CN112152806A - 一种云辅助且支持隐私保护的图像识别方法、装置及设备 - Google Patents
一种云辅助且支持隐私保护的图像识别方法、装置及设备 Download PDFInfo
- Publication number
- CN112152806A CN112152806A CN202011026275.4A CN202011026275A CN112152806A CN 112152806 A CN112152806 A CN 112152806A CN 202011026275 A CN202011026275 A CN 202011026275A CN 112152806 A CN112152806 A CN 112152806A
- Authority
- CN
- China
- Prior art keywords
- calculation result
- matrix
- key
- cloud
- decrypted
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 211
- 238000004364 calculation method Methods 0.000 claims abstract description 176
- 238000012545 processing Methods 0.000 claims abstract description 89
- 238000012795 verification Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- H04L9/0863—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving passwords or one-time 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
- 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
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
- H04L9/0869—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving random numbers or seeds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioethics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种云辅助且支持隐私保护的图像识别方法、装置、设备及计算机可读存储介质,方法包括:从图像集包含的各图像中提取特征,根据特征得到特征矩阵;根据特征矩阵构建密钥,利用密钥对特征矩阵进行盲化,将盲化得到的处理矩阵发送至云服务器,获取云服务器对处理矩阵进行计算得到的计算结果;利用密钥对计算结果进行解密,对解密后计算结果进行校验,若校验通过,则利用解密后计算结果进行训练,以得到宽度学习模型;利用宽度学习模型对待识别图像进行识别。本申请公开的上述技术方案,通过盲化确保图像识别的隐私性,通过对解密后计算结果的校验来验证云计算结果的正确性,从而确保宽度学习模型的正确性,进而确保图像识别的正确性。
Description
技术领域
本申请涉及图像识别技术领域,更具体地说,涉及一种图像识别方法云辅助且支持隐私保护的图像识别方法、装置、设备及计算机可读存储介质。
背景技术
目前,在进行图像识别时,可以利用宽度学习算法进行模型训练,并利用训练得到的图像进行识别。其中,宽度学习算法是一种基于传统随机向量函数链神经网络的高效增量学习方法,当将其应用于深层结构神经网络的训练中时,其能够快速重构学习后的神经网络,而不需要从头开始训练。
目前,在基于宽度学习进行图像识别时,用于模型训练的图像越来越多,相应地,图像中所包含的特征也越来越多,宽度学习系统得到的矩阵维数可能达到数千甚至数百万,这就使得终端设备计算资源严重受限的情况下基本上不可能在本地执行这种复杂的宽度学习操作。为此,计算资源有限的客户可以考虑将宽度学习算法中最复杂、计算资源消耗最多的计算部分发送至拥有近乎无限计算资源的云服务器进行计算,以便于提高矩阵处理的效率,从而便于提高模型获取及图像识别的效率。但是,由于云内部的操作细节对用户是不透明的,因此,云是不可信的,其可能会泄露用户信息和商业秘密数据,而且云会为了节省资源或者会因存在软件漏洞和恶意外部攻击而返回随机结果,而这则会降低模型正确性,从而会降低图像识别的正确性。
综上所述,如何确保图像识别的隐私性和正确性,是目前本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本申请的目的是提供一种云辅助且支持隐私保护的图像识别方法、装置、设备及计算机可读存储介质,用于确保图像识别的隐私性和正确性。
为了实现上述目的,本申请提供如下技术方案:
一种云辅助且支持隐私保护的图像识别方法,应用于客户端,包括:
获取图像集,从所述图像集包含的各图像中提取特征,并根据所述特征得到特征矩阵;
根据所述特征矩阵构建密钥,并利用所述密钥对所述特征矩阵进行盲化,将盲化得到的处理矩阵发送至云服务器,并获取所述云服务器对所述处理矩阵进行计算得到的计算结果;
利用所述密钥对所述计算结果进行解密,并对解密后计算结果进行校验,若校验通过,则利用所述解密后计算结果进行训练,以得到宽度学习模型;
利用所述宽度学习模型对待识别图像进行识别。
优选的,若校验不通过,则还包括:
执行所述将盲化得到的处理矩阵发送至云服务器的步骤,直至所述解密后计算结果通过校验为止。
优选的,获取所述云服务器对所述处理矩阵进行计算得到的计算结果,包括:
接收所述云服务器返回的对所述处理矩阵进行计算得到的第一计算结果;
利用所述密钥对所述第一计算结果进行解密,根据解密后第一计算结果得到中间值,并利用所述密钥对所述中间值进行盲化,以得到处理中间值;
将所述处理矩阵及所述处理中间值发送给所述云服务器,并接收所述云服务器返回的对所述处理矩阵及所述处理中间值进行计算得到的第二计算结果;
相应地,利用所述密钥对所述计算结果进行解密,并对解密后计算结果进行校验,包括:
