CN117034328A - 一种改进的基于联邦学习的异常用电检测系统及方法 - Google Patents
一种改进的基于联邦学习的异常用电检测系统及方法 Download PDFInfo
- Publication number
- CN117034328A CN117034328A CN202311296098.5A CN202311296098A CN117034328A CN 117034328 A CN117034328 A CN 117034328A CN 202311296098 A CN202311296098 A CN 202311296098A CN 117034328 A CN117034328 A CN 117034328A
- Authority
- CN
- China
- Prior art keywords
- model
- data model
- aeskey
- information
- encrypted
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 51
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000013499 data model Methods 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioethics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种改进的基于联邦学习的异常用电检测系统及方法，主要涉及异常用电检测技术领域，用以解决现有的区域中心算力不足、数据信息共享率低等问题。包括：区域中心模块，用于获取并存储智能电表上传的用户用电信息；从大区域中心模块获取全局模型，并利用采集的用户用电信息进行模型的训练；利用预设加密算法加密上传模型更新信息；从大区域中心模块获取数据模型，以通过训练好的数据模型处理用户用电信息，检测异常用电情况；大区域中心模块，用于存储、更新以及下发训练模型；获取区域中心上传的模型更新信息。
Description
技术领域
本申请涉及异常用电检测技术领域，尤其涉及一种改进的基于联邦学习的异常用电检测系统及方法。
背景技术
随着科学技术的发展，“能源革命”和“数字革命”的融合发展已经拓展出电力发展新业态。作为智能电网的重要设备，智能电表的出现和普及，带来了用电信息采集方式的变革，产生了海量的数据。电力行业大数据中蕴含了大量的事件信息，通过使用人工智能、大数据、云计算等技术，挖掘其中的异常用电信息，有助于我们精准识别用电异常设备点位，及时排查相关故障，保证电网安全，降低企业损失。
智能电表采集相关数据后，通过网络将数据上传区域的数据中心，进行用电信息的汇总。但在利用这些数据时仍然存在诸多的问题：区域中心利用本地数据训练的模型较差，准确率较低；不同区域中心的信息共享率低，易形成数据孤岛；部分区域中心算力不足，不足以支撑大规模数据训练；数据在传送和使用过程中安全性难以保证等。
因此，现有用电异常的检测当中存在区域中心算力不足、数据信息共享难等现实问题，此外，现有的基于联邦学习的异常用电检测一般采用单一的加密算法进行数据传送过程中信息的加密，来保证信息的安全性。但是在实际应用过程中，这些算法均存在着一定的局限性。
发明内容
针对现有技术的上述不足，本发明提供一种改进的基于联邦学习的异常用电检测系统及方法，以解决上述技术问题。
第一方面，本申请提供了一种改进的基于联邦学习的异常用电检测系统，系统包括：区域中心模块，用于获取并存储智能电表上传的用户用电信息；从大区域中心模块获取初始数据模型，并利用采集的用户用电信息进行模型的训练，以获得模型更新信息；向大区域中心模块上传发送请求，以获取大区域中心模块下发的加密aesKey；利用预设加密算法和加密aesKey，加密上传模型更新信息；从大区域中心模块获取全局数据模型，以通过训练好的数据模型处理用户用电信息，检测异常用电情况；大区域中心模块，用于存储及下发初始数据模型；获取发送请求，以下发加密aesKey；获取各个区域中心上传的模型更新信息，以更新初始数据模型，获得全局数据模型；以及下发全局数据模型。
