CN116484426A - 一种基于可信执行环境的医疗数据联邦学习方法及系统 - Google Patents
一种基于可信执行环境的医疗数据联邦学习方法及系统 Download PDFInfo
- Publication number
- CN116484426A CN116484426A CN202310446599.0A CN202310446599A CN116484426A CN 116484426 A CN116484426 A CN 116484426A CN 202310446599 A CN202310446599 A CN 202310446599A CN 116484426 A CN116484426 A CN 116484426A
- Authority
- CN
- China
- Prior art keywords
- client
- aggregation
- model
- execution environment
- trusted execution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000002776 aggregation Effects 0.000 claims abstract description 94
- 238000004220 aggregation Methods 0.000 claims abstract description 94
- 238000012549 training Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 46
- 238000012795 verification Methods 0.000 claims abstract description 44
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000013468 resource allocation Methods 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000005259 measurement Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于联邦学习领域，具体涉及一种基于可信执行环境的医疗数据联邦学习方法及系统，该方法包括：客户端与聚合服务器进行双向身份认证；客户端向聚合服务器获取初始全局模型参数，根据初始全局模型参数对全局模型进行训练，将训练后的模型参数加密后返回给聚合服务器；聚合服务器对返回的模型参数进行聚合，将聚合结果发送给客户端，客户端对聚合结果进行安全性验证，若验证失败，则重新进行模型参数聚合，若验证成功，则根据参数聚合结果确定最优模型参数；根据最优的训练模型完成医疗资源分配；本发明通过可信执行环境并结合数字签名SM2技术，实现了安全可信的联邦学习模型训练机制，保证了联邦计算过程中结果的安全性和可靠性。
Description
技术领域
本发明属于联邦学习领域，具体涉及一种基于可信执行环境的医疗数据联邦学习方法及系统。
背景技术
近年来，用户隐私保护和数据安全问题越来越受到人们的重视；而医疗数据由于涉及到病人的患病信息，是极为隐私和敏感的数据类型，更需要进行严格的安全保护。可信执行环境(Trusted Execution Environment，TEE)是一种安全的可信硬件，凭借内存隔离和远程认证这两大特性使得安全区内敏感的数据和代码不受任何恶意软件的非法访问及篡改。国密算法指的是国家密码局认证并设计的一系列国产秘密算法，主要包括SM1，SM2，SM3，SM4，SM7，SM9等，其中，SM2为非对称加密算法，SM3为消息摘要算法，SM4为分组对称加密算法。联邦学习(Federated Learning，FL)是隐私保护计算体系里的关键技术之一，通过原始数据不出库，交换中间参数的方式实现多方共同训练机器学习模型。联邦学习按照数据的分布情况，又分为横向联邦学习、纵向联邦学习和联邦迁移学习。由于交互的中间参数会导致数据存在泄露的风险，现有的联邦学习方案往往需要结合其他隐私保护技术以实现安全的联邦模型训练过程。然而，现有的解决方案中，诸如同态加密技术其计算执行复杂度较高，安全多方计算技术其通信时间复杂度较高，差分隐私技术在隐私和精度控制上难以平衡。因此，如何实现联邦学习中安全和效率的综合平衡，是目前亟待解决的问题。
发明内容
为解决以上现有技术存在的问题，本发明提出了一种基于可信执行环境的医疗数据联邦学习方法，该方法包括：客户端与聚合服务器进行双向身份认证；客户端向聚合服务器获取初始全局模型参数，根据初始全局模型参数对全局模型进行训练，将训练后的模型参数加密后返回给聚合服务器；聚合服务器对返回的模型参数进行聚合，将聚合结果发送给客户端，客户端对聚合结果进行安全性验证，若验证失败，则重新进行模型参数聚合，若验证成功，则根据参数聚合结果确定最优的模型参数，得到最优的训练模型；根据最优的训练模型完成医疗资源分配。