利用所述密钥对所述第二计算结果进行解密,并对解密后第二计算结果进行校验。
优选的,根据所述特征矩阵构建密钥,包括:
利用P(i,j)=ωiδ(π1(i),j)得到密钥矩阵P;其中,所述密钥矩阵P为稀疏正定矩阵,PPT=I,I为单位矩阵,ωi为预先生成的随机数,ωi的值为-1或1,π1为预先生成的随机置换,π1∈{1,...,m},i,j=1,...,m,m为所述特征矩阵的行数,当π1(i)=j时,δ(π1(i),j)=1,当π1≠j时,δ(π1(i),j)=0;
利用Q(i',j')=ai'δ(π2(i'),j')得到密钥矩阵Q;其中,Q-1(i',j')=ai -1δ(π2 -1(i'),j'),i',j'=1,...,n,ai'∈{1,...,n},n为所述特征矩阵的列数,ai'∈{a1,a2,...an},{a1,a2,...an}为预先生成的非零随机数组,π2为预先生成的随机置换,π2∈{1,...,n},当π2(i')=j'时,δ(π2(i'),j')=1,当π2(i')≠j'时,δ(π2(i'),j')=0;
相应地,利用所述密钥对所述特征矩阵进行盲化,包括:
根据Α'=PΑQ对所述特征矩阵Α进行盲化;其中,Α'为盲化得到的所述处理矩阵。
优选的,利用所述密钥对所述第一计算结果进行解密,根据解密后第一计算结果得到中间值,包括:
相应地,利用所述密钥对所述中间值进行盲化,包括:
优选的,利用所述密钥对所述第二计算结果进行解密,包括:
优选的,对解密后第二计算结果进行校验,包括:
判断所述解密后第二计算结果是否满足RAγ=γ,若是,则校验通过;其中,γ为预先生成的随机向量。
一种云辅助且支持隐私保护的图像识别装置,应用于客户端,包括:
获取模块,用于获取图像集,从所述图像集包含的各图像中提取特征,并根据所述特征得到特征矩阵;
盲化模块,用于根据所述特征矩阵构建密钥,并利用所述密钥对所述特征矩阵进行盲化,将盲化得到的处理矩阵发送至云服务器,获取所述云服务器对所述处理矩阵进行计算得到的计算结果;
解密模块,用于利用所述密钥对所述计算结果进行解密,并对解密后计算结果进行校验,若校验通过,则利用所述解密后计算结果进行训练,以得到宽度学习模型;
图像识别模块,用于利用所述宽度学习模型对待识别图像进行识别。
一种云辅助且支持隐私保护的图像识别设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任一项所述的云辅助且支持隐私保护的图像识别方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的云辅助且支持隐私保护的图像识别方法的步骤。
本申请提供了一种云辅助且支持隐私保护的图像识别方法、装置、设备及计算机可读存储介质,其中,该方法应用于客户端,包括:获取图像集,从图像集包含的各图像中提取特征,并根据特征得到特征矩阵;根据特征矩阵构建密钥,并利用密钥对特征矩阵进行盲化,将盲化得到的处理矩阵发送至云服务器,并获取云服务器对处理矩阵进行计算得到的计算结果;利用密钥对计算结果进行解密,并对解密后计算结果进行校验,若校验通过,则利用解密后计算结果进行训练,以得到宽度学习模型;利用宽度学习模型对待识别图像进行识别。
本申请公开的上述技术方案,根据从图像集包含的各图像中提取到的特征得到特征矩阵,利用特征矩阵得到密钥,并在利用密钥对特征矩阵进行盲化之后才将得到的处理矩阵发送至云服务器,之后,则获取云服务器对处理矩阵进行计算得到的计算结果,并利用密钥对计算结果进行解密,对解密后计算结果进行校验,若校验通过,则确定解密后计算结果是正确的,此时,可以利用解密后计算结果进行训练,以得到宽度学习模型,并利用宽度学习模型来对待识别图像进行识别,在上述过程中,可以通过将对特征矩阵的计算处理发送至云服务器进行计算处理,以降低客户端进行图像识别的压力,提高图像识别的效率,并可以通过盲化将特征矩阵中的隐私数据隐藏起来,以避免云服务器泄露特征矩阵中的隐私数据,从而确保图像识别的隐私性,且可以通过对解密后计算结果的校验来验证云计算结果的正确性,并仅在校验通过后才利用解密后计算结果进行训练来确保宽度学习模型获取的正确性,从而保证图像识别的正确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种云辅助且支持隐私保护的图像识别方法的流程图;
图2为本申请实施例提供的客户端与云服务器间的交互图;
图3为本申请实施例提供的单一云服务器进行计算的示意图;
图4为本申请实施例提供的一种云辅助且支持隐私保护的图像识别装置的结构示意图;
图5为本申请实施例提供的一种云辅助且支持隐私保护的图像识别设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1和图2,其中,图1示出了本申请实施例提供的一种云辅助且支持隐私保护的图像识别方法的流程图,图2示出了本申请实施例提供的客户端与云服务器间的交互图,本申请实施例提供的一种云辅助且支持隐私保护的图像识别方法,应用于客户端,可以包括:
S11:获取图像集,从图像集包含的各图像中提取特征,并根据特征得到特征矩阵。
在进行图像识别时,客户端可以先获取图像集,其中,该图像集中包含有大量的用于进行模型训练的图像。在获取图像集之后,可以分别从图像集包含的每个图像中提取特征,并利用提取出来的特征构建特征矩阵。
S12:根据特征矩阵构建密钥,并利用密钥对特征矩阵进行盲化,将盲化得到的处理矩阵发送至云服务器,并获取云服务器对处理矩阵进行计算得到的计算结果。
在执行完步骤S11之后,可以根据所构建出的特征矩阵构建密钥,并将密钥保存在客户端本地,以便于客户端利用密钥进行后续处理。
在构建完密钥之后,可以利用密钥对步骤S11得到的特征矩阵进行盲化,以得到与特征矩阵对应的处理矩阵,之后,可以将对特征矩阵进行盲化得到的处理矩阵发送至云服务器,同时可以将计算任务(该计算任务中包括云服务器应该对处理矩阵进行何种计算)发送至云服务器,由云服务器根据计算任务对处理矩阵进行计算,并得到与处理矩阵对应的计算结果。当然,该计算任务也可以由客户端提前发送到云服务器,以便于云服务器在接收到客户端发送的处理矩阵之后可以利用提前接收到的计算任务来对处理矩阵进行计算。