进一步地，区域中心模块包括：第一加密交换单元；用于向大区域中心模块上传发送请求，以获取发送请求对应的公钥pubKey1；以使区域中心模块收到pubKey1后，利用RSA算法生成公钥pubKey2和priKey2；向大区域中心模块上传pubKey2，以获得对应的加密aesKey。
进一步地，区域中心模块包括：第一处理单元；用于使用priKey2对接收到的加密aesKey进行解密，得到进行联邦学习数据和信息交换的aesKey；下载加密的最新的数据模型，利用aesKey解密后使用本地历史数据进行数据模型的训练，利用训练好的数据模型处理用户用电信息，检测异常用电情况；利用aesKey加密处理好的模型更新信息。
进一步地，大区域中心模块包括：第二加密交换单元；用于在获得发送请求后，利用RSA算法生成公钥pubKey1和私钥priKey1，并将pubKey1返回区域中心模块；在获得区域中心模块对应的pubKey2后，利用AES算法生成大区域中心模块对称密钥aesKey，后利用pubKey2进行加密，获得加密aesKey，返回加密aesKey给区域中心模块。
进一步地，大区域中心模块包括：第二处理单元；用于利用aesKey对获得的数据进行解密处理；利用各区域中心模块上传的模型更新信息进行全局模型的更新；利用aesKey加密更新的数据模型，并分发给各区域中心模块。
第二方面，本申请提供了一种改进的基于联邦学习的异常用电检测方法，方法包括：通过区域中心获取并存储智能电表上传的用户用电信息；从大区域中心获取初始数据模型，并利用采集的用户用电信息进行模型的训练，以获得模型更新信息；向大区域中心上传发送请求，以获取大区域中心下发的加密aesKey；利用预设加密算法和加密aesKey，加密上传模型更新信息；从大区域中心获取全局数据模型，以通过训练好的数据模型处理用户用电信息，检测异常用电情况；通过大区域中心存储及下发初始数据模型；获取发送请求，以下发加密aesKey；获取各个区域中心上传的模型更新信息，以更新初始数据模型，获得全局数据模型；以及下发全局数据模型。
进一步地，向大区域中心上传发送请求，以获取大区域中心下发的加密aesKey，具体包括：用于向大区域中心上传发送请求，以获取发送请求对应的公钥pubKey1；以使区域中心收到pubKey1后，利用RSA算法生成公钥pubKey2和priKey2；向大区域中心上传pubKey2，以获得对应的加密aesKey。
进一步地，利用预设加密算法和加密aesKey，加密上传模型更新信息，具体包括：用于使用priKey2对接收到的加密aesKey进行解密，得到进行联邦学习数据和信息交换的aesKey；下载加密的最新的数据模型，利用aesKey解密后使用本地历史数据进行数据模型的训练；利用aesKey加密处理好的模型更新信息。
本领域技术人员能够理解的是，本发明至少具有如下有益效果：
1.在基于联邦学习的异常用电检测方法中，同时兼顾效率和安全性，采取了AES（Advanced Encryption Standard 对称加密算法）+RSA（由三位发明人Ron Rivest、AdiShamir和Leonard Adleman的姓氏的首字母组成，一种公钥密码算法）混合加密的方案，进行区域中心和大区域中心模块（大区数据中心）之间的数据信息交换。
2.同时兼顾效率和安全性，解决了在将联邦学习应用到异常用电检测过程中，因单一算法的局限性，或导致密钥安全性不能保证，或数据加解密较复杂，导致系统效率低，应用体验差的问题。
附图说明
下面参照附图来描述本公开的部分实施例，附图中：
图1是本申请实施例提供的一种改进的基于联邦学习的异常用电检测系统内部结构示意图。
图2是本申请实施例提供的一种改进的基于联邦学习的异常用电检测方法流程图。
具体实施方式
本领域技术人员应当理解的是，下文所描述的实施例仅仅是本公开的优选实施例，并不表示本公开仅能通过该优选实施例实现，该优选实施例仅仅是用于解释本公开的技术原理，并非用于限制本公开的保护范围。基于本公开提供的优选实施例，本领域普通技术人员在没有付出创造性劳动的情况下所获得的其它所有实施例，仍应落入到本公开的保护范围之内。
