CN115659408B - 一种电力系统敏感数据共享方法、系统及存储介质 - Google Patents
一种电力系统敏感数据共享方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115659408B CN115659408B CN202211621330.3A CN202211621330A CN115659408B CN 115659408 B CN115659408 B CN 115659408B CN 202211621330 A CN202211621330 A CN 202211621330A CN 115659408 B CN115659408 B CN 115659408B
- Authority
- CN
- China
- Prior art keywords
- sensitive data
- data
- model
- power system
- network
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本申请涉及一种电力系统敏感数据共享方法、系统及存储介质,方法包括收集一定规模的电力系统敏感数据构造成数据集;采用多层感知器前馈神经网络设计噪声生成模型,模型包括输入层,5层隐藏层和输出层,隐藏层采用ReLU神经单元;结合差分隐私和生成式对抗网络构造设计敏感数据共享模型;利用数据集对设计的噪声生成模型和敏感数据共享模型进行训练测试;将待共享的敏感数据输入设计的噪声生成模型和敏感数据共享模型,得到脱敏的可以共享的敏感数据。本申请可以有效平衡数据的隐私性和可用性。
Description
技术领域
本申请涉及电力系统信息安全领域,具体涉及一种考虑噪声优化的电力系统敏感数据共享方法、系统及存储介质。
背景技术
随着新型电力系统的建设,电力系统中部署了各类物联网设备,在状态感知、信息传输和数据处理等环节产生了大量的有价值的数据。当前基于人工智能的数据驱动的方法在电力系统中得到了广泛的应用,在设备故障诊断、用电行为分析和电力系统潮流调度等方法发挥了重要作用。但是基于数据驱动的方法要求收集大量的数据,实现数据共享,但是直接共享原始数据可能泄漏用户敏感信息,甚至是电力系统安全运行敏感信息,如掌握用户用电行为和发现电力系统薄弱环节。
传统的敏感数据共享方法主要是基于密码学,例如利用同态加密对相应的数据进行加密,然后交给运算方进行计算。但是该方法只能保证计算过程是安全的。对于实际应用来说,计算过程的结束并不代表整个任务的完成,计算结果仍然可能泄漏隐私。差分隐私(Differential Privacy)模型不需要依赖于攻击者所拥有多少背景知识,而且对隐私信息提供了更高级别的语义安全,因此被作为一种新型的隐私保护模型而广泛使用。但是该方法仍然面临隐私性与数据可用性之间的矛盾,当添加较小噪音时,用户行为隐私性难以得到保证;当添加较大噪音时,数据可用性受到过大损失。随着人工智能技术的发展,利用生成式对抗网络(Generative Adversarial Network,GAN)产生逼近真实样本的生成数据,共享生成数据代替真实数据共享可以避免隐私泄露的风险,并且可以扩充小规模数据。但是研究表明,由于在GAN的对抗博弈过程中,需要使用真实样本反复训练判别器,进而迭代训练生成器,还会存在敏感信息泄露的风险。
针对上述问题,一种解决方案是结合DP和GAN,实现对敏感信息的隐私保护,例如DPGAN。该方案中,需要在GAN网络训练前、训练中或者训练后相应环节添加高斯噪声或者拉普拉斯噪声。研究表明,噪声规模可以影响隐私损失和迭代次数(Schwabedal J TC,MichelP,Riontino M S.Differentially Private Generation of Small Images[J].arXivpreprint arXiv:2005.00783,2020.)。但是目前主要基于人工经验选择噪声分布模型,调整噪声规模。针对该问题,通过优化噪声规模,有助于平衡数据的隐私性和可用性。
发明内容
本申请实施例的目的在于提供一种考虑噪声优化的电力系统敏感数据共享方法、系统及存储介质,考虑噪声优化,提高电力系统敏感数据共享的安全性。
为实现上述目的,本申请提供如下技术方案:
第一方面,本申请实施例提供一种电力系统敏感数据共享方法,包括以下具体步骤:
构造数据集:收集一定规模的电力系统敏感数据构造成数据集,电力系统敏感数据包括用户负荷数据和通信流量数据;
设计噪声生成模型:采用多层感知器前馈神经网络设计噪声生成模型,模型包括输入层,5层隐藏层和输出层,隐藏层采用ReLU神经单元,模型的输入为敏感数据的状态特征s;输出为噪声数据t;
设计敏感数据共享模型:结合差分隐私和生成式对抗网络构造设计敏感数据共享模型,模型采用生成式对抗网络,根据差分隐私原理对生成式对抗网络的损失函数添加噪声数据,模型的输入为敏感数据的状态特征s和敏感数据x;输出为脱敏后的隐私数据训练模型:利用数据集对设计的噪声生成模型和敏感数据共享模型进行训练测试;
共享电力系统敏感数据:将待共享的敏感数据输入设计的噪声生成模型和敏感数据共享模型,得到脱敏的可以共享的敏感数据。
所述敏感数据的状态特征S=[x;x′],x′表示对原始敏感数据进行差分隐私计算后得到的数据,计算方法为:
x′=x+N(0,σ2)(1)
σ表示正态分布的方差。