在上述过程中,可以通过盲化实现对特征矩阵的加密,从而可以将特征矩阵中的隐私数据隐藏和加密起来,以使得在利用云服务器对处理矩阵进行计算处理时可以尽量确保用户的个人隐私数和商业秘密数据不会被云服务器泄露,从而保证图像识别的隐私性。另外,由于云服务器拥有近乎无限的计算资源,因此,利用云服务器来对盲化得到的处理矩阵进行计算处理的方式则可以提高对其进行计算处理的效率,从而则可以降低客户端进行图像识别的压力,并便于提高模型的训练效率,进而便于提高图像识别的效率。
S13:利用密钥对计算结果进行解密,并对解密后计算结果进行校验,若校验通过,则利用解密后计算结果进行训练,以得到宽度学习模型。
客户端在获取云服务器对处理矩阵进行计算得到的计算结果之后,可以利用密钥对计算结果进行解密,以得到解密后计算结果,并可以对解密后计算结果进行校验,若解密后计算结果通过校验,则表明云服务器返回的是正确结果而并非是随机结果,此时,客户端则可以利用解密后计算结果来进行训练,以得到用于进行图像识别的宽度学习模型。
通过对解密后计算结果的校验可以保证云服务器返回计算结果的正确性,相应地,则可以提高宽度学习模型的正确性,从而则便于提高图像识别的正确性。
需要说明的是,为了降低图像识别的成本,客户端可以将盲化得到的处理矩阵发送给单个云服务器,由这单个云服务器进行处理计算。具体可以参见图3,其示出了本申请实施例提供的单一云服务器进行计算的示意图,计算过程涉及三个实体:客户端T、云服务器U'以及敌手A,其中,客户端T将特征矩阵利用密钥进行加密,然后传输给云服务器U',云服务器U'根据计算任务与处理矩阵将计算结果传给客户端T,客户端T再对数据进行解密,在该图中,环境E是云服务器编写程序的软件提供商,有可能存在写入恶意代码的行为,而客户端T能够通过对结果的校验检验出结果是否正确或者是检验出云服务器U'是否存在不端行为,敌手A是云服务器U'的拥有者,即时其想要在云服务器U'中窃取用户隐私,但因客户端T发送至云服务器U'的处理矩阵是经过加密处理的,因此,其无法从客户端T传送过来的处理矩阵中获取用户的隐私数据和商业秘密数据,从而便于保证图像识别的隐私性。
S14:利用宽度学习模型对待识别图像进行识别。
在得到宽度学习模型之后,可以利用宽度学习模型对待识别图像进行识别,并通过图像识别获取所需信息。
本申请公开的上述技术方案,根据从图像集包含的各图像中提取到的特征得到特征矩阵,利用特征矩阵得到密钥,并在利用密钥对特征矩阵进行盲化之后才将得到的处理矩阵发送至云服务器,之后,则获取云服务器对处理矩阵进行计算得到的计算结果,并利用密钥对计算结果进行解密,对解密后计算结果进行校验,若校验通过,则确定解密后计算结果是正确的,此时,可以利用解密后计算结果进行训练,以得到宽度学习模型,并利用宽度学习模型来对待识别图像进行识别,在上述过程中,可以通过将对特征矩阵的计算处理发送至云服务器进行计算处理,以降低客户端进行图像识别的压力,提高图像识别的效率,并可以通过盲化将特征矩阵中的隐私数据隐藏起来,以避免云服务器泄露特征矩阵中的隐私数据,从而确保图像识别的隐私性,且可以通过对解密后计算结果的校验来验证云计算结果的正确性,并仅在校验通过后才利用解密后计算结果进行训练来确保宽度学习模型获取的正确性,从而保证图像识别的正确性。
本申请实施例提供的一种云辅助且支持隐私保护的图像识别方法,若校验不通过,则还可以包括:
执行将盲化得到的处理矩阵发送至云服务器的步骤,直至解密后计算结果通过校验为止。
在客户端对解密后计算结果进行校验时,若检验不通过,则客户端可以输出错误,以便于用户及时获知校验未通过这一消息,且客户端可以返回执行步骤S12中的将盲化得到的处理矩阵发送至云服务器的步骤,即可以让云服务器重新对处理矩阵进行计算,并获取云服务器进行计算得到的新的计算结果,且客户端可以利用密钥对新的计算结果进行解密,且对解密后计算结果进行校验,若检验通过,则利用解密后计算结果进行校验,若校验不通过,则再次执行将盲化得到的处理矩阵发送至云服务器的步骤,直至解密后计算结果通过校验才利用解密后计算结果进行训练,从而确保宽度学习模型的正确性,进而确保图像识别的正确性。
本申请实施例提供的一种云辅助且支持隐私保护的图像识别方法,获取云服务器对处理矩阵进行计算得到的计算结果,可以包括:
接收云服务器返回的对处理矩阵进行计算得到的第一计算结果;
利用密钥对第一计算结果进行解密,根据解密后第一计算结果得到中间值,并利用密钥对中间值进行盲化,以得到处理中间值;
将处理矩阵及处理中间值发送给云服务器,并接收云服务器返回的对处理矩阵及处理中间值进行计算得到的第二计算结果;
相应地,利用密钥对计算结果进行解密,并对解密后计算结果进行校验,可以包括:
利用密钥对第二计算结果进行解密,并对解密后第二计算结果进行校验。
在本申请中,获取云服务器对处理矩阵进行计算得到的计算结果的具体过程可以包括:先接收云服务器返回的其对处理矩阵进行计算得到的第一计算结果,并利用之前所构建的密钥对第一计算结果进行解密,以得到解密后第一计算结果,且基于解密后第一计算结果得到中间值,然后,再利用密钥对所得到的中间值进行盲化,以通过盲化对中间值进行加密,从而将中间值中的隐私数据隐藏和加密起来,以使得云服务器在对处理矩阵进行计算处理时可以尽量确保用户的个人隐私数和商业秘密数据不会被云服务器泄露,进而保证图像识别的隐私性。之后,客户端可以将处理矩阵、对中间值进行盲化得到的处理中间值发送给云服务器,同时将计算任务(该计算任务中包括云服务器应对处理矩阵和中间值进行何种计算,其不同于前述仅将处理矩阵发送至云服务器对应的计算任务)发送给云服务器,以使得云服务器根据计算任务对处理矩阵和中间值进行计算而得到第二计算结果,并将第二计算结果返回给客户端。
相应地,客户端利用密钥对计算结果进行解密,并对解密后计算结果进行校验的具体过程即为:利用之前根据特征矩阵所构建的密钥对第二计算结果进行解密,以得到解密后第二计算结果,并对解密后第二计算结果进行校验。
在上述过程中,可以通过客户端对中间值的计算而便于提高第二计算结果计算的正确性,从而确保图像识别的正确性。
本申请实施例提供的一种云辅助且支持隐私保护的图像识别方法,根据特征矩阵构建密钥,可以包括:
利用P(i,j)=ωiδ(π1(i),j)得到密钥矩阵P;其中,密钥矩阵P为稀疏正定矩阵,PPT=I,I为单位矩阵,ωi为预先生成的随机数,ωi的值为-1或1,π1为预先生成的随机置换,π1∈{1,...,m},i,j=1,...,m,m为特征矩阵的行数,当π1(i)=j时,δ(π1(i),j)=1,当π1≠j时,δ(π1(i),j)=0;
