随着物联网(IoT)和移动网络应用的快速发展，深度学习技术在诸如计算机视觉和语音识别等众多新兴应用中取得了巨大成功。机器学习，特别是深度学习被设想成为普遍提供的不可或缺的服务。然而，这种智能计算方案要求用户将其敏感数据外包给未知的第三方以获得机器学习服务，这对于这种情况下的隐私保护提出了很高的要求而不损害服务质量。作为深度学习的一种协作形式，联合学习(Federated Learning)是一种很有前途的学习模型，在隐私保护方面具有显着的优势。
联合学习：客户端下载当前模型，并通过分布式的放的学习本地数据来改进模型，然后将该改进，概括成一个比较小的专门更新(如梯度和权重的参数)加密发送到云端，与其他用户的更新即时整合，作为对共享模型的改进。所有的训练数据仍然在每名终端用户的设备中，用户不需要讲他们的私有数据样本共享到中央服务器。联合学习的优点在于同时实现了更智能的模型，更低功耗和更安全的用户隐私保护。
在最近与我们类似的工作中，阿巴迪等人提出了一种隐私深度学习方法，通过将高斯分布扰动添加到限幅梯度来保护用户的数据隐私。Geyer等人引入了用户端差分隐私联合学习机制，以保护共享学习模型不泄露每个参与者的更新。然而，这些工作假设存在信任聚合器，其执行噪声生成以保护用户的数据隐私。否则所有参与者必须在上传阶段之前为其更新添加合格的噪音，以保证差异隐私。然而，这种操作将导致严重的累积噪声并极大地损害全局模型的准确性。此外，Bonawitz等人提出了一种使用秘密共享方法的高维数据汇总协议，然而，在该聚合协议中为每个用户的数据产生扰动需要高通信成本，也易受恶意服务器的攻击。
发明内容
发明目的：为了解决现有技术中客户端数据隐私保护和深度学习训练准确性的矛盾，本发明的目的在于提供一种用户既能保护客户端隐私又能保证深度学习训练准确性的解决方案——隐私保护前提下的设备联合学习(privacy-preserving on-devicefederated learning，PPFL)解决方案，以提供分布式下的差异隐私和安全数据聚合，解决了在边缘计算中隐私保护与深度学习训练准确性的冲突问题。
技术方案：一种基于联合学习的边缘计算隐私保护系统，包括客户端和服务端，所述客户端用于本地训练，并将更新后的参数添加扰动后加密发送到服务端，所述服务端接收众多客户端发送过来的加密数据后，经过解密之后对更新服务器端模型参数进行更新，并再次向客户端发放新的模型。
一种基于所述基于联合学习的边缘计算隐私保护系统的边缘计算隐私保护方法，包括如下步骤：
(1)由可信任机构TA执行Paillier同态密码系统的KeyGen算法，并生成私钥/公钥对PKp和SKp；将公钥和私钥分别发放给客户端和服务器；
(2)客户端通过服务器分发的模型初始化参数w；
(3)客户端通过梯度下降的方式计算出权重更新量Δw；
(4)客户端生成服从几何分布的随机噪声扰动并将其添加到权重更新量Δw上；
(5)客户端使用公钥对添加扰动后的更新量执行加密算法；
(6)各客户端将更新后的密文
Figure BDA0002198661510000021
发送到服务器；
(7)服务器接收到客户端更新的密文
Figure BDA0002198661510000022
后，选择初始化全局参数
(8)服务器聚合各客户端的更新，通过私钥执行解密算法得到全局更新量；
(9)服务器将全局参数
Figure BDA0002198661510000024
更新为
Figure BDA0002198661510000025
并将新的全局参数
Figure BDA0002198661510000026
分发到各客户端；
(10)跳转到步骤(2)循环执行这一过程。
进一步的，所述步骤(3)中计算权重更新量Δw的具体步骤如下：
(3.1)定义循环变量Ek用来遍历总共训练的Epoch数，Ek赋初值为1；
(3.2)如果Ek≤E，E为共需训练的Epoch数，则跳转到步骤(3.3)，否则结束这一步骤；
(3.3)输入当前权重w计算预测值及预测值和真实值zi之间的误差
Figure BDA0002198661510000027
(3.4)将原权重w减去系数η和误差的乘积，调整相应的权重值以减小误差；
(3.5)将调整后的权重
Figure BDA0002198661510000029
减去被分发到的权重求出
Figure BDA00021986615100000211
(3.6)Ek＝Ek+1；
(3.7)跳转到步骤(3.2)。
进一步的，所述步骤(4)中在客户端对权重添加扰动的具体步骤如下：
(4.1)根据加密方案中使用的离散组，使用可被视为拉普拉斯离散近似的几何分布Geo(α)生成随机噪声，对于任意整数z，其概率质量函数为：