所述设计噪声生成模型具体为,基于actor-critic网络构造噪声生成模型,Critic网络用于预估动作-价值函数Qπ(s,a),Actor输出的动作a=z,动作-价值函数Qπ(s,a)定义为
式中,γ∈[0,1]表示衰减因子,rt′表示收益函数,定义为
式中,Pr(y′)和Pr(y″)分别表示脱敏后数据y′和y″的概率,α表示隐私损失权重。
噪声生成模型中Critic网络和Actor网络均采用多层感知器前馈神经网络,包括输入层,5层隐藏层和输出层,隐藏层采用ReLU神经单元,模型的输入为敏感数据的状态特征s;输出为噪声数据z,噪声生成模型中,通过最小化Critic网络的损失函数L更新权重系数θQ′,损失函数L定义为:
式中,yi=ri+γQ′(si+1,μ′(si+1|θμ′)|θQ′),θμ′表示Actor网络权重系数,利用DDPG更新Actor网络权重系数θμ′,更新公式为
式中,μ(si)表示状态si采取的策略。
所述设计敏感数据共享模型具体为,基于GAN网络构造敏感数据共享模型,包括生成器G和判别器D,生成器G用于生成与电力系统敏感数据概率分布相似的数据,输入为噪声生成模型输出的噪声数据z,输出为脱敏后的敏感数据;判别器D通过真实样本和生成器G生成的数据进行对比,用以判别生成器的好坏,输入为原始敏感数据x,输出为0或者1,其中0代表数据脱敏,1代表数据未脱敏,生成器G和判别器D均采用深度神经网络,深度神经网络根据敏感数据的特征进行构造,生成器G和判别器D均采用深度神经网络损失函数fG和fD分别为:
式中,m表示从数据集中采样的数据x的大小,y和w分别表示生成器G和判别器D的网络参数。
利用泰勒展开公式,判别器D的损失函数近似为
式中,λ表示多项式系数,h(w)判别器D的深度神经网络,k表示深度神经网络的训练迭代次数,在判别器D损失函数fD的多项式系数上λ添加噪声z,即
判别器D的神经网络参数w利用如下损失函数进行更新:
第二方面,本申请实施例提供一种电力系统通信敏感数据共享系统,包括,数据集构造模块:收集一定规模的电力系统敏感数据构造成数据集,电力系统敏感数据包括用户负荷数据和通信流量数据;
噪声生成模型建立模块:利用多层感知器前馈神经网络构造噪声生成模型,该模型的输入为待共享敏感数据的状态特征,输出为生成的噪声数据;
敏感数据共享模型建立模块:结合差分隐私和生成式对抗网络构造设计敏感数据共享模型,该模型的输入为待共享敏感数据和噪声生成模型产生的噪声数据,输出为脱敏的可以共享的数据;
模型训练模块:利用数据集对设计的敏感数据共享模型和噪声生成模型进行训练测试;
电力系统敏感数据共享模块:利用噪声生成模型和敏感数据共享模型,将敏感数据共享模型生成器D的输出作为共享的敏感数据。
第三方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有程序代码,所述程序代码被处理器执行时,实现如上所述的电力系统通信敏感信息识别方法的步骤。
与现有技术相比,本发明的有益效果是:
1.考虑到噪声的连续性,利用DDPG可以实现对噪声规模的寻优,避免了传统差分隐私中只利用高斯噪声分布或者拉普拉斯噪声分布的缺点,有利于提高敏感数据的隐私性。
2.一般的方法是在GAN的梯度上增加噪声,隐私预算累计与训练步数相关,仍然可能存在隐私泄漏的问题。本发明在目标函数中增加噪声,更有利于保护敏感数据。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例的方法流程图;
图2为本申请实施例的共享模型原理框图;
图3为本申请实施例的系统框图。
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描述。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
参照图1和图2,本申请实施例提供的一种电力系统通信敏感信息识别方法,包括以下具体步骤:
S1.构造数据集:收集一定规模的电力系统敏感数据构造成数据集,电力系统敏感数据包括用户负荷数据和通信流量数据;
S2.设计噪声生成模型:采用多层感知器前馈神经网络设计噪声生成模型,模型包括输入层,5层隐藏层和输出层,隐藏层采用ReLU神经单元,模型的输入为敏感数据的状态特征s;输出为噪声数据t;
S3.设计敏感数据共享模型:结合差分隐私和生成式对抗网络构造设计敏感数据共享模型,模型采用生成式对抗网络,根据差分隐私原理对生成式对抗网络的损失函数添加噪声数据,模型的输入为:敏感数据的状态特征s和敏感数据x;输出为:脱敏后的隐私数据
S4.训练模型:利用数据集对设计的噪声生成模型和敏感数据共享模型进行训练测试;
S5.共享电力系统敏感数据:将待共享的敏感数据输入设计的噪声生成模型和敏感数据共享模型,得到脱敏的可以共享的敏感数据。
所述敏感数据的状态特征s=[x;x′],x′表示对原始敏感数据进行差分隐私计算后得到的数据,计算方法为:
x′=x+N(0,σ2)(1)
σ表示正态分布的方差。
基于actor-critic网络构造噪声生成模型,Critic网络用于预估动作-价值函数Qπ(s,a),Actor输出的动作a=z,动作-价值函数Qπ(s,a)定义为
式中,γ∈[0,1]表示衰减因子,rt′表示收益函数,定义为
式中,Pr(y′)和Pr(y″)分别表示脱敏后数据y′和y″的概率,α表示隐私损失权重。