利用Q(i',j')=ai'δ(π2(i'),j')得到密钥矩阵Q;其中,Q-1(i',j')=ai' -1δ(π2 -1(i'),j'),i',j'=1,...,n,ai'∈{1,...,n},n为特征矩阵的列数,ai'∈{a1,a2,...an},{a1,a2,...an}为预先生成的非零随机数组,π2为预先生成的随机置换,π2∈{1,...,n},当π2(i')=j'时,δ(π2(i'),j')=1,当π2(i')≠j'时,δ(π2(i'),j')=0;
相应地,利用密钥对特征矩阵进行盲化,可以包括:
根据Α'=PΑQ对特征矩阵Α进行盲化;其中,Α'为盲化得到的处理矩阵。
在根据特征矩阵构建密钥之前,客户端可以根据所得到的特征矩阵Α(其为一个m*n维的矩阵,m为特征矩阵Α的行数,n为特征矩阵Α的列数)生成两个随机置换π1和π2,其中,π1∈{1,...,m},π2∈{1,...,n},并可以生成一组随机数ω1,ω2…ωm,其中,ω1,ω2…ωm均来自集合{1,-1},即ω1,ω2…ωm中的每一个元素的值都为-1或1,且生成一个非零随机数组{a1,a2,...an},其中,ai'∈{a1,a2,...an}且ai'∈{1,...,n},即i'=1,...,n且ai'等于1到n中的任一值。
在构建完上述数据之后,可以利用π1、ωi和δ(x,y)函数来构造密钥矩阵P,其中,具体地,利用P(i,j)=ωiδ(π1(i),j)得到密钥矩阵P,其中,密钥矩阵P为稀疏正定矩阵,根据正定矩阵的性质PPT=I(I为单位矩阵)可知P-1=PT,i,j=1,...,m,且当π1(i)=j时,δ(π1(i),j)=1,当π1≠j时,δ(π1(i),j)=0,同时,可以利用π2、ai'和δ(x,y)函数来构造密钥矩阵Q,具体地,利用Q(i',j')=ai'δ(π2(i'),j')得到密钥矩阵Q,其中,密钥矩阵Q是一个稀疏易求逆的矩阵,且Q-1(i',j')=ai' -1δ(π2 -1(i'),j'),i',j'=1,...,n,以便于利用密钥矩阵P和密钥矩阵Q来进行盲化。相应地,利用密钥对特征矩阵进行盲化的过程即为根据Α'=PΑQ对特征矩阵Α进行盲化,以得到处理矩阵Α'。云服务器在得到处理矩阵Α'之后,可以根据接收到的处理矩阵Α'计算B'=(Α')TΑ'。
本申请实施例提供的一种云辅助且支持隐私保护的图像识别方法,利用密钥对第一计算结果进行解密,根据解密后第一计算结果得到中间值,可以包括:
相应地,利用密钥对中间值进行盲化,可以包括:
在构建密钥矩阵P和密钥矩阵Q且接收到云服务器返回的第一计算结果(Α')TΑ'之后,利用密钥对第一计算结果进行解密,根据解密后第一计算结果得到中间值的具体过程为:利用密钥从B'=(Α')TΑ'中恢复真实解B=ATA,具体地,利用密钥矩阵Q根据:
B=(QT)-1(Α')TΑ'Q-1=(QT)-1QTATPTPΑQQ-1=(QT)-1QTATΑQQ-1=ATA
对第一计算结果B'=(Α')TΑ'进行解密,得到解密后第一计算结果B,之后,则可以根据计算得到中间值t,其中,λ为预先设定的系数,λ→0。在得到中间值之后,则可以利用密钥矩阵Q根据对中间值t进行盲化,以得到处理中间值t',并将处理矩阵Α'及处理中间值t'发送给云服务器,由云服务器根据R′=(t')-1(Α')T来进行计算,以得到第二计算结果R′,并将第二计算结果R′返回给客户端。其中,
本申请实施例提供的一种云辅助且支持隐私保护的图像识别方法,利用密钥对第二计算结果进行解密,可以包括:
客户端在接收到第二计算结果R′之后,可以利用密钥从R′中恢复出真正的解密后第二计算结果R,具体地,可以利用密钥矩阵P和密钥矩阵Q根据:
对第二计算结果R′进行解密,得到解密后第二计算结果即得到特征矩阵Α的伪逆矩阵其中,伪逆矩阵Α+为n*m维的矩阵,也即将对特征矩阵求解伪逆矩阵的过程交由云服务器进行计算处理,以便于提高伪逆矩阵的计算效率、安全性及正确性。
本申请实施例提供的一种云辅助且支持隐私保护的图像识别方法,对解密后第二计算结果进行校验,可以包括:
判断解密后第二计算结果是否满足RAγ=γ,若是,则校验通过;其中,γ为预先生成的随机向量。
对解密后第二计算结果进行校验的过程具体可以为:先生成一个合适大小的随机向量γ,并判断解密后第二计算结果是否满足RAγ=γ,若是,则校验通过,若否,则校验未通过。在校验过程中充分利用了伪逆的性能,从而便于提高校验的正确性。
本申请实施例还提供了一种云辅助且支持隐私保护的图像识别装置,应用于客户端,参见图4,其示出了本申请实施例提供的一种云辅助且支持隐私保护的图像识别装置的结构示意图,可以包括:
获取模块41,用于获取图像集,从图像集包含的各图像中提取特征,并根据特征得到特征矩阵;
盲化模块42,用于根据特征矩阵构建密钥,并利用密钥对特征矩阵进行盲化,将盲化得到的处理矩阵发送至云服务器,获取云服务器对处理矩阵进行计算得到的计算结果;
解密模块43,用于利用密钥对计算结果进行解密,并对解密后计算结果进行校验,若校验通过,则利用解密后计算结果进行训练,以得到宽度学习模型;
图像识别模块44,用于利用宽度学习模型对待识别图像进行识别。
本申请实施例提供的一种云辅助且支持隐私保护的图像识别装置,还可以包括:
执行模块,用于若校验不通过,则执行将盲化得到的处理矩阵发送至云服务器的步骤,直至解密后计算结果通过校验为止。
本申请实施例提供的一种云辅助且支持隐私保护的图像识别装置,盲化模块42可以包括:
接收单元,用于接收云服务器返回的对处理矩阵进行计算得到的第一计算结果;
第一解密单元,用于利用密钥对第一计算结果进行解密,根据解密后第一计算结果得到中间值,并利用密钥对中间值进行盲化,以得到处理中间值;
发送单元,用于将处理矩阵及处理中间值发送给云服务器,并接收云服务器返回的对处理矩阵及处理中间值进行计算得到的第二计算结果;
相应地,解密模块43可以包括:
第二解密单元,用于利用密钥对第二计算结果进行解密,并对解密后第二计算结果进行校验。
本申请实施例提供的一种云辅助且支持隐私保护的图像识别装置,盲化模块42可以包括:
第一得到密钥矩阵单元,用于利用P(i,j)=ωiδ(π1(i),j)得到密钥矩阵P;其中,密钥矩阵P为稀疏正定矩阵,PPT=I,I为单位矩阵,ωi为预先生成的随机数,ωi的值为-1或1,π1为预先生成的随机置换,π1∈{1,...,m},i,j=1,...,m,m为特征矩阵的行数,当π1(i)=j时,δ(π1(i),j)=1,当π1≠j时,δ(π1(i),j)=0;