Figure BDA00021986615100000212
其中α∈(0,1)；
(4.2)将Geo(α)添加到每个参与者的原始数据，构建DD-Private数据扰动：
Figure BDA00021986615100000213
其中，
Figure BDA00021986615100000214
是敏感系数S的缩放函数。通过上述定义，将Geo(α)噪声合并到用户的数据中，实现α-DP。
进一步的，所述步骤(5)中在客户端对数据进行加密的具体步骤如下：
(5.1)客户端获得公钥PKP后，执行加密算法以生成其私有值
Figure BDA0002198661510000031
的密文
Figure BDA0002198661510000032
Figure BDA0002198661510000033
其中，
Figure BDA0002198661510000034
表示参与者i在第t回合通信中的噪声明文，且
Figure BDA0002198661510000035
仅为用户ui所知。
进一步的，所述步骤(8)中在在服务端对数据进行聚合和解密的具体步骤如下：
(8.1)服务器收到客户端加密更新后运行具有Paillier同态属性的聚合算法并获得聚合结果：
Figure BDA0002198661510000036
其中，
Figure BDA0002198661510000037
为各客户端发送的密文。
(8.2)服务器通过使用Paillier私钥SKp进一步解密聚合结果：
其中，λ来自私钥SKp＝(μ,λ)。
和现有技术相比，本发明具有如下显著优点：本发明使用设备联合学习方法提供分布式差异隐私和安全数据聚合，解决了隐私保护和学习准确率的冲突问题。另外，本发明使用的联合学习方法发展迅速且前景广阔，为本发明的推广创造了条件。本发明对实现以安全、高效、可扩展、容错的方式进行模型的更新和聚合的做出的探索和贡献，推动了深度学习在移动设备上的应用和模型共享的发展趋势。最后，本发明的设计保证了整个机制的真实性。
附图说明：
图1为本发明提出的系统结构流程图。
具体实施方式：
以下结合附图和具体实例对本发明的技术方案做具体的介绍。
本发明的系统由两部分组成：客户端和服务端。客户端主要是指智能手机这样的小型客户计算设备，主要作用是在本地训练，然后将更新后的参数添加扰动后加密发送到服务端。服务端主要是指服务器，主要作用是接收众多客户端发送过来的加密数据，经过解密之后对本地参数进行更新，进而更新深度学习的模型，如附图1展示了为本系统的客户端、服务端关系模型。
基于上述系统模型，本发明的一种基于设备联合学习的边缘计算隐私保护方法，包括如下步骤：
1)向原始数据添加扰动。在PPFL系统中，参与者不信任聚合器或其他用户，在这种情况下我们无法授权不受信任的聚合器具有噪声生成的任务，因为真实数据可能会向聚合器显示，这将损害差异隐私。因此，我们考虑让用户自己添加对其私有数据的扰动。常用扰动有高斯分布，拉普拉斯分布等，根据加密方案中使用的离散组，本发明使用服从几何分布的噪声来生成扰动，它可以被视为拉普拉斯分布的离散近似。我们通过向每个参与者的原始数据添加几何分布噪声来构建DD-Private数据扰动。
2)密钥生成和数据加密。一般加密方案关注的都是数据存储安全，即对数据进行加密后在发送或者存储。没有密钥的用户，不可能从加密结果中得到有关原始数据的任何信息。只有拥有密钥的用户才能够正确解密，得到原始的内容。我们注意到，这个过程中用户是不能对加密结果做任何操作的，只能进行存储、传输。对加密结果做任何操作，都将会导致错误的解密，甚至解密失败。而同态加密方案关注的是数据处理安全，更适合在云计算中加以运用。同态加密提供了一种对加密数据进行处理的功能，也就是说，其他人可以对加密数据进行处理，但是处理过程不会泄露任何原始内容。同时，拥有密钥的用户对处理过的数据进行解密后，得到的正好是处理后的结果。由于移动端设备计算能力相对较弱，因此使用同态加密算法将加密过程交给云来完成更符合本方案的加密需求。本方案中通过可传输数据的可信任机构TA运行Paillier同态密码系统的KeyGen算法，并生成私钥/公钥对PKP和SKP，后续再将公钥和私钥分别发放给客户端和服务器。
3)数据解密和聚合。一旦收到加密更新，服务器首先运行具有Paillier同态属性的聚合算法并获得聚合结果，然后，服务器再通过使用接收到的Paillier私钥SKP进一步解密聚合结果。最后将得到的权重参数用于更新服务器端模型。
实施例
步骤1：在客户端对参数添加扰动。
我们考虑让用户自己添加对其私有数据的扰动。根据加密方案中使用的离散组，我们使用几何分布(Geo)，它可以被视为拉普拉斯分布的离散近似。对于任意整数z，其概率质量函数为:
其中参数α∈(0,1).
