CN112949741B - 基于同态加密的卷积神经网络图像分类方法 - Google Patents
基于同态加密的卷积神经网络图像分类方法 Download PDFInfo
- Publication number
- CN112949741B CN112949741B CN202110288782.3A CN202110288782A CN112949741B CN 112949741 B CN112949741 B CN 112949741B CN 202110288782 A CN202110288782 A CN 202110288782A CN 112949741 B CN112949741 B CN 112949741B
- Authority
- CN
- China
- Prior art keywords
- gradient
- user
- ciphertext
- parameter
- server
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明属于图像处理技术领域,涉及一种图像分类方法,具体涉及一种基于同态加密的卷积神经网络图像分类方法。
背景技术
图像分类问题是图像处理技术领域的基础问题,它的目的是根据图像的语义信息将不同类别图像区分开来,实现最小的分类误差。现在主要的图像分类方法是使用卷积神经网络来进行的,但是要训练出一个好的用于图像分类的卷积神经网络模型就需要大量的图像数据。但是用户的图像数据包含了大量隐私数据,所以进行卷积神经网络模型训练时的海量图像数据交互必然会带来隐私安全问题,图像分类服务提供方无论是在训练还是识别上都会接触用户信息,如果出现恶意的服务提供方他可以轻易获取图像数据拥有者的隐私数据,从而造成隐私泄露问题并带来巨大的危害。
曲阜师范大学在其申请的专利文献“云环境下保护隐私的多方深度学习计算代理方法”(申请号201810439054.6,申请公布号CN 108712260 A)中公开了一种隐私保护的图像分类方法。该方法利用ElGamal同态加密将参与者一次训练时产生的梯度信息进行加密上传到参数服务器,再由参数服务器进行梯度聚合,最后参与者再下载聚合后的梯度进行下一次模型训练,直到模型收敛。该方法仍然存在的不足之处是,在模型训练时用户参与了联合密钥生成和联合解密,导致用户开销过大。同时服务器如果和任意参与者共谋则该方法不再安全,其他参与者的隐私受到威胁。
发明内容
本发明的目的是针对上述现有技术的缺陷与不足,提出一种基于同态加密的卷积神经网络图像分类方法,用于解决现有技术中存在的隐私信息容易泄露和无法抵抗共谋攻击的技术问题。
为实现上述目的,本发明采取的技术方案包括如下步骤:
(1)构建多方深度学习场景模型:
构建包括参数服务器、辅助服务器和I个用户P={Pi|1≤i≤I,I≥2}的多方深度学习场景模型,其中,Pi表示第i个用户;
(2)参数服务器初始化加密参数:
(3)每个用户生成自己的公钥和私钥:
(4)参数服务器生成自己的公钥和私钥:
(5)辅助服务器生成自己的公钥和私钥,以及联合公钥:
辅助服务器在剩余类环中随机选取一个整数b作为自己的私钥skb=b,并计算自己的公钥参数yb≡gb mod p,将p、g和yb作为自己的公钥pkb=(p,g,yb),再通过自己的私钥skb和参数服务器的公钥参数ya计算联合公钥后广播至所有用户;
(6)每个用户获取训练图像样本集和测试图像样本集:
每个用户Pi获取n幅图像数据,并对每幅图像进行标注,将半数以上图像及其标签作为训练图像样本集,将剩余的图像及其标签作为测试图像样本集,n≥500;
(7)参数服务器构建卷积神经网络模型,并初始化训练参数:
(7a)构建由依次层叠的输入层、num个卷积层-ReLU层-池化层、输出层组成的卷积神经网络模型,其中num≥2,输出层依次层叠的多个全连接层;
(7b)初始化卷积神经网络模型的权重参数向量为w0,迭代次数为d,最大迭代次数为D,D≥50,并令d=1,当前的权重参数向量为wd,其中w0的权重参数数量为T,T≥10000,当d=1时,wd=w0;
(8)用户P获取梯度向量密文并上传:
(8a)每个用户Pi将自身的训练图像样本集作为卷积神经网络模型的输入进行前向传播,得到第d次迭代的预测结果并采用均方误差损失函数,通过计算卷积神经网络模型权重参数的梯度向量Δw(i_d),其中,Δw(i_d)的梯度数量为T;
(8b)每个用户Pi通过联合公钥PK对梯度向量Δw(i_d)进行同态加密,得到梯度密文向量集合Wd,并将Wd上传到参数服务器,其中:
(9)参数服务器对梯度密文向量进行聚合:
(10c)辅助服务器通过自己的私钥skb对盲化聚合梯度密文同态解密,得到中间明文并通过每个用户Pi的公钥pki对进行同态加密,得到Pi的一级密文并将发送给参数服务器,其中zit表示辅助服务器在剩余类环中随机选择的整数;
(11)用户P获取卷积神经网络模型的训练结果:
每个用户Pi通过自己的私钥ski对进行同态解密,得到第t个聚合梯度明文并将T个三级密文的同态解密结果组合成聚合梯度明文向量并通过对权重参数wd进行更新,然后判断d≥D是否成立,若是,得到训练好的卷积神经网络模型,否则,令d=d+1并执行步骤(8):