噪声生成模型中Critic网络和Actor网络均采用多层感知器前馈神经网络,包括输入层,5层隐藏层和输出层,隐藏层采用ReLU神经单元。模型的输入为:敏感数据的状态特征s;输出为:噪声数据z。噪声生成模型中,通过最小化Critic网络的损失函数L更新权重系数θQ′,损失函数L定义为:
式中,yi=ri+γQ′(si+1μ′(si+1|θμ′)θQ′),θμ′表示Actor网络权重系数。利用Deepdeterministic policy gradient(DDPG)更新Actor网络权重系数θμ′,更新公式为
式中,μ(si)表示状态Si采取的策略。
基于GAN网络构造敏感数据共享模型,包括生成器G(generative model)和判别器D(discriminative model),生成器G用于生成与电力系统敏感数据概率分布相似的数据,输入为:噪声生成模型输出的噪声数据z,输出为:脱敏后的敏感数据;判别器D通过真实样本和生成器G生成的数据进行对比,用以判别生成器的好坏,输入为:原始敏感数据x,输出为:0或者1,其中0代表数据脱敏,1代表数据未脱敏。生成器G和判别器D均采用深度神经网络。深度神经网络根据敏感数据的特征进行构造,例如,对于时序特征数据,如用电数据,可以采用长短期记忆神经网络(LSTM),对于图像数据,如输电线路巡检图片,可以采用深度卷积神经网络(CNN)。生成器G和判别器D均采用深度神经网络损失函数fG和fD分别为:
式中,m表示从数据集中采样的数据x的大小,y和w分别表示生成器G和判别器D的网络参数。
利用泰勒展开公式,判别器D的损失函数近似为
式中,λ表示多项式系数,h(w)判别器D的深度神经网络,k表示深度神经网络的训练迭代次数,在判别器D损失函数fD的多项式系数上λ添加噪声z,即
判别器D的神经网络参数w利用如下损失函数进行更新:
如图3,本申请实施例提供一种电力系统通信敏感信息识别系统,包括,数据集构造模块1:收集一定规模的电力系统敏感数据构造成数据集,电力系统敏感数据包括用户负荷数据和通信流量数据;
噪声生成模型建立模块2:利用多层感知器前馈神经网络构造噪声生成模型,该模型的输入为待共享敏感数据的状态特征,输出为生成的噪声数据;
敏感数据共享模型建立模块3:结合差分隐私和生成式对抗网络构造设计敏感数据共享模型,该模型的输入为待共享敏感数据和噪声生成模型产生的噪声数据,输出为脱敏的可以共享的数据;
模型训练模块4:利用数据集对设计的敏感数据共享模型和噪声生成模型进行训练测试;电力系统敏感数据共享模块5:利用噪声生成模型和敏感数据共享模型,将敏感数据共享模型生成器D的输出作为共享的敏感数据。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有程序代码,所述程序代码被处理器执行时,实现如上所述的电力系统通信敏感信息识别方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (5)
1.一种电力系统敏感数据共享方法,其特征在于,包括以下具体步骤:
构造数据集:收集一定规模的电力系统敏感数据构造成数据集,电力系统敏感数据包括用户负荷数据和通信流量数据;
设计噪声生成模型:采用多层感知器前馈神经网络设计噪声生成模型,模型包括输入层,5层隐藏层和输出层,隐藏层采用ReLU神经单元,模型的输入为敏感数据的状态特征s;输出为噪声数据t;
设计敏感数据共享模型:结合差分隐私和生成式对抗网络构造设计敏感数据共享模型,模型采用生成式对抗网络,根据差分隐私原理对生成式对抗网络的损失函数添加噪声数据,模型的输入为敏感数据的状态特征s和敏感数据x;输出为脱敏后的隐私数据
训练模型:利用数据集对设计的噪声生成模型和敏感数据共享模型进行训练测试;
共享电力系统敏感数据:将待共享的敏感数据输入设计的噪声生成模型和敏感数据共享模型,得到脱敏的可以共享的敏感数据;
所述敏感数据的状态特征s=[x;x′],x′表示对原始敏感数据进行差分隐私计算后得到的数据,计算方法为:
x′=x+N(0,σ2) (1)
σ表示正态分布的方差;
所述设计噪声生成模型具体为,基于actor-critic网络构造噪声生成模型,Critic网络用于预估动作-价值函数Qπ(s,a),Actor输出的动作a=z,动作-价值函数Qπ(s,a)定义为
式中,γ∈[0,1]表示衰减因子,rt′表示收益函数,定义为
式中,Pr(y′)和Pr(y″)分别表示脱敏后数据y′和y″的概率,α表示隐私损失权重;噪声生成模型中Critic网络和Actor网络均采用多层感知器前馈神经网络,包括输入层,5层隐藏层和输出层,隐藏层采用ReLU神经单元,模型的输入为敏感数据的状态特征s;输出为噪声数据z,噪声生成模型中,通过最小化Critic网络的损失函数L更新权重系数θQ′,损失函数L定义为:
式中,yi=ri+γQ′(si+1,μ′(si+1|θμ′)|θQ′),θμ′表示Actor网络权重系数,利用DDPG更新Actor网络权重系数θμ′,更新公式为
式中,μ(si)表示状态si采取的策略。
2.根据权利要求1所述的一种电力系统敏感数据共享方法,其特征在于,所述设计敏感数据共享模型具体为,基于GAN网络构造敏感数据共享模型,包括生成器G和判别器D,生成器G用于生成与电力系统敏感数据概率分布相似的数据,输入为噪声生成模型输出的噪声数据z,输出为脱敏后的敏感数据;判别器D通过真实样本和生成器G生成的数据进行对比,用以判别生成器的好坏,输入为原始敏感数据x,输出为0或者1,其中0代表数据脱敏,1代表数据未脱敏,生成器G和判别器D均采用深度神经网络,深度神经网络根据敏感数据的特征进行构造,生成器G和判别器D均采用深度神经网络损失函数fG和fD分别为:
式中,m表示从数据集中采样的数据x的大小,y和w分别表示生成器G和判别器D的网络参数。
4.一种电力系统敏感数据共享系统,用以实现权利要求1-3任一所述的方法,其特征在于,包括,
数据集构造模块:收集一定规模的电力系统敏感数据构造成数据集,电力系统敏感数据包括用户负荷数据和通信流量数据;
噪声生成模型建立模块:利用多层感知器前馈神经网络构造噪声生成模型,该模型的输入为待共享敏感数据的状态特征,输出为生成的噪声数据;
敏感数据共享模型建立模块:结合差分隐私和生成式对抗网络构造设计敏感数据共享模型,该模型的输入为待共享敏感数据和噪声生成模型产生的噪声数据,输出为脱敏的可以共享的数据;
模型训练模块:利用数据集对设计的敏感数据共享模型和噪声生成模型进行训练测试;
电力系统敏感数据共享模块:利用噪声生成模型和敏感数据共享模型,将敏感数据共享模型生成器D的输出作为共享的敏感数据。
5.一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存储有程序代码,所述程序代码被处理器执行时,实现如权利要求1-3任一所述的电力系统敏感数据共享方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211621330.3A CN115659408B (zh) | 2022-12-05 | 2022-12-05 | 一种电力系统敏感数据共享方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211621330.3A CN115659408B (zh) | 2022-12-05 | 2022-12-05 | 一种电力系统敏感数据共享方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115659408A CN115659408A (zh) | 2023-01-31 |
CN115659408B true CN115659408B (zh) | 2023-04-07 |
Family
ID=85022955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211621330.3A Active CN115659408B (zh) | 2022-12-05 | 2022-12-05 | 一种电力系统敏感数据共享方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659408B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150555B (zh) * | 2023-09-05 | 2024-05-03 | 江苏洪旭德生科技有限公司 | 一种结合人工智能的共享数据隐私处理方法 |
CN117201187B (zh) * | 2023-11-01 | 2024-01-05 | 国网湖北省电力有限公司武汉供电公司 | 一种电力数据安全共享方法、系统及存储介质 |
CN117494225A (zh) * | 2023-11-08 | 2024-02-02 | 丝路信息港云计算科技有限公司 | 基于差分和三相自适应学习的数据隐私保护系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536382A (zh) * | 2021-08-09 | 2021-10-22 | 北京理工大学 | 利用联邦学习基于区块链的医疗数据共享隐私保护方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368752B (zh) * | 2017-07-25 | 2019-06-28 | 北京工商大学 | 一种基于生成式对抗网络的深度差分隐私保护方法 |
CN108763954B (zh) * | 2018-05-17 | 2022-03-01 | 西安电子科技大学 | 线性回归模型多维高斯差分隐私保护方法、信息安全系统 |
CN110648289B (zh) * | 2019-08-29 | 2023-07-11 | 腾讯科技(深圳)有限公司 | 图像的加噪处理方法及装置 |
CN110880313B (zh) * | 2019-12-06 | 2022-12-13 | 徐工集团工程机械股份有限公司道路机械分公司 | 一种基于降噪反馈输出当前环境对抗噪声的控制方法及系统 |
CN113536373B (zh) * | 2021-07-07 | 2023-04-18 | 河南大学 | 一种脱敏气象数据的生成方法 |
CN113553624A (zh) * | 2021-07-30 | 2021-10-26 | 天津大学 | 基于改进pate的wgan-gp隐私保护系统和方法 |
CN113792215A (zh) * | 2021-09-15 | 2021-12-14 | 江南大学 | 基于深度自编码器的差分隐私推荐方法及系统 |