优选的，客户端与聚合服务器进行双向身份认证的过程包括：客户端向可信执行环境服务商申请注册数字证书，该数字证书包括客户端身份和签名公钥信息；客户端将数字证书发送给服务端进行身份认证；服务端认证成功后将认证结果返回给对应的客户端。
进一步的，客户端向可信执行环境服务商申请注册数字证书的过程中生成用于数字签名的公私钥对，且密钥生成方式将采用国产密码SM2机制，数字签名机制将适用于基于可信执行环境的联邦学习场景下的身份认证过程。
优选的，客户端对全局模型进行训练的过程包括：客户端基于协商密钥同服务端安全区建立安全通信，客户端基于全局初始模型和本地数据进行本地训练，将训练后的参数通过信道传输给聚合服务器。
优选的，聚合服务器对返回的模型参数进行聚合的过程包括：聚合服务器对所有客户端输出的参数进行聚合，采用参数对应的共享密钥对加密后的参数进行解密，根据参数平均的方式将解密后的参数进行模型聚合；根据参数聚合结果计算模型的损失函数，当损失函数收敛时，完成模型参数聚合过程，并将聚合结果返回给客户端。
优选的，客户端对聚合结果进行安全性验证包括：客户端获取聚合结果后向聚合服务器发起认证请求；聚合服务器接收到请求后，聚合服务器的安全区生成聚合结构对应的哈希摘要值，采用私钥对哈希摘要值进行签名；将签名后的哈希摘要值发送给验证者；验证者对签名后的摘要值进行验证，若验证成功，则采用公钥验签，并将验证结果返回给客户端，若验证失败，则生成聚合结果不准确的命令，并返回给聚合服务端。
一种基于可信执行环境的医疗数据联邦学习系统，包括：系统建立模块、本地训练模块、全局训练模块以及系统验证模块；
所述系统建立模块用于客户端与聚合服务器进行双向身份认证工作；
所述本地训练模块用于客户端本地执行模型训练过程；
所述全局训练模块用于聚合服务器执行全局模型安全聚合过程；
所述系统验证模块用于客户端向安全区发起远程认证验证训练结果。
为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一上述基于可信执行环境的医疗数据联邦学习方法。
为实现上述目的，本发明还提供一种基于可信执行环境的医疗数据联邦学习装置，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种基于可信执行环境的医疗数据联邦学习装置执行任一上述基于可信执行环境的医疗数据联邦学习方法。
本发明能够解决传统联邦学习中使用诸如同态加密、安全多方计算、差分隐私等机制导致的计算开销高、通信开销大，以及精度下降等问题。同时，可信执行环境结合国产数字签名SM2进一步保证了联邦计算过程中结果可靠性。
附图说明
图1为本发明的基于可信执行环境的医疗数据联邦学习流程示意图；
图2为本发明的基于可信执行环境的医疗数据联邦学习模块图。
图3为本发明的基于可信执行环境的医疗数据联邦学习架构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
一种基于可信执行环境的医疗数据联邦学习方法，如图1所示，该方法包括：客户端与聚合服务器进行双向身份认证；客户端向聚合服务器获取初始全局模型参数，根据初始全局模型参数对全局模型进行训练，将训练后的模型参数加密后返回给聚合服务器；聚合服务器对返回的模型参数进行聚合，将聚合结果发送给客户端，客户端对聚合结果进行安全性验证，若验证失败，则重新进行模型参数聚合，若验证成功，则根据参数聚合结果确定最优的模型参数，得到最优的训练模型；根据最优的训练模型完成医疗资源分配。
基于可信执行环境的医疗数据联邦学习方法的具体实施方式，该方法包括：
S1：系统建立：客户端向聚合服务器发起身份认证过程。
S11，客户端首先需要向可信执行环境服务商注册申请数字证书，该数字证书包含客户端身份信息和签名公钥信息。
S12，客户端使用对应私钥对持有数字证书进行签名，转发给聚合服务器，服务器中的安全区将向服务商请求白名单校验机制，从而完成客户端和聚合服务器的双向身份认证工作。
S13，认证完成后，将进行可靠密钥协商过程，以用于后续模型参数的安全传输。
S14，客户端将申请在聚合服务器中创建可信安全区，此过程中安全区需要对客户端引用程序进行安全性度量，以保证安全区中的数据和代码的完整性。
S15，度量值比对成功，则安全区建立成功；度量值比对失败，则安全区创建失败。
作为一个示例，所述客户端为医疗机构，各医疗机构由于自身数据持有量问题，将联合其他医疗机构进行模型训练过程，以更好地实施科研任务。医疗机构持有的本地数据集均为高度敏感的医疗数据，包括表格数据、文本数据、图像数据等。所述用于签名的非对称加密算法为国密SM2算法，所述用于加密数据传输的对称加密算法为国密SM4算法，所述用于程序安全度量的哈希摘要算法为国密SM3算法。