第二得到密钥矩阵单元,用于利用Q(i',j')=ai'δ(π2(i'),j')得到密钥矩阵Q;其中,Q-1(i',j')=ai' -1δ(π2 -1(i'),j'),i',j'=1,...,n,ai'∈{1,...,n},n为特征矩阵的列数,ai'∈{a1,a2,...an},{a1,a2,...an}为预先生成的非零随机数组,π2为预先生成的随机置换,π2∈{1,...,n},当π2(i')=j'时,δ(π2(i'),j')=1,当π2(i')≠j'时,δ(π2(i'),j')=0;
相应地,盲化模块42还可以包括:
盲化单元,用于根据Α'=PΑQ对特征矩阵Α进行盲化;其中,Α'为盲化得到的处理矩阵。
本申请实施例提供的一种云辅助且支持隐私保护的图像识别装置,第一解密单元可以包括:
相应地,第一解密单元还可以包括:
本申请实施例提供的一种云辅助且支持隐私保护的图像识别装置,发送单元可以包括:
本申请实施例提供的一种云辅助且支持隐私保护的图像识别装置,第二解密单元可以包括:
判断子单元,用于判断解密后第二计算结果是否满足RAγ=γ,若是,则校验通过;其中,γ为预先生成的随机向量。
本申请实施例还提供了一种云辅助且支持隐私保护的图像识别设备,参见图5,其示出了本申请实施例提供的一种云辅助且支持隐私保护的图像识别设备的结构示意图,可以包括:
存储器51,用于存储计算机程序;
处理器52,用于执行存储器51存储的计算机程序时可实现如下步骤:
获取图像集,从图像集包含的各图像中提取特征,并根据特征得到特征矩阵;根据特征矩阵构建密钥,并利用密钥对特征矩阵进行盲化,将盲化得到的处理矩阵发送至云服务器,并获取云服务器对处理矩阵进行计算得到的计算结果;利用密钥对计算结果进行解密,并对解密后计算结果进行校验,若校验通过,则利用解密后计算结果进行训练,以得到宽度学习模型;利用宽度学习模型对待识别图像进行识别。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时可实现如下步骤:
获取图像集,从图像集包含的各图像中提取特征,并根据特征得到特征矩阵;根据特征矩阵构建密钥,并利用密钥对特征矩阵进行盲化,将盲化得到的处理矩阵发送至云服务器,并获取云服务器对处理矩阵进行计算得到的计算结果;利用密钥对计算结果进行解密,并对解密后计算结果进行校验,若校验通过,则利用解密后计算结果进行训练,以得到宽度学习模型;利用宽度学习模型对待识别图像进行识别。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供的一种云辅助且支持隐私保护的图像识别装置、设备及计算机可读存储介质中相关部分的说明可以参见本申请实施例提供的一种云辅助且支持隐私保护的图像识别方法中对应部分的详细说明,在此不再赘述。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种云辅助且支持隐私保护的图像识别方法,其特征在于,应用于客户端,包括:
获取图像集,从所述图像集包含的各图像中提取特征,并根据所述特征得到特征矩阵;
根据所述特征矩阵构建密钥,并利用所述密钥对所述特征矩阵进行盲化,将盲化得到的处理矩阵发送至云服务器,并获取所述云服务器对所述处理矩阵进行计算得到的计算结果;
利用所述密钥对所述计算结果进行解密,并对解密后计算结果进行校验,若校验通过,则利用所述解密后计算结果进行训练,以得到宽度学习模型;
利用所述宽度学习模型对待识别图像进行识别。
2.根据权利要求1所述的云辅助且支持隐私保护的图像识别方法,其特征在于,若校验不通过,则还包括:
执行所述将盲化得到的处理矩阵发送至云服务器的步骤,直至所述解密后计算结果通过校验为止。
3.根据权利要求1所述的云辅助且支持隐私保护的图像识别方法,其特征在于,获取所述云服务器对所述处理矩阵进行计算得到的计算结果,包括:
接收所述云服务器返回的对所述处理矩阵进行计算得到的第一计算结果;
利用所述密钥对所述第一计算结果进行解密,根据解密后第一计算结果得到中间值,并利用所述密钥对所述中间值进行盲化,以得到处理中间值;
将所述处理矩阵及所述处理中间值发送给所述云服务器,并接收所述云服务器返回的对所述处理矩阵及所述处理中间值进行计算得到的第二计算结果;
相应地,利用所述密钥对所述计算结果进行解密,并对解密后计算结果进行校验,包括:
利用所述密钥对所述第二计算结果进行解密,并对解密后第二计算结果进行校验。
4.根据权利要求3所述的云辅助且支持隐私保护的图像识别方法,其特征在于,根据所述特征矩阵构建密钥,包括:
利用P(i,j)=ωiδ(π1(i),j)得到密钥矩阵P;其中,所述密钥矩阵P为稀疏正定矩阵,PPT=I,I为单位矩阵,ωi为预先生成的随机数,ωi的值为-1或1,π1为预先生成的随机置换,π1∈{1,...,m},i,j=1,...,m,m为所述特征矩阵的行数,当π1(i)=j时,δ(π1(i),j)=1,当π1≠j时,δ(π1(i),j)=0;
利用Q(i',j')=ai'δ(π2(i'),j')得到密钥矩阵Q;其中,Q-1(i',j')=ai' -1δ(π2 -1(i'),j'),i',j'=1,...,n,ai'∈{1,...,n},n为所述特征矩阵的列数,ai'∈{a1,a2,...an},{a1,a2,...an}为预先生成的非零随机数组,π2为预先生成的随机置换,π2∈{1,...,n},当π2(i')=j'时,δ(π2(i'),j')=1,当π2(i')≠j'时,δ(π2(i'),j')=0;
相应地,利用所述密钥对所述特征矩阵进行盲化,包括:
根据Α'=PΑQ对所述特征矩阵Α进行盲化;其中,Α'为盲化得到的所述处理矩阵。
7.根据权利要求6所述的云辅助且支持隐私保护的图像识别方法,其特征在于,对解密后第二计算结果进行校验,包括:
判断所述解密后第二计算结果是否满足RAγ=γ,若是,则校验通过;其中,γ为预先生成的随机向量。
8.一种云辅助且支持隐私保护的图像识别装置,其特征在于,应用于客户端,包括:
获取模块,用于获取图像集,从所述图像集包含的各图像中提取特征,并根据所述特征得到特征矩阵;
盲化模块,用于根据所述特征矩阵构建密钥,并利用所述密钥对所述特征矩阵进行盲化,将盲化得到的处理矩阵发送至云服务器,获取所述云服务器对所述处理矩阵进行计算得到的计算结果;