我们可以简单地通过将Geo(α)添加到每个参与者的原始数据来构建DD-Private数据扰动：
Figure BDA0002198661510000042
其中，
Figure BDA0002198661510000043
是敏感系数S的缩放函数，上述定义意味着如果将Geo(α)噪声合并到用户的数据中，则会实现α-DP。
步骤2：在客户端对数据进行加密。
在我们的PPFL系统中存在一个可信任的权限(trusted authority,TA)，这个可信任的权限可以将密钥发送到客户端和服务器。TA仅参与初始化阶段，不会加入后续过程。TA运行Paillier同态密码系统的KeyGen算法，并生成私钥/公钥对：PKP＝(n,g),SKP＝(μ,λ)
之后，它将公钥PKP发送给采样的客户端，并通过安全通道将私钥SKP分配给服务器。我们假设每个参与者在加密之前将噪声r加入到他的数据x中，
Figure BDA0002198661510000051
表示参与者i在第t回合通信中的噪声明文。每个客户从TA获得公共密钥PKP，他执行加密算法为其私有值
Figure BDA0002198661510000052
生成密文。客户端ui随机生成值
Figure BDA0002198661510000053
并生成密文，如下所示：
Figure BDA0002198661510000054
注意，其中
Figure BDA0002198661510000055
仅为用户ui所知。
然后，客户端通过公共信道将密文
Figure BDA0002198661510000056
发送到服务端。
步骤3：在服务端对数据进行解密。
设mt∈U是某个通信回合t中的采样客户端。一旦收到mt加密更新，服务器S首先运行具有Paillier同态属性的聚合算法并获得聚合结果：
Figure BDA0002198661510000057
其中，
Figure BDA0002198661510000058
然后服务器S通过使用Paillier私钥SKp＝(μ,λ)进一步解密聚合结果，如下公式所示：
Figure BDA0002198661510000059
算法1中显示了整体PPFL方案的伪代码。
算法1：
Figure BDA0002198661510000061
综上，本发明是为提供分布式差异隐私和安全数据聚合同时保证学习准确率提出的一种隐私设备联合学习(PPFL)方案，其具有如下实质性特点和显著进步：
(1)使每个参与者安全地提交数据以执行总聚合而无需任何可信聚合器。近期许多旨在改善联合学习的用户方隐私的方案被提出，这些工作或假设存在信任聚合器，易受恶意服务器的攻击；或者需要参与者在上传之前为其更新添加合格的噪音，导致了严重的累积噪声并极大地损害全局模型的准确性。而本发明提出的基于分布式差异隐私(DD-Privacy)机制和安全数据聚合(SDA)方法的隐私保护设备联合学习方案，可以同时保证用户隐私和学习准确性。
(2)提出了一种基于分布式差异隐私方法的有效的用户级数据扰动机制；
(3)通过集成Paillier同态密码系统设计安全和汇总方法；
(4)通过安全性和性能分析保证客户端隐私的保护和学习的准确性。首先从理论上分析了PPFL通过个人更新和聚合数据保护用户端隐私的可行性，然后将PPFL方案实施为基准数据集MNIST上的图像分类任务，量化并证明了本方案的有效性和准确性。

Claims (6)

1.一种基于联合学习的边缘计算隐私保护系统，其特征在于：包括客户端和服务端，所述客户端用于本地训练，并将更新后的参数添加扰动后加密发送到服务端，所述服务端接收众多客户端发送过来的加密数据后，经过解密之后对更新服务器端模型参数进行更新，并再次向客户端发放新的模型。
2.一种基于如权利要求1所述基于联合学习的边缘计算隐私保护系统的边缘计算隐私保护方法，其特征在于，包括如下步骤：
(1)由可信任机构TA执行Paillier同态密码系统的KeyGen算法，并生成私钥/公钥对PKp和SKp；将公钥和私钥分别发放给客户端和服务器；
(2)客户端通过服务器分发的模型初始化参数w；
(3)客户端通过梯度下降的方式计算出权重更新量Δw；
(4)客户端生成服从几何分布的随机噪声扰动并将其添加到权重更新量Δw上；
(5)客户端使用公钥对添加扰动后的更新量执行加密算法；
(6)各客户端将更新后的密文
Figure FDA0002198661500000011
发送到服务器；
(7)服务器接收到客户端更新的密文
Figure FDA0002198661500000012
后，选择初始化全局参数
(8)服务器聚合各客户端的更新，通过私钥执行解密算法得到全局更新量；
(9)服务器将全局参数
Figure FDA0002198661500000014
更新为
Figure FDA0002198661500000015
并将新的全局参数
Figure FDA0002198661500000016
分发到各客户端；
(10)跳转到步骤(2)循环执行这一过程。
3.根据权利要求2所属的基于联合学习的边缘计算隐私保护系统的边缘计算隐私保护方法，其特在于，所述步骤(3)中计算权重更新量Δw的具体步骤如下：
(3.1)定义循环变量Ek用来遍历总共训练的Epoch数，Ek赋初值为1；
(3.2)如果Ek≤E，E为共需训练的Epoch数，则跳转到步骤(3.3)，否则结束这一步骤；
(3.3)输入当前权重w计算预测值及预测值和真实值zi之间的误差
Figure FDA0002198661500000017
(3.4)将原权重w减去系数η和误差
Figure FDA0002198661500000018
的乘积，调整相应的权重值以减小误差；
(3.5)将调整后的权重减去被分发到的权重
Figure FDA00021986615000000110
求出
Figure FDA00021986615000000111
(3.6)Ek＝Ek+1；
(3.7)跳转到步骤(3.2)。
4.根据权利要求2所属的基于联合学习的边缘计算隐私保护系统的边缘计算隐私保护方法，其特征在于，所述步骤(4)中在客户端对权重添加扰动的具体步骤如下：
(4.1)根据加密方案中使用的离散组，使用可被视为拉普拉斯离散近似的几何分布Geo(α)生成随机噪声，对于任意整数z，其概率质量函数为：
Figure FDA00021986615000000112
其中α∈(0,1)；
(4.2)将Geo(α)添加到每个参与者的原始数据，构建DD-Private数据扰动：