(12)每个用户获取图像分类结果:
每个用户Pi将自身的测试图像样本集作为训练好的卷积神经网络模型的输入进行图像分类,得到每一幅测试图像的分类结果。
本发明与现有技术相比,具有如下优点:
1.本发明用户利用联合公钥同态加密并传输用户梯度数据,参数服务器可以利用同态加法特性在密文情况下对所有梯度数据进行聚合,并和辅助服务器共同完成同态重加密,降低了隐私信息泄露的几率,同时能够有效抵抗共谋攻击,与现有技术相比,具有更好的安全性。
2.本发明使用参数服务器和辅助服务器共同处理加密数据,由辅助服务器负责中间计算过程,克服了现有技术中用户发送完加密数据后还需要接收服务器计算的中间结果并进行处理后再发送回服务器,导致的用户开销较大的缺陷,与现有技术相比,有效地提高了计算效率。
附图说明
图1为本发明的实现流程图;
图2为本发明实施例采用的卷积神经网络的结构示意图。
具体实施方式
以下结合附图和具体实施例,对本发明作进一步详细描述:
参照图1,本发明包括如下步骤:
步骤1)构建多方深度学习场景模型:
构建包括参数服务器、辅助服务器和10个用户P={Pi|1≤i≤10}的多方深度学习场景模型,其中,Pi表示第i个用户。
步骤2)参数服务器初始化加密参数:
参数服务器选取安全参数选取k=1024,然后通过Python的SymPy库中randprime()函数生成1024比特长的大素数p作为安全模数,再根据p构建剩余类环其中为0到p-1的整数集合构成,然后在中随机选取p的原根g。
步骤3)每个用户生成自己的公钥和私钥:
步骤4)参数服务器生成自己的公钥和私钥:
步骤5)辅助服务器生成自己的公钥和私钥,以及联合公钥:
辅助服务器在剩余类环中随机选取一个整数b作为自己的私钥skb=b,并计算自己的公钥参数yb≡gb mod p,将p、g和yb作为自己的公钥pkb=(p,g,yb),再通过自己的私钥skb和参数服务器的公钥参数ya计算联合公钥后广播至所有用户。
步骤6)每个用户获取训练图像样本集和测试图像样本集:
本实例使用的是MINIST手写数字图像数据集,该数据集对应的标签是0-9的数字,MINIST数据集中包括60000个训练图像样本集和10000个测试图像样本集,实例设置每个用户Pi拥有6000个训练图像样本集和1000个测试图像样本集。
步骤7)参数服务器构建卷积神经网络模型,并初始化训练参数:
步骤7a)构建由依次层叠的输入层、2个卷积层-ReLU层-池化层、输出层组成的卷积神经网络模型,输出层依次层叠的3个全连接层构成,其结构图2所示。
具体结构和参数设置为:
第一卷积层-ReLU层-池化层→第二卷积层-ReLU层-池化层;
第一卷积层和第二卷积层卷积核的大小均为5,步长均为1,第一卷积层的填充为2,卷积核个数设置为6、第二卷积层的填充为0,卷积核个数设置为16。
第一全连接层的的输入为400,输出为120,第二全连接层的输入为120,输出为84,第三全连接层的输入为84,输出为10。
步骤7b)初始化卷积神经网络模型的权重参数向量为w0,迭代次数为d,最大迭代次数为D,D=100,并令d=1,当前的权重参数向量为wd,其中w0的权重参数数量为T,T=61706,当d=1时,wd=w0。
步骤8)用户P获取梯度向量密文并上传:
步骤8a)每个用户Pi将自身的训练图像样本集作为卷积神经网络模型的输入经过第一卷积层-ReLU层-池化层、第二卷积层-ReLU层-池化层和三个全连接层进行前向传播,得到第d次迭代的预测结果并采用均方误差损失函数通过和训练图像样本集的真实标签值计算卷积神经网络模型权重参数的梯度向量Δw(i_d),计算公式为:
步骤8b)每个用户Pi通过联合公钥PK对梯度向量Δw(i_d)进行同态加密,得到梯度密文向量集合Wd,并将Wd上传到参数服务器,其中:
其中,表示Pi获取的包括61706个梯度密文的梯度密文向量,Enc(·)表示同态加密,Exp(·)表示以g为底的指数函数,kit表示用户Pi在中随机选取的整数,表示第t个梯度密文,1≤t≤61706。
该步骤中用户使用联合公钥将梯度向量Δw(i_d)进行同态加密,并上传到参数服务器,即使在不安全的信道传输,敌手也无法得到梯度向量的明文,所以不会泄露用户的隐私数据。
步骤9)参数服务器对梯度密文向量进行聚合:
该步骤中参数服务器利用同态加法特性,在不解密用户上传的梯度向量的情况下,完成对所有用户的梯度向量的聚合操作。由于参数服务器无法得到辅助服务器的私钥skb,所以聚合过程中无法对用户上传的梯度向量密文进行解密,参数服务器无法获得用户的隐私信息。
步骤10c)辅助服务器通过自己的私钥skb对盲化聚合梯度密文同态解密,得到中间明文并通过每个用户Pi的公钥pki对进行同态加密,得到Pi的一级密文并将发送给参数服务器,其中zit表示辅助服务器在剩余类环中随机选择的整数。
该步骤中辅助服务器使用自己的私钥skb解密得到的是有盲化因子s的中间密文,所以辅助服务器无法获得聚合梯度向量的明文,辅助服务器再使用每个用户Pi的公钥pki将中间明文进行同态加密,保证了在不安全信道中将Pi的一级密文传输给参数服务器时,敌手无法获得聚合梯度的明文,保障了聚合梯度向量的隐私安全。