解密模块,用于利用所述密钥对所述计算结果进行解密,并对解密后计算结果进行校验,若校验通过,则利用所述解密后计算结果进行训练,以得到宽度学习模型;
图像识别模块,用于利用所述宽度学习模型对待识别图像进行识别。
9.一种云辅助且支持隐私保护的图像识别设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的云辅助且支持隐私保护的图像识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的云辅助且支持隐私保护的图像识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026275.4A CN112152806B (zh) | 2020-09-25 | 2020-09-25 | 一种云辅助且支持隐私保护的图像识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026275.4A CN112152806B (zh) | 2020-09-25 | 2020-09-25 | 一种云辅助且支持隐私保护的图像识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112152806A true CN112152806A (zh) | 2020-12-29 |
CN112152806B CN112152806B (zh) | 2023-07-18 |
Family
ID=73897403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011026275.4A Active CN112152806B (zh) | 2020-09-25 | 2020-09-25 | 一种云辅助且支持隐私保护的图像识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112152806B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268755A (zh) * | 2021-05-26 | 2021-08-17 | 建投数据科技(山东)有限公司 | 一种对极限学习机的数据的处理方法、装置及介质 |
CN113792344A (zh) * | 2021-09-17 | 2021-12-14 | 平安国际智慧城市科技股份有限公司 | 数据的脱敏处理方法、装置、设备及存储介质 |
CN114003961A (zh) * | 2021-12-03 | 2022-02-01 | 青岛大学 | 一种具有隐私性保护的深度神经网络推理方法 |
CN116894485A (zh) * | 2023-07-11 | 2023-10-17 | 广东工业大学 | 一种基于隐私保护的增量宽度学习系统及方法 |
CN117857040A (zh) * | 2024-03-05 | 2024-04-09 | 建投物联股份有限公司 | 一种物联网设备安全辅助方法、装置、设备及存储介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130339722A1 (en) * | 2011-11-07 | 2013-12-19 | Parallels IP Holdings GmbH | Method for protecting data used in cloud computing with homomorphic encryption |
CN103744976A (zh) * | 2014-01-13 | 2014-04-23 | 北京工业大学 | 一种基于同态加密的图像安全检索方法 |
CN105447404A (zh) * | 2015-11-06 | 2016-03-30 | 湖北工业大学 | 一种云存储中图像隐私保护的方法及系统 |
CN106096548A (zh) * | 2016-06-12 | 2016-11-09 | 北京电子科技学院 | 一种基于云环境的多智能终端共享人脸隐秘识别方法 |
US9613292B1 (en) * | 2012-01-26 | 2017-04-04 | Hrl Laboratories, Llc | Secure multi-dimensional pattern matching for secure search and recognition |
CN107315812A (zh) * | 2017-06-28 | 2017-11-03 | 武汉大学 | 一种云环境下基于词袋模型的图像安全检索方法 |
CN108171262A (zh) * | 2017-12-22 | 2018-06-15 | 珠海习悦信息技术有限公司 | 密文图片类型识别方法、装置、存储介质及处理器 |
CN108521326A (zh) * | 2018-04-10 | 2018-09-11 | 电子科技大学 | 一种基于向量同态加密的隐私保护的线性svm模型训练算法 |
CN108647525A (zh) * | 2018-05-09 | 2018-10-12 | 西安电子科技大学 | 可验证的隐私保护单层感知机批量训练方法 |
CN108959567A (zh) * | 2018-07-04 | 2018-12-07 | 武汉大学 | 一种云环境下适用于大规模图像的安全检索方法 |
CN109460536A (zh) * | 2018-11-16 | 2019-03-12 | 青岛大学 | 大规模矩阵运算的安全外包算法 |
CN109522838A (zh) * | 2018-11-09 | 2019-03-26 | 大连海事大学 | 一种基于宽度学习的安全帽图像识别算法 |
CN109787743A (zh) * | 2019-01-17 | 2019-05-21 | 广西大学 | 一种基于矩阵运算的可验证的全同态加密方法 |
US20200067699A1 (en) * | 2018-08-24 | 2020-02-27 | International Business Machines Corporation | Validating keys derived from an oblivious pseudorandom function |