客户端应用程序定义为prog＝(input,code)，客户端对应用程序的度量操作定义为state＝hash(sm3,prog)。首先，客户端对度量值加密e＝encrypt(sm4,state,mski)，对加密结果进行签名σ＝Sign(sm2,e,ski)。然后，客户端将度量值与密文及自身标识信息发送到服务端，服务端特权安全区执行对应的验签操作Verify＝(sm2,e,σ,pki)。验签成功则表明，客户端应用程序在进入安全区之前未被篡改。此后，服务端将进行客户端安全区的创建和初始化工作。
S2：客户端本地训练过程：系统成功建立后，客户端基于本地数据完成本地训练过程。
S21：客户端从聚合服务器下载初始的全局模型参数，然后解密。
S22：客户端选择约定好的模型训练算法，在本地根据随机梯度下降算法进行多次迭代完成训练过程。
S23：客户端将本地数据训练结果加密再返回给聚合服务器。
作为一个示例，所述客户端本地训练过程，可以包括执行各种机器学习算法，比如医疗数据场景中常使用到的逻辑回归算法。客户端持有本地数据，在各种训练参数的协调下，采用随机梯度下降算法不断优化损失函数值，训练得到梯度值和模型参数。然后再将梯度或者模型参数加密后返回给客户端。
S3：聚合服务器对模型参数进行聚合，其过程包括：聚合服务器收集客户端本地模型参数，采取聚合算法完成模型参数聚合过程。具体过程如下：
S31：服务端对模型参数进行选取，选择一定比例的客户端参与模型聚合过程。
S32：服务端利用对应的共享密钥进行加密后的参数解密，并按照参数平均的方式进行模型聚合。
S34：一轮聚合完成后服务端利用全局损失函数判断模型是否收敛，收敛则停止训练，未收敛则继续训练。
S35：服务端将聚合结果加密再返回给各客户端，用于后续模型更新。
作为一个示例，聚合服务器聚合过程，可以按照加权平均方式执行梯度聚合或模型聚合，即对所有筛选客户端的参数求和取平均值，客户端选择策略可以按照连接稳定性、参数质量、参数相似度、历史评分、权重、随机等方式，不同方式将对提升聚合效率和聚合质量有不同影响。此外，服务端安全聚合算法执行效果将受到全局迭代轮数、本地迭代轮数、梯度batch以及学习率等参数控制。
S4：系统验证过程：客户端向安全区发起远程认证验证训练结果。客户端为验证目标程序在目标安全区中是否被正确执行，可以向安全区发起远程认证过程。
S41：客户端发起远程认证请求。
S42：服务端响应，服务端对应安全区生成计算结果的哈希摘要值，并使用私钥签名，发送给验证者验证。
S43：持有公钥的验证者对签名后的哈希摘要值进行验证，即首先比对摘要是否一致，一致则继续，不一致则退出。然后使用公钥验签，并将结果报告返回给客户端。
S44：客户端基于报告结果决定是否继续进行模型训练。
作为一个示例，所述系统验证过程主要为了验证安全区中计算结果的正确性，该正确性由可信硬件和数字签名机制保证，该验证过程包括本地验证和远程认证两种，本地认证指同一可信平台的两个安全区之间的认证，该类型认证可由对称密钥实现；远程认证指不同可信平台间的安全区认证，该类型认证可由非对称加密算法实现。所述实施例过程包括上述两种认证过程。
认证过程包括：客户端向服务端发起认证请求。服务端响应，然后计算加密结果e＝(sm4,output,mski)，并对结果摘要进行签名σ＝Sign(sm2,h(sm3,e),ski)，服务端发送e,h(e)以及σ到具备认证资质的认证服务商。认证服务商首先运用同样的hash算法比对h(e)是否匹配。若匹配，则进行下一步；若不匹配，则验证失败。服务商执行验签操作
Verify＝(sm2,h(e),σ,pki)＝1，如果通过则表明计算结果在安全区中输出，计算结果具备真实性，且安全区对计算结果具备不可抵赖性。服务商将验证报告发送到挑战者客户端，客户端根据报告结果决定是否进行执行系统训练过程。
一种基于可信执行环境的医疗数据联邦学习系统，如图2所示，该系统包括：系统建立模块、本地训练模块、全局训练模块以及系统验证模块；
所述系统建立模块用于客户端与聚合服务器进行双向身份认证工作；
所述本地训练模块用于客户端本地执行模型训练过程；
所述全局训练模块用于聚合服务器执行全局模型安全聚合过程；
所述系统验证模块用于客户端向安全区发起远程认证验证训练结果。
一种基于可信执行环境的医疗数据联邦学习系统架构如图3所示，该架构涉及多个客户端和一个聚合服务器，客户端从聚合服务器处下载模型参数和上传模型参数，丙级可信信道进行模型参数传输过程。聚合服务器更新并分发模型参数，指导全局训练过程。整个训练过程结合国密数字签名技术，实现数据机密数据和代码完整性保护。
系统的具体实施方式与方法的具体实施方式相同。
于本发明一实施例中，本发明还包括一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一所述基于可信执行环境的医疗数据联邦学习方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
一种基于可信执行环境的医疗数据联邦学习装置，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种基于可信执行环境的医疗数据联邦学习装置执行任一上述基于可信执行环境的医疗数据联邦学习方法。