该步骤中由于参数服务器知道盲化因子s可以通过计算去除Pi的一级密文,得到Pi的二级密文。
该步骤中由于二级密文中的随机数zit是由辅助服务器选取的,为了防止在不安全信道传输时,辅助服务器截获密文进行解密,获取用户的隐私信息,所以参数服务器再选择一个随机数eit对二级密文进行混淆,同时不破坏密文结构,使得用户依然可以解密。保证了用户的隐私安全。
步骤11)用户P获取卷积神经网络模型的训练结果:
每个用户Pi通过自己的私钥ski对进行同态解密,得到第t个聚合梯度明文并将61706个三级密文的同态解密结果组合成聚合梯度明文向量并通过对权重参数wd进行更新,更新公式为然后判断d≥D是否成立,若是,得到训练好的卷积神经网络模型,否则,令d=d+1,并执行步骤(8):
步骤12)每个用户获取图像分类结果:
每个用户Pi将自身的MINIST测试图像样本集作为训练好的卷积神经网络模型的输入进行图像分类,得到每一幅测试图像的分类结果。我们的测试结果为10000幅测试图片样本集,最终准确分类的有9915幅,准确率为99.15%。
方案中由于用户使用的是联合公钥进行加密上传,且联合公钥的私钥分别掌握在参数服务器和辅助服务器的手中,所以任何人都无法解密用户的加密梯度向量。并且假设服务器和某一用户共谋也无法获取到联合公钥的私钥,最后参数服务器返回聚合梯度向量密文给用户时,密文使用的是不同用户的公钥加密的,即使共谋也无法获取其他用户的私钥,所以方案可以有效的防止共谋攻击。
方案中用户不用参与联合密钥的生成和联合解密,用户不需要多余的计算开销,同时服务器的计算能力远大于用户,所以方案提高了计算效率。
Claims (4)
1.一种基于同态加密的卷积神经网络图像分类方法,其特征在于,包括如下步骤:
(1)构建多方深度学习场景模型:
构建包括参数服务器、辅助服务器和I个用户P={Pi|1≤i≤I,I≥2}的多方深度学习场景模型,其中,Pi表示第i个用户;
(2)参数服务器初始化加密参数:
(3)每个用户生成自己的公钥和私钥:
(4)参数服务器生成自己的公钥和私钥:
(5)辅助服务器生成自己的公钥和私钥,以及联合公钥:
辅助服务器在剩余类环中随机选取一个整数b作为自己的私钥skb=b,并计算自己的公钥参数yb≡gbmodp,将p、g和yb作为自己的公钥pkb=(p,g,yb),再通过自己的私钥skb和参数服务器的公钥参数ya计算联合公钥后广播至所有用户;
(6)每个用户获取训练图像样本集和测试图像样本集:
每个用户Pi获取n幅图像数据,并对每幅图像进行标注,将半数以上图像及其标签作为训练图像样本集,将剩余的图像及其标签作为测试图像样本集,n≥500;
(7)参数服务器构建卷积神经网络模型,并初始化训练参数:
(7a)构建由依次层叠的输入层、num个卷积层-ReLU层-池化层、输出层组成的卷积神经网络模型,其中num≥2,输出层依次层叠的多个全连接层;
(7b)初始化卷积神经网络模型的权重参数向量为w0,迭代次数为d,最大迭代次数为D,D≥50,并令d=1,当前的权重参数向量为wd,其中w0的权重参数数量为T,T≥10000,当d=1时,wd=w0;
(8)用户P获取梯度向量密文并上传:
(8a)每个用户Pi将自身的训练图像样本集作为卷积神经网络模型的输入进行前向传播,得到第d次迭代的预测结果并采用均方误差损失函数,通过计算卷积神经网络模型权重参数的梯度向量Δw(i_d),其中,Δw(i_d)的梯度数量为T;
(8b)每个用户Pi通过联合公钥PK对梯度向量Δw(i_d)进行同态加密,得到梯度密文向量集合Wd,并将Wd上传到参数服务器,其中:
(9)参数服务器对梯度密文向量进行聚合:
(10c)辅助服务器通过自己的私钥skb对盲化聚合梯度密文同态解密,得到中间明文 并通过每个用户Pi的公钥pki对进行同态加密,得到Pi的一级密文并将发送给参数服务器,其中zit表示辅助服务器在剩余类环中随机选择的整数;
(11)用户P获取卷积神经网络模型的训练结果:
每个用户Pi通过自己的私钥ski对进行同态解密,得到第t个聚合梯度明文并将T个三级密文的同态解密结果组合成聚合梯度明文向量并通过对权重参数wd进行更新,然后判断d≥D是否成立,若是,得到训练好的卷积神经网络模型,否则,令d=d+1,并执行步骤(8):
(12)每个用户获取图像分类结果:
每个用户Pi将自身的测试图像样本集作为训练好的卷积神经网络模型的输入进行图像分类,得到每一幅测试图像的分类结果。
2.根据权利要求1所述的基于同态加密的卷积神经网络图像分类方法,其特征在于,步骤(7a)中所述的构建由依次层叠的输入层、num个卷积层-ReLU层-池化层、输出层组成的卷积神经网络模型,其中num≥2,输出层依次层叠的多个全连接层,其中包括2个卷积层-ReLU层-池化层、3全连接层,具体结构和参数设置为:
第一卷积层-ReLU层-池化层→第二卷积层-ReLU层-池化层;