US20200090352A1 (en) * | 2018-09-17 | 2020-03-19 | Yandex.Taxi LLC | Methods and systems for computer-based determining of presence of objects |
CN111191704A (zh) * | 2019-12-24 | 2020-05-22 | 天津师范大学 | 一种基于任务图卷积网络的地基云分类方法 |
CN111291781A (zh) * | 2020-01-09 | 2020-06-16 | 浙江理工大学 | 基于支持向量机的加密图像分类方法 |
CN111444759A (zh) * | 2020-02-06 | 2020-07-24 | 安信通科技(澳门)有限公司 | 一种基于宽度学习算法的手写体识别方法及系统 |
CN111680676A (zh) * | 2020-08-14 | 2020-09-18 | 支付宝(杭州)信息技术有限公司 | 训练人脸识别模型、图像注册、人脸识别方法和装置 |
-
2020
- 2020-09-25 CN CN202011026275.4A patent/CN112152806B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130339722A1 (en) * | 2011-11-07 | 2013-12-19 | Parallels IP Holdings GmbH | Method for protecting data used in cloud computing with homomorphic encryption |
US9613292B1 (en) * | 2012-01-26 | 2017-04-04 | Hrl Laboratories, Llc | Secure multi-dimensional pattern matching for secure search and recognition |
CN103744976A (zh) * | 2014-01-13 | 2014-04-23 | 北京工业大学 | 一种基于同态加密的图像安全检索方法 |
CN105447404A (zh) * | 2015-11-06 | 2016-03-30 | 湖北工业大学 | 一种云存储中图像隐私保护的方法及系统 |
CN106096548A (zh) * | 2016-06-12 | 2016-11-09 | 北京电子科技学院 | 一种基于云环境的多智能终端共享人脸隐秘识别方法 |
CN107315812A (zh) * | 2017-06-28 | 2017-11-03 | 武汉大学 | 一种云环境下基于词袋模型的图像安全检索方法 |
CN108171262A (zh) * | 2017-12-22 | 2018-06-15 | 珠海习悦信息技术有限公司 | 密文图片类型识别方法、装置、存储介质及处理器 |
CN108521326A (zh) * | 2018-04-10 | 2018-09-11 | 电子科技大学 | 一种基于向量同态加密的隐私保护的线性svm模型训练算法 |
CN108647525A (zh) * | 2018-05-09 | 2018-10-12 | 西安电子科技大学 | 可验证的隐私保护单层感知机批量训练方法 |
CN108959567A (zh) * | 2018-07-04 | 2018-12-07 | 武汉大学 | 一种云环境下适用于大规模图像的安全检索方法 |
US20200067699A1 (en) * | 2018-08-24 | 2020-02-27 | International Business Machines Corporation | Validating keys derived from an oblivious pseudorandom function |
US20200090352A1 (en) * | 2018-09-17 | 2020-03-19 | Yandex.Taxi LLC | Methods and systems for computer-based determining of presence of objects |
CN109522838A (zh) * | 2018-11-09 | 2019-03-26 | 大连海事大学 | 一种基于宽度学习的安全帽图像识别算法 |
CN109460536A (zh) * | 2018-11-16 | 2019-03-12 | 青岛大学 | 大规模矩阵运算的安全外包算法 |
CN109787743A (zh) * | 2019-01-17 | 2019-05-21 | 广西大学 | 一种基于矩阵运算的可验证的全同态加密方法 |
CN111191704A (zh) * | 2019-12-24 | 2020-05-22 | 天津师范大学 | 一种基于任务图卷积网络的地基云分类方法 |
CN111291781A (zh) * | 2020-01-09 | 2020-06-16 | 浙江理工大学 | 基于支持向量机的加密图像分类方法 |
CN111444759A (zh) * | 2020-02-06 | 2020-07-24 | 安信通科技(澳门)有限公司 | 一种基于宽度学习算法的手写体识别方法及系统 |
CN111680676A (zh) * | 2020-08-14 | 2020-09-18 | 支付宝(杭州)信息技术有限公司 | 训练人脸识别模型、图像注册、人脸识别方法和装置 |
Non-Patent Citations (2)
Title |
---|
CHENGUANG WANG等: "Study of Cloud Computing Security Based on Private Face Recognition", 2010 INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND SOFTWARE ENGINEERING * |