Figure FDA0002198661500000021
其中，是敏感系数S的缩放函数。通过上述定义，将Geo(α)噪声合并到用户的数据中，实现α-DP。
5.根据权利要求2所属的基于联合学习的边缘计算隐私保护系统的边缘计算隐私保护方法，其特征在于，所述步骤(5)中在客户端对数据进行加密的具体步骤如下：
(5.1)客户端获得公钥PKP后，执行加密算法以生成其私有值
Figure FDA0002198661500000023
的密文
Figure FDA0002198661500000024
Figure FDA0002198661500000025
其中，
Figure FDA0002198661500000026
表示参与者i在第t回合通信中的噪声明文，且rt (i)仅为用户ui所知。
6.根据权利要求2所属的基于联合学习的边缘计算隐私保护系统的边缘计算隐私保护方法，其特征在于，所述步骤(8)中在在服务端对数据进行聚合和解密的具体步骤如下：
(8.1)服务器收到客户端加密更新后运行具有Paillier同态属性的聚合算法并获得聚合结果：
其中，
Figure FDA0002198661500000028
Figure FDA0002198661500000029
为各客户端发送的密文。
(8.2)服务器通过使用Paillier私钥SKp进一步解密聚合结果：
其中，λ来自私钥SKp＝(μ,λ)。
CN201910857164.9A 2019-09-11 2019-09-11 基于联合学习的边缘计算隐私保护系统及保护方法 Active CN110719158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910857164.9A CN110719158B (zh) 2019-09-11 2019-09-11 基于联合学习的边缘计算隐私保护系统及保护方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910857164.9A CN110719158B (zh) 2019-09-11 2019-09-11 基于联合学习的边缘计算隐私保护系统及保护方法

Publications (2)

Publication Number Publication Date
CN110719158A true CN110719158A (zh) 2020-01-21
CN110719158B CN110719158B (zh) 2021-11-23

Family

ID=69209849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910857164.9A Active CN110719158B (zh) 2019-09-11 2019-09-11 基于联合学习的边缘计算隐私保护系统及保护方法

Country Status (1)

Country Link
CN (1) CN110719158B (zh)

Cited By (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046857A (zh) * 2020-03-13 2020-04-21 同盾控股有限公司 基于知识联邦的人脸识别方法、装置、设备、介质及系统
CN111340453A (zh) * 2020-02-28 2020-06-26 深圳前海微众银行股份有限公司 联邦学习开发方法、装置、设备及存储介质
CN111447083A (zh) * 2020-03-10 2020-07-24 中国人民解放军国防科技大学 动态带宽和不可靠网络下的联邦学习架构及其压缩算法
CN111460478A (zh) * 2020-03-30 2020-07-28 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
CN111475852A (zh) * 2020-06-19 2020-07-31 支付宝(杭州)信息技术有限公司 基于隐私保护针对业务模型进行数据预处理的方法及装置
CN111563265A (zh) * 2020-04-27 2020-08-21 电子科技大学 一种基于隐私保护的分布式深度学习方法
CN111581663A (zh) * 2020-04-30 2020-08-25 电子科技大学 面向非规则用户的保护隐私的联邦深度学习方法
CN111581648A (zh) * 2020-04-06 2020-08-25 电子科技大学 在不规则用户中保留隐私的联邦学习的方法
CN111611610A (zh) * 2020-04-12 2020-09-01 西安电子科技大学 联邦学习信息处理方法、系统、存储介质、程序、终端
CN111756848A (zh) * 2020-06-28 2020-10-09 河海大学 移动边缘环境下基于联邦学习和移动感知的QoS优化方法
CN111814190A (zh) * 2020-08-21 2020-10-23 安徽大学 一种基于差分隐私的分布式深度学习优化的隐私保护方法
CN111832729A (zh) * 2020-07-06 2020-10-27 东南数字经济发展研究院 一种保护数据隐私的分布式深度学习推理部署方法
CN111861716A (zh) * 2020-07-23 2020-10-30 北京睿知图远科技有限公司 一种基于软件系统的贷中监控预警等级生成方法
CN111859440A (zh) * 2020-08-21 2020-10-30 安徽大学 基于混合协议的分布式隐私保护逻辑回归模型的样本分类方法
CN111860832A (zh) * 2020-07-01 2020-10-30 广州大学 一种基于联邦学习的增强神经网络防御能力的方法
CN112329009A (zh) * 2020-10-12 2021-02-05 南京理工大学 一种针对联合学习中噪声攻击的防御方法
CN112348192A (zh) * 2020-09-18 2021-02-09 同盾控股有限公司 基于知识联邦的知识推理方法、系统、设备及介质
CN112383396A (zh) * 2021-01-08 2021-02-19 索信达(北京)数据技术有限公司 一种联邦学习模型训练方法及系统