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。
本申请旨在发明一种改进的基于联邦学习的异常用电检测系统及方法，通过采用AES+RSA混合加密的方式，改进将联邦学习应用到异常用电检测时的效率和安全性。
AES等对称加密算法加密速度快，但密钥的传递和保存是一个问题，参与加密和解密的双方使用的密钥是一样的，这样密钥就容易泄露。RSA等非对称加密算法加密的安全性相较于非对称加密算法有增强，但是信息的加密和解密过程速度较慢，加解密的开销相对较大，特别是在数据量较大的情况下，可能会导致系统效率的降低。结合AES和RSA算法的优点，采用AES+RSA混合加密的方式，AES用于给传输的数据加密，使用RSA对AES的密钥进行加密，能够有效改善加解密过程中的效率和安全性，提高系统的效率。
在进行联邦学习梯度更新等数据信息加密之前，区域中心（区域中心模块）和大区数据中心（大区域中心模块）在保证RSA算法匹配的情况，首先各自生成自己的RSA公私密钥，并进行公钥的安全交换。后在保证AES算法匹配的情况下，生成自己的AES密钥，使用AES密钥用于给传输的数据加密，使用RSA密钥对AES的密钥进行加密，保证AES密钥的安全。
为了保证AES密钥的安全，进一步保证传输数据信息的安全性，在实际应用中，可根据实际情况，在每一次的数据交换中，均生成新的AES密钥aesKey，使用新的aesKey进行数据的加密。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种改进的基于联邦学习的异常用电检测系统。如图1所示，本申请实施例提供的系统，主要包括：
通过区域中心模块110获取并存储智能电表上传的用户用电信息；从大区域中心模块120获取初始数据模型，并利用采集的用户用电信息进行模型的训练，以获得模型更新信息；向大区域中心模块120上传发送请求，以获取大区域中心模块120下发的加密aesKey；利用预设加密算法和加密aesKey，加密上传模型更新信息；从大区域中心模块120获取全局数据模型，以通过训练好的数据模型处理用户用电信息，检测异常用电情况。
需要说明的是，区域中心模块110和大区域中心模块120可以为计算机服务器。初始数据模型为任意可行的能够检测异常用电情况的模型，对应的具体模型可由本领域技术人员根据实际情况确定。
其中，利用预设加密算法加密梯度上传区域中心模块110更新信息之前，本申请涉及加密数据的交换。具体地，通过区域中心模块110中的第一加密交换单元111；向大区域中心模块120上传发送请求，以获取发送请求对应的公钥pubKey1；以使区域中心模块110收到pubKey1后，利用RSA算法生成公钥pubKey2和priKey2；向大区域中心模块120上传pubKey2，以获得对应的加密aesKey。
获取的数据模型为加密数据，其中，获取数据模型的加密过程和每次上传的模型梯度更新信息的加密过程具体为：通过区域中心模块110中的第一处理单元112；使用priKey2对接收到的加密aesKey进行解密，得到进行联邦学习数据和信息交换的aesKey；下载加密的最新的数据模型，利用aesKey解密后使用本地历史数据进行数据模型的训练，利用训练好的数据模型处理用户用电信息，检测异常用电情况；利用aesKey加密处理好的模型更新信息。
通过大区域中心模块120存储及下发初始数据模型；获取发送请求，以下发加密aesKey；获取各个区域中心上传的模型更新信息，以更新初始数据模型，获得全局数据模型；以及下发全局数据模型。
其中，大区域中心模块120涉及加密数据的交换，具体可以为：通过第二加密交换单元121在获得发送请求后，利用RSA算法生成公钥pubKey1和私钥priKey1，并将pubKey1返回区域中心模块110；在获得区域中心模块110对应的pubKey2后，利用AES算法生成大区域中心模块120对称密钥aesKey，后利用pubKey2进行加密，获得加密aesKey，返回加密aesKey给区域中心模块110。