第一卷积层和第二卷积层卷积核的大小均为5,步长均为1,第一卷积层的填充为2,卷积核个数设置为6、第二卷积层的填充为0,卷积核个数设置为16。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110288782.3A CN112949741B (zh) | 2021-03-18 | 2021-03-18 | 基于同态加密的卷积神经网络图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110288782.3A CN112949741B (zh) | 2021-03-18 | 2021-03-18 | 基于同态加密的卷积神经网络图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949741A CN112949741A (zh) | 2021-06-11 |
CN112949741B true CN112949741B (zh) | 2023-04-07 |
Family
ID=76230376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110288782.3A Active CN112949741B (zh) | 2021-03-18 | 2021-03-18 | 基于同态加密的卷积神经网络图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949741B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110572253A (zh) * | 2019-09-16 | 2019-12-13 | 济南大学 | 一种联邦学习训练数据隐私性增强方法及系统 |
CN111260081A (zh) * | 2020-02-14 | 2020-06-09 | 广州大学 | 一种非交互式隐私保护多方机器学习方法 |
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 |
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 |
WO2020177392A1 (zh) * | 2019-03-01 | 2020-09-10 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、装置、设备及介质 |
WO2020233260A1 (zh) * | 2019-07-12 | 2020-11-26 | 之江实验室 | 一种基于同态加密的隐私保护多机构数据分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11343068B2 (en) * | 2019-02-06 | 2022-05-24 | International Business Machines Corporation | Secure multi-party learning and inferring insights based on encrypted data |
-
2021
- 2021-03-18 CN CN202110288782.3A patent/CN112949741B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2020177392A1 (zh) * | 2019-03-01 | 2020-09-10 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、装置、设备及介质 |
WO2020233260A1 (zh) * | 2019-07-12 | 2020-11-26 | 之江实验室 | 一种基于同态加密的隐私保护多机构数据分类方法 |
CN110572253A (zh) * | 2019-09-16 | 2019-12-13 | 济南大学 | 一种联邦学习训练数据隐私性增强方法及系统 |
CN111260081A (zh) * | 2020-02-14 | 2020-06-09 | 广州大学 | 一种非交互式隐私保护多方机器学习方法 |
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 |
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 |
Non-Patent Citations (4)
Title |
---|
Privacy preserving multi-party computation delegation for deep learning in cloud computing;Xu Ma et al;《Information Sciences》;20180831;全文 * |
基于同态加密的卷积神经网络前向传播方法;谢四江等;《计算机应用与软件》;20200212(第02期);全文 * |
机器学习的隐私保护研究综述;刘俊旭等;《计算机研究与发展》;20200215(第02期);全文 * |