CN112749392A (zh) * 2021-01-07 2021-05-04 西安电子科技大学 一种联邦学习中异常节点的检测方法及系统
CN112763845A (zh) * 2020-12-23 2021-05-07 广东电网有限责任公司梅州供电局 基于联邦学习的边缘物联网固件故障检测方法和系统
CN112799708A (zh) * 2021-04-07 2021-05-14 支付宝(杭州)信息技术有限公司 联合更新业务模型的方法及系统
CN112883387A (zh) * 2021-01-29 2021-06-01 南京航空航天大学 一种面向机器学习全流程的隐私保护方法
CN112966298A (zh) * 2021-03-01 2021-06-15 广州大学 一种复合隐私保护方法、系统、计算机设备及存储介质
CN113055902A (zh) * 2021-03-25 2021-06-29 中国科学院计算技术研究所 一种智能化的移动通信网络系统
CN113159332A (zh) * 2020-01-23 2021-07-23 华为技术有限公司 实现模型更新的方法及其设备
CN113282933A (zh) * 2020-07-17 2021-08-20 中兴通讯股份有限公司 联邦学习方法、装置和系统、电子设备、存储介质
CN113312177A (zh) * 2021-05-11 2021-08-27 南京航空航天大学 一种基于联邦学习的无线边缘计算系统、优化方法
CN113360927A (zh) * 2021-06-15 2021-09-07 河海大学 一种数据共享的两阶段隐私保护方法
WO2021199053A1 (en) * 2020-04-03 2021-10-07 Telefonaktiebolaget Lm Ericsson (Publ) Communications system, first node, second node, third node and methods performed thereby for handling a prediction of an event
CN113614726A (zh) * 2021-06-10 2021-11-05 香港应用科技研究院有限公司 对联邦学习系统的动态差异隐私
CN113642738A (zh) * 2021-08-12 2021-11-12 上海大学 基于层次式网络结构的多方安全协作机器学习方法及系统
CN113645187A (zh) * 2021-07-06 2021-11-12 暨南大学 隐私度量和保护策略选择方法、装置、服务器和存储介质
CN113704778A (zh) * 2021-07-16 2021-11-26 杭州医康慧联科技股份有限公司 基于同态加密的机器学习线性模型预测方法
CN113742779A (zh) * 2021-09-18 2021-12-03 湖北工业大学 一种具有隐私保护的服务定制系统与方法
CN113810168A (zh) * 2020-12-30 2021-12-17 京东科技控股股份有限公司 机器学习模型的训练方法、服务器及计算机设备
CN114239070A (zh) * 2021-12-23 2022-03-25 电子科技大学 在联邦学习中移除非规则用户的隐私保护方法
TWI769754B (zh) * 2020-04-10 2022-07-01 大陸商支付寶（杭州）信息技術有限公司 基於隱私保護確定目標業務模型的方法及裝置
WO2022156054A1 (zh) * 2021-01-19 2022-07-28 山东大学 一种适用于边缘物联代理装置的边缘数据加密方法
CN114866256A (zh) * 2022-04-28 2022-08-05 杭州趣链科技有限公司 基于差分隐私和同态加密的口令安全获取方法、设备及存储介质
CN115719116A (zh) * 2022-11-21 2023-02-28 重庆大学 一种电力负荷预测方法、装置及终端设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732978A (zh) * 2015-03-12 2015-06-24 上海交通大学 基于联合深度学习的文本相关的说话人识别方法
US20150278200A1 (en) * 2014-04-01 2015-10-01 Microsoft Corporation Convolutional Latent Semantic Models and their Applications
CN105279556A (zh) * 2015-11-05 2016-01-27 国家卫星海洋应用中心 一种浒苔检测方法和装置
CN106997346A (zh) * 2017-06-05 2017-08-01 深圳市唯特视科技有限公司 一种基于无监督方式对教学视频进行指代消解的方法
CN107135061A (zh) * 2017-04-17 2017-09-05 北京科技大学 一种5g通信标准下的分布式隐私保护机器学习方法
US20170300556A1 (en) * 2014-02-24 2017-10-19 Entefy Inc. System and method of dynamic, encrypted searching
CN108712260A (zh) * 2018-05-09 2018-10-26 曲阜师范大学 云环境下保护隐私的多方深度学习计算代理方法
CN109684855A (zh) * 2018-12-17 2019-04-26 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
US20190132708A1 (en) * 2017-10-30 2019-05-02 Apple Inc. Expanded Implementation of Enhanced Broadcast Multicast Services for Broadcast Multicast Content Selection and Service

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170300556A1 (en) * 2014-02-24 2017-10-19 Entefy Inc. System and method of dynamic, encrypted searching