具体地，所述存储器包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
优选地，所述处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于可信执行环境的医疗数据联邦学习方法，其特征在于，包括：客户端与聚合服务器进行双向身份认证；客户端向聚合服务器获取初始全局模型参数，根据初始全局模型参数对全局模型进行训练，将训练后的模型参数加密后返回给聚合服务器；聚合服务器对返回的模型参数进行聚合，将聚合结果发送给客户端，客户端对聚合结果进行安全性验证，若验证失败，则重新进行模型参数聚合，若验证成功，则根据参数聚合结果确定最优的模型参数，得到最优的训练模型；根据最优的训练模型完成医疗资源分配。
2.根据权利要求1所述的一种基于可信执行环境的医疗数据联邦学习方法，其特征在于，客户端与聚合服务器进行双向身份认证的过程包括：客户端向可信执行环境服务商申请注册数字证书，该数字证书包括客户端身份和签名公钥信息；客户端将数字证书发送给服务端进行身份认证；服务端认证成功后将认证结果返回给对应的客户端。
3.根据权利要求2所述的一种基于可信执行环境的医疗数据联邦学习方法，其特征在于，客户端向可信执行环境服务商申请注册数字证书的过程中生成用于数字签名的公私钥对，且密钥生成方式将采用国产密码SM2机制，数字签名机制将适用于基于可信执行环境的联邦学习场景下的身份认证过程。
4.根据权利要求1所述的一种基于可信执行环境的医疗数据联邦学习方法，其特征在于，客户端对全局模型进行训练的过程包括：客户端基于协商密钥同服务端安全区建立安全通信，客户端基于全局初始模型和本地数据进行本地训练，将训练后的参数通过信道传输给聚合服务器。
5.根据权利要求1所述的一种基于可信执行环境的医疗数据联邦学习方法，其特征在于，聚合服务器对返回的模型参数进行聚合的过程包括：聚合服务器对所有客户端输出的参数进行聚合，采用参数对应的共享密钥对加密后的参数进行解密，根据参数平均的方式将解密后的参数进行模型聚合；根据参数聚合结果计算模型的损失函数，当损失函数收敛时，完成模型参数聚合过程，并将聚合结果返回给客户端。
6.根据权利要求1所述的一种基于可信执行环境的医疗数据联邦学习方法，其特征在于，客户端对聚合结果进行安全性验证包括：客户端获取聚合结果后向聚合服务器发起认证请求；聚合服务器接收到请求后，聚合服务器的安全区生成聚合结构对应的哈希摘要值，采用私钥对哈希摘要值进行签名；将签名后的哈希摘要值发送给验证者；验证者对签名后的摘要值进行验证，若验证成功，则采用公钥验签，并将验证结果返回给客户端，若验证失败，则生成聚合结果不准确的命令，并返回给聚合服务端。
7.一种基于可信执行环境的医疗数据联邦学习系统，该系统用于执行权利要求1～6所述的任意一种基于可信执行环境的医疗数据联邦学习方法，其特征在于，包括：系统建立模块、本地训练模块、全局训练模块以及系统验证模块；
所述系统建立模块用于客户端与聚合服务器进行双向身份认证工作；
所述本地训练模块用于客户端本地执行模型训练过程；
所述全局训练模块用于聚合服务器执行全局模型安全聚合过程；
所述系统验证模块用于客户端向安全区发起远程认证验证训练结果。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行，以实现权利要求1至6中任一项基于可信执行环境的医疗数据联邦学习方法。
9.一种基于可信执行环境的医疗数据联邦学习装置，其特征在于，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种基于可信执行环境的医疗数据联邦学习装置执行权利要求1至6中任一项基于可信执行环境的医疗数据联邦学习方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310446599.0A CN116484426A (zh) | 2023-04-24 | 2023-04-24 | 一种基于可信执行环境的医疗数据联邦学习方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310446599.0A CN116484426A (zh) | 2023-04-24 | 2023-04-24 | 一种基于可信执行环境的医疗数据联邦学习方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116484426A true CN116484426A (zh) | 2023-07-25 |
Family
ID=87224698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310446599.0A Pending CN116484426A (zh) | 2023-04-24 | 2023-04-24 | 一种基于可信执行环境的医疗数据联邦学习方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116484426A (zh) |