沈蒙;程国华;祝烈煌;: "支持隐私保护的加密遥感图像融合算法", 中国科学:信息科学, no. 06 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268755A (zh) * | 2021-05-26 | 2021-08-17 | 建投数据科技(山东)有限公司 | 一种对极限学习机的数据的处理方法、装置及介质 |
CN113268755B (zh) * | 2021-05-26 | 2023-03-31 | 建投数据科技(山东)有限公司 | 一种对极限学习机的数据的处理方法、装置及介质 |
CN113792344A (zh) * | 2021-09-17 | 2021-12-14 | 平安国际智慧城市科技股份有限公司 | 数据的脱敏处理方法、装置、设备及存储介质 |
CN113792344B (zh) * | 2021-09-17 | 2024-06-04 | 平安国际智慧城市科技股份有限公司 | 数据的脱敏处理方法、装置、设备及存储介质 |
CN114003961A (zh) * | 2021-12-03 | 2022-02-01 | 青岛大学 | 一种具有隐私性保护的深度神经网络推理方法 |
CN114003961B (zh) * | 2021-12-03 | 2024-04-26 | 青岛大学 | 一种具有隐私性保护的深度神经网络推理方法 |
CN116894485A (zh) * | 2023-07-11 | 2023-10-17 | 广东工业大学 | 一种基于隐私保护的增量宽度学习系统及方法 |
CN117857040A (zh) * | 2024-03-05 | 2024-04-09 | 建投物联股份有限公司 | 一种物联网设备安全辅助方法、装置、设备及存储介质 |
CN117857040B (zh) * | 2024-03-05 | 2024-06-04 | 建投物联股份有限公司 | 一种物联网设备安全辅助方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112152806B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112152806B (zh) | 一种云辅助且支持隐私保护的图像识别方法、装置及设备 | |
US10341123B2 (en) | User identification management system and method | |
CN110493202B (zh) | 登录令牌的生成及验证方法、装置和服务器 | |
Volety et al. | Cracking Bitcoin wallets: I want what you have in the wallets | |
US9673975B1 (en) | Cryptographic key splitting for offline and online data protection | |
EP3043290B1 (en) | Privacy preserving set-based biometric authentication | |
EP2151968A2 (en) | Authentication terminal, authentication server, and authentication system | |
US20160085958A1 (en) | Methods and apparatus for multi-factor user authentication with two dimensional cameras | |
JP2018521417A (ja) | 生体特徴に基づく安全性検証方法、クライアント端末、及びサーバ | |
CN107454048B (zh) | 信息的处理方法及装置、信息的认证方法、装置及系统 | |
KR20160144375A (ko) | 생물학적 특징 이미지의 유용성을 검증하는 방법 및 장치 | |
US20140359730A1 (en) | Input validation, user and data authentication on potentially compromised mobile devices | |
CN111242611B (zh) | 一种用于恢复数字钱包密钥的方法及系统 | |
CN110247913A (zh) | 一种支持矩阵零元素隐私保护的安全矩阵乘法外包方法 | |
JP6849862B2 (ja) | パスワード認証のための準同型暗号 | |
CN106204038A (zh) | 一种密码字符串生成的方法及装置 | |
CN106790243B (zh) | 一种安全u盘的密码重置方法 | |
CN103929425A (zh) | 一种身份注册、身份认证的方法、设备和系统 | |
US20130191641A1 (en) | Captcha (completely automated public test to tell computers and humans apart) data generation methods and related data management systems and computer program products thereof | |
WO2015062441A1 (zh) | CGI web界面下的多会话验证码的产生及验证方法 | |
CN104751042A (zh) | 基于密码哈希与生物特征识别的可信性检测方法 | |
CN117294484A (zh) | 数据交互的方法、装置、设备、介质和产品 | |
US9647846B1 (en) | Systems and methods for verifying the authenticity of graphical images | |
Al-Saidi et al. | Password authentication based on fractal coding scheme | |
Maji et al. | A novel biometric template encryption scheme using sudoku puzzle |
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 |