US20150278200A1 (en) * 2014-04-01 2015-10-01 Microsoft Corporation Convolutional Latent Semantic Models and their Applications
CN104732978A (zh) * 2015-03-12 2015-06-24 上海交通大学 基于联合深度学习的文本相关的说话人识别方法
CN105279556A (zh) * 2015-11-05 2016-01-27 国家卫星海洋应用中心 一种浒苔检测方法和装置
CN107135061A (zh) * 2017-04-17 2017-09-05 北京科技大学 一种5g通信标准下的分布式隐私保护机器学习方法
CN106997346A (zh) * 2017-06-05 2017-08-01 深圳市唯特视科技有限公司 一种基于无监督方式对教学视频进行指代消解的方法
US20190132708A1 (en) * 2017-10-30 2019-05-02 Apple Inc. Expanded Implementation of Enhanced Broadcast Multicast Services for Broadcast Multicast Content Selection and Service
CN108712260A (zh) * 2018-05-09 2018-10-26 曲阜师范大学 云环境下保护隐私的多方深度学习计算代理方法
CN109684855A (zh) * 2018-12-17 2019-04-26 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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PINGZHANG GOU: "Low Energy Consumption and High-Precision Time Synchronization Algorithm Based on Improved TPSN in wireless Sensor Networks", 《IEEE》 *
RUONAN LIU: "Artifical intelligence for fault diagnosis of rotating machinery:A review", 《SCIENCEDIRECT》 *
唐鹏: "深度学习中的隐私保护技术综述", 《通信安全域通信保密》 *
赵佳乐: "边缘计算数据安全域隐私保护研究综述", 《通信学报》 *

Cited By (61)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159332B (zh) * 2020-01-23 2024-01-30 华为技术有限公司 实现模型更新的方法及其设备
WO2021147373A1 (zh) * 2020-01-23 2021-07-29 华为技术有限公司 实现模型更新的方法及其设备
CN113159332A (zh) * 2020-01-23 2021-07-23 华为技术有限公司 实现模型更新的方法及其设备
CN111340453A (zh) * 2020-02-28 2020-06-26 深圳前海微众银行股份有限公司 联邦学习开发方法、装置、设备及存储介质
CN111447083A (zh) * 2020-03-10 2020-07-24 中国人民解放军国防科技大学 动态带宽和不可靠网络下的联邦学习架构及其压缩算法
CN111447083B (zh) * 2020-03-10 2022-10-21 中国人民解放军国防科技大学 动态带宽和不可靠网络下的联邦学习架构及其压缩算法
CN111046857A (zh) * 2020-03-13 2020-04-21 同盾控股有限公司 基于知识联邦的人脸识别方法、装置、设备、介质及系统
CN111460478A (zh) * 2020-03-30 2020-07-28 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
WO2021199053A1 (en) * 2020-04-03 2021-10-07 Telefonaktiebolaget Lm Ericsson (Publ) Communications system, first node, second node, third node and methods performed thereby for handling a prediction of an event
CN111581648B (zh) * 2020-04-06 2022-06-03 电子科技大学 在不规则用户中保留隐私的联邦学习的方法
CN111581648A (zh) * 2020-04-06 2020-08-25 电子科技大学 在不规则用户中保留隐私的联邦学习的方法
TWI769754B (zh) * 2020-04-10 2022-07-01 大陸商支付寶（杭州）信息技術有限公司 基於隱私保護確定目標業務模型的方法及裝置
CN111611610A (zh) * 2020-04-12 2020-09-01 西安电子科技大学 联邦学习信息处理方法、系统、存储介质、程序、终端
CN111611610B (zh) * 2020-04-12 2023-05-30 西安电子科技大学 联邦学习信息处理方法、系统、存储介质、程序、终端
CN111563265A (zh) * 2020-04-27 2020-08-21 电子科技大学 一种基于隐私保护的分布式深度学习方法
CN111581663B (zh) * 2020-04-30 2022-05-03 电子科技大学 面向非规则用户的保护隐私的联邦深度学习方法
CN111581663A (zh) * 2020-04-30 2020-08-25 电子科技大学 面向非规则用户的保护隐私的联邦深度学习方法
CN111475852A (zh) * 2020-06-19 2020-07-31 支付宝(杭州)信息技术有限公司 基于隐私保护针对业务模型进行数据预处理的方法及装置
CN111756848B (zh) * 2020-06-28 2021-05-11 河海大学 移动边缘环境下基于联邦学习和移动感知的QoS优化方法