-
2023
- 2023-04-24 CN CN202310446599.0A patent/CN116484426A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Odelu et al. | Provably secure authenticated key agreement scheme for distributed mobile cloud computing services | |
| CN110914851B (zh) | 提高区块链网络与外部数据源之间的通信的完整性 | |
| CN109756338B (zh) | 认证装置、验证装置的计算机实现方法和计算机可读介质 | |
| ES2818199T3 (es) | Método de verificación de seguridad con base en una característica biométrica, un terminal de cliente y un servidor | |
| Limbasiya et al. | Advanced formal authentication protocol using smart cards for network applicants | |
| Chattaraj et al. | A new two-server authentication and key agreement protocol for accessing secure cloud services | |
| JP2014523192A (ja) | デバイス及びサーバの通信におけるファジーな認証情報を用いた暗号化によるセキュリティ | |
| WO2017195886A1 (ja) | 認証システム、認証方法およびプログラム | |
| Alhothaily et al. | A secure and practical authentication scheme using personal devices | |
| US11429702B2 (en) | Method of verification of a biometric authentication | |
| CN109861956B (zh) | 基于状态通道的数据验证系统、方法、装置及设备 | |
| Nagaraju et al. | SecAuthn: Provably secure multi-factor authentication for the cloud computing systems | |
| CN114049121B (zh) | 基于区块链的账户重置方法和设备 | |
| Wazid et al. | BUAKA-CS: Blockchain-enabled user authentication and key agreement scheme for crowdsourcing system | |
| CN114143343A (zh) | 雾计算环境中远程访问控制系统、控制方法、终端及介质 | |
| Resende et al. | PUF-based mutual multifactor entity and transaction authentication for secure banking | |
| CN111355588B (zh) | 一种基于puf与指纹特征的可穿戴设备双因子认证方法及系统 | |
| Liou et al. | T-auth: A novel authentication mechanism for the IoT based on smart contracts and PUFs | |
| Aiash | A formal analysis of authentication protocols for mobile devices in next generation networks | |
| Srinivas et al. | An authentication framework for roaming service in global mobility networks | |
| CN109522689A (zh) | 移动办公环境下的多因子强身份认证方法 | |
| CN115913677A (zh) | 一种基于区块链的协作边缘存储数据隐私保护系统及方法 | |
| CN112422534B (zh) | 电子证书的信用评估方法以及设备 | |
| CN114584975A (zh) | 一种基于sdn的抗量子卫星网络接入认证方法 | |
| CN116484426A (zh) | 一种基于可信执行环境的医疗数据联邦学习方法及系统 |
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 |