隐私保护机器学习的密码学方法;蒋瀚等;《电子与信息学报》;20200515(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949741A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Cryptanalysis and improvement in an image encryption scheme using combination of the 1D chaotic map | |
Gentry et al. | i-hop homomorphic encryption and rerandomizable Yao circuits | |
CN110572253A (zh) | 一种联邦学习训练数据隐私性增强方法及系统 | |
Zheng et al. | Lossless data hiding based on homomorphic cryptosystem | |
CN112134688B (zh) | 一种基于量子混沌映射与sha-3的非对称图像加密方法 | |
CN113972981B (zh) | 一种基于sm2密码算法的高效门限签名方法 | |
Kumar et al. | Image cryptography with matrix array symmetric key using chaos based approach | |
Darwish et al. | Secure image compression approach based on fusion of 3D chaotic maps and arithmetic coding | |
CN110460442B (zh) | 一种基于格的密钥封装方法 | |
CN112949741B (zh) | 基于同态加密的卷积神经网络图像分类方法 | |
Al-Husainy et al. | Image encryption technique based on the entropy value of a random block | |
Shah et al. | Prediction error expansion‐based reversible data hiding in encrypted images with public key cryptosystem | |
Gopalakrishnan et al. | IMAGE ENCRYPTION IN BLOCK-WISE WITH MULTIPLE CHAOTIC MAPS FOR PERMUTATION AND DIFFUSION. | |
CN115865313A (zh) | 一种轻量级隐私保护纵向联邦学习模型参数聚合方法 | |
Mostafa et al. | A new chaos based medical image encryption scheme | |
Nguyen et al. | Privacy-preserving spam filtering using homomorphic and functional encryption | |
Alkotb et al. | Secure Communications of Visual Data Over CF Relays | |
Huang et al. | Encrypted domain secret medical-image sharing with secure outsourcing computation in iot environment | |
Mondal et al. | A multi-stage encryption technique to enhance the secrecy of image | |
Jabbar et al. | Adaptive Hiding Algorithm Based on Mapping Database | |
CN113806759A (zh) | 联邦学习模型的训练方法、装置、电子设备和存储介质 | |
Kashid et al. | NS4: a Novel Security approach for extracted video keyframes using Secret Sharing Scheme | |
Chen et al. | Distributed encrypted image-based reversible data hiding | |
You et al. | Secure two-party computation approach for ntruencrypt | |
Jayanthi et al. | Encrypted image-based data hiding technique using elliptic curve ElGamal cryptography |
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 |