CN111756848A (zh) * 2020-06-28 2020-10-09 河海大学 移动边缘环境下基于联邦学习和移动感知的QoS优化方法
CN111860832A (zh) * 2020-07-01 2020-10-30 广州大学 一种基于联邦学习的增强神经网络防御能力的方法
CN111832729A (zh) * 2020-07-06 2020-10-27 东南数字经济发展研究院 一种保护数据隐私的分布式深度学习推理部署方法
CN113282933B (zh) * 2020-07-17 2022-03-01 中兴通讯股份有限公司 联邦学习方法、装置和系统、电子设备、存储介质
CN113282933A (zh) * 2020-07-17 2021-08-20 中兴通讯股份有限公司 联邦学习方法、装置和系统、电子设备、存储介质
CN111861716A (zh) * 2020-07-23 2020-10-30 北京睿知图远科技有限公司 一种基于软件系统的贷中监控预警等级生成方法
CN111861716B (zh) * 2020-07-23 2021-06-22 北京睿知图远科技有限公司 一种基于软件系统的贷中监控预警等级生成方法
CN111859440B (zh) * 2020-08-21 2022-12-23 安徽大学 基于混合协议的分布式隐私保护逻辑回归模型的样本分类方法
CN111814190B (zh) * 2020-08-21 2022-12-23 安徽大学 一种基于差分隐私的分布式深度学习优化的隐私保护方法
CN111859440A (zh) * 2020-08-21 2020-10-30 安徽大学 基于混合协议的分布式隐私保护逻辑回归模型的样本分类方法
CN111814190A (zh) * 2020-08-21 2020-10-23 安徽大学 一种基于差分隐私的分布式深度学习优化的隐私保护方法
CN112348192A (zh) * 2020-09-18 2021-02-09 同盾控股有限公司 基于知识联邦的知识推理方法、系统、设备及介质
CN112329009A (zh) * 2020-10-12 2021-02-05 南京理工大学 一种针对联合学习中噪声攻击的防御方法
CN112329009B (zh) * 2020-10-12 2022-12-06 南京理工大学 一种针对联合学习中噪声攻击的防御方法
CN112763845A (zh) * 2020-12-23 2021-05-07 广东电网有限责任公司梅州供电局 基于联邦学习的边缘物联网固件故障检测方法和系统
CN112763845B (zh) * 2020-12-23 2022-07-08 广东电网有限责任公司梅州供电局 基于联邦学习的边缘物联网固件故障检测方法和系统
CN113810168A (zh) * 2020-12-30 2021-12-17 京东科技控股股份有限公司 机器学习模型的训练方法、服务器及计算机设备
CN112749392A (zh) * 2021-01-07 2021-05-04 西安电子科技大学 一种联邦学习中异常节点的检测方法及系统
CN112749392B (zh) * 2021-01-07 2022-10-04 西安电子科技大学 一种联邦学习中异常节点的检测方法及系统
CN112383396B (zh) * 2021-01-08 2021-05-04 索信达(北京)数据技术有限公司 一种联邦学习模型训练方法及系统
CN112383396A (zh) * 2021-01-08 2021-02-19 索信达(北京)数据技术有限公司 一种联邦学习模型训练方法及系统
WO2022156054A1 (zh) * 2021-01-19 2022-07-28 山东大学 一种适用于边缘物联代理装置的边缘数据加密方法
CN112883387A (zh) * 2021-01-29 2021-06-01 南京航空航天大学 一种面向机器学习全流程的隐私保护方法
CN112966298B (zh) * 2021-03-01 2022-02-22 广州大学 一种复合隐私保护方法、系统、计算机设备及存储介质
CN112966298A (zh) * 2021-03-01 2021-06-15 广州大学 一种复合隐私保护方法、系统、计算机设备及存储介质
CN113055902B (zh) * 2021-03-25 2022-04-22 中国科学院计算技术研究所 一种智能化的移动通信网络系统
CN113055902A (zh) * 2021-03-25 2021-06-29 中国科学院计算技术研究所 一种智能化的移动通信网络系统
CN112799708A (zh) * 2021-04-07 2021-05-14 支付宝(杭州)信息技术有限公司 联合更新业务模型的方法及系统
CN113312177A (zh) * 2021-05-11 2021-08-27 南京航空航天大学 一种基于联邦学习的无线边缘计算系统、优化方法
CN113312177B (zh) * 2021-05-11 2024-03-26 南京航空航天大学 一种基于联邦学习的无线边缘计算系统、优化方法
CN113614726A (zh) * 2021-06-10 2021-11-05 香港应用科技研究院有限公司 对联邦学习系统的动态差异隐私
CN113360927A (zh) * 2021-06-15 2021-09-07 河海大学 一种数据共享的两阶段隐私保护方法
CN113645187A (zh) * 2021-07-06 2021-11-12 暨南大学 隐私度量和保护策略选择方法、装置、服务器和存储介质
CN113645187B (zh) * 2021-07-06 2023-04-11 暨南大学 隐私度量和保护策略选择方法、装置、服务器和存储介质
CN113704778A (zh) * 2021-07-16 2021-11-26 杭州医康慧联科技股份有限公司 基于同态加密的机器学习线性模型预测方法
CN113642738A (zh) * 2021-08-12 2021-11-12 上海大学 基于层次式网络结构的多方安全协作机器学习方法及系统
CN113642738B (zh) * 2021-08-12 2023-09-01 上海大学 基于层次式网络结构的多方安全协作机器学习方法及系统