CN114912142A (zh) * | 2022-04-22 | 2022-08-16 | 绿盟科技集团股份有限公司 | 一种数据脱敏方法、装置、电子设备及存储介质 |
-
2022
- 2022-12-05 CN CN202211621330.3A patent/CN115659408B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536382A (zh) * | 2021-08-09 | 2021-10-22 | 北京理工大学 | 利用联邦学习基于区块链的医疗数据共享隐私保护方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115659408A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115659408B (zh) | 一种电力系统敏感数据共享方法、系统及存储介质 | |
US20220269942A1 (en) | Privacy Enhancing Deep Learning Cloud Service Using a Trusted Execution Environment | |
CN111177792B (zh) | 基于隐私保护确定目标业务模型的方法及装置 | |
Boge | Two dimensions of opacity and the deep learning predicament | |
US11256975B2 (en) | Distributed architecture for explainable AI models | |
CN113961759B (zh) | 基于属性图表示学习的异常检测方法 | |
Wang et al. | Improving efficiency of the Bayesian approach to water distribution contaminant source characterization with support vector regression | |
Raje et al. | Decentralised firewall for malware detection | |
US20230394324A1 (en) | Neural Flow Attestation | |
CN114513337B (zh) | 一种基于邮件数据的隐私保护链接预测方法及系统 | |
Farbiz et al. | Knowledge-embedded machine learning and its applications in smart manufacturing | |
WO2022182905A1 (en) | Stochastic noise layers | |
US20220197994A1 (en) | Neural network confidentiality | |
Johri et al. | System Assurances: Modeling and Management | |
Li et al. | Efficient regional seismic risk assessment via deep generative learning of surrogate models | |
US20230088588A1 (en) | Security as a service for machine learning | |
Mishra | Model Explainability for Rule-Based Expert Systems | |
Dănciulescu | Formal languages generation in systems of knowledge representation based on stratified graphs | |
CN114510592A (zh) | 图像分类方法、装置、电子设备及存储介质 | |
WO2022239200A1 (ja) | 学習装置、推論装置、学習方法、及びコンピュータ可読媒体 | |
Hsiao et al. | PrivGRU: Privacy-preserving GRU inference using additive secret sharing | |
Parne et al. | An Investigation on Learning, Polluting, and Unlearning the Spam Emails for Lifelong Learning | |
Mylonas et al. | Remaining useful life estimation under uncertainty with causal GraphNets | |
Siva et al. | Automatic Software Bug Prediction Using Adaptive Artificial Jelly Optimization With Long Short-Term Memory | |
CN115439721B (zh) | 电力设备异常少样本缺陷分类模型训练方法、装置 |
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 |