CN113742779A (zh) * 2021-09-18 2021-12-03 湖北工业大学 一种具有隐私保护的服务定制系统与方法
CN113742779B (zh) * 2021-09-18 2024-03-22 湖北工业大学 一种具有隐私保护的服务定制系统与方法
CN114239070A (zh) * 2021-12-23 2022-03-25 电子科技大学 在联邦学习中移除非规则用户的隐私保护方法
CN114866256A (zh) * 2022-04-28 2022-08-05 杭州趣链科技有限公司 基于差分隐私和同态加密的口令安全获取方法、设备及存储介质
CN115719116A (zh) * 2022-11-21 2023-02-28 重庆大学 一种电力负荷预测方法、装置及终端设备

Also Published As

Publication number Publication date
CN110719158B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN110719158B (zh) 基于联合学习的边缘计算隐私保护系统及保护方法
Mishra et al. Delphi: A cryptographic inference system for neural networks
US8775792B2 (en) Method of and system for encryption and authentication
US8538020B1 (en) Hybrid client-server cryptography for network applications
US10635824B1 (en) Methods and apparatus for private set membership using aggregation for reduced communications
US10007797B1 (en) Transparent client-side cryptography for network applications
Kapoor et al. A hybrid cryptography technique for improving network security
CN105721146B (zh) 一种面向云存储基于smc的大数据共享方法
CN114338247A (zh) 数据传输方法和装置、电子设备、存储介质和程序产品
Erkin et al. Privacy-preserving user clustering in a social network
US7194621B1 (en) Method and apparatus for encrypting data communicated between a client and a server that use an unencrypted data transfer protocol
Olanrewaju et al. Enhancing cloud data security using hybrid of advanced encryption standard and blowfish encryption algorithms
Bangera et al. A hybrid encryption approach for secured authentication and enhancement in confidentiality of data
Will et al. Anonymous data sharing between organisations with elliptic curve cryptography
Al-juaifari Secure SMS Mobile Transaction with Peer to Peer Authentication Design for Mobile Government
Borse et al. Geo-Encryption: A location based encryption technique for data security
Patel A survey on security techniques used for confidentiality in cloud computing
Li et al. Secure and efficient covert communication for blockchain-integrated SAGINs
Joseph et al. Design a hybrid optimization and homomorphic encryption for securing data in a cloud environment
Chakrabarti et al. The security enhancement of symmetric key crypto mechanism based on double stage secret model
Al-Attab et al. Hybrid data encryption technique for data security in cloud computing
Liu et al. An ICN-Based Secure Task Cooperation in Challenging Wireless Edge Networks
Sakthivel et al. Advanced set containment deep learned Rabin certificateless signcryption for secured transmission with big data in cloud
Srimathi et al. Improved Cloud Storage Encryption Using Block Cipher-Based DNA Anti-Codify Model.
Venkateswarlu et al. Password security by encryption using an extended ADFGVX cipher

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