此外，大区域中心模块120还能够对区域中心上传的模型更新信息进行解密处理；对聚合的更新模型进行加密处理，具体可以包括：第二处理单元122用于利用aesKey对获得的数据进行解密处理；利用各区域中心模块110上传的模型更新信息进行全局模型的更新；利用aesKey加密更新的数据模型，并分发给各区域中心模块110。
作为示例一地，智能电表在用户侧进行用户用电信息的采集，并上传至区域中心模块110；区域中心模块110从大区域中心模块120下载最新模型（初始数据模型），并使用本地数据训练模型，利用相关加密方法加密梯度更新上传给大区域中心模块120；大区域中心模块120聚合各区域中心模块110的梯度更新模型参数；更新好的模型（全局数据模型）分发给各区域中心模块110；各区域中心模块110更新自己的本地模型；循环以上步骤，直至全局模型达到收敛。各区域中心模块110可使用上述最佳全局模型（全局数据模型）利用本地数据实行异常用电检测任务，帮助精准识别用电异常设备点位，及时排查相关故障。
作为示例二地，智能电表采集信息上传区域中心模块110；区域中心模块110向大区域中心模块120发送请求；大区域中心模块120利用RSA算法生成公钥pubKey1和私钥priKey1，并将pubKey1返回区域中心模块110；区域中心模块110收到pubKey1后，利用RSA算法生成公钥pubKey2和priKey2，并pubKey2发送到大区域中心模块120；大区域中心模块120收到pubKey2，再利用AES算法生成大区域中心模块120对称密钥aesKey，后利用pubKey2进行加密，返回给区域中心模块110。区域中心模块110使用priKey2对接收到的加密的aesKey进行解密，得到后续进行联邦学习数据和信息交换所需要的aesKey；区域中心模块110从大区域中心模块120下载加密的最新数据模型，解密后使用本地数据训练模型，利用上述得到的aesKey进行梯度更新等信息的加密，后上传给大区域中心模块120；大区域中心模块120利用aesKey进行信息的解密，后聚合各区域中心模块110的梯度更新数据模型；大区域中心模块120利用aesKey加密更新的数据模型，并分发给各区域中心模块110；各区域中心模块110解密更新的数据模型。
需要说明的是，为了进一步保证传输数据信息的安全性，可根据实际情况，在每一次的数据交换中，均生成新的AES密钥aesKey，使用新的aesKey进行数据的加密，进一步保证aesKey的安全性。
除此之外，本申请实施例还提供了一种改进的基于联邦学习的异常用电检测方法，如图2所示，本申请实施例提供的方法，主要包括以下步骤：
步骤210、通过区域中心获取并存储智能电表上传的用户用电信息；从大区域中心获取初始数据模型，并利用采集的用户用电信息进行模型的训练，以获得模型更新信息；向大区域中心上传发送请求，以获取大区域中心下发的加密aesKey；利用预设加密算法和加密aesKey，加密上传模型更新信息；从大区域中心获取全局数据模型，以通过训练好的数据模型处理用户用电信息，检测异常用电情况。
需要说明的是，区域中心和大区域中心可以为计算机服务器。
其中，向大区域中心上传发送请求，以获取大区域中心下发的加密aesKey，具体可以包括：用于向大区域中心上传发送请求，以获取发送请求对应的公钥pubKey1；以使区域中心收到pubKey1后，利用RSA算法生成公钥pubKey2和priKey2；向大区域中心上传pubKey2，以获得对应的加密aesKey。
利用预设加密算法和加密aesKey，加密上传模型更新信息，具体包括：用于使用priKey2对接收到的加密aesKey进行解密，得到进行联邦学习数据和信息交换的aesKey；下载加密的最新的数据模型，利用aesKey解密后使用本地历史数据进行数据模型的训练；利用aesKey加密处理好的模型更新信息。
步骤220、通过大区域中心存储及下发初始数据模型；获取发送请求，以下发加密aesKey；获取各个区域中心上传的模型更新信息，以更新初始数据模型，获得全局数据模型；以及下发全局数据模型。
至此，已经结合前文的多个实施例描述了本公开的技术方案，但是，本领域技术人员容易理解的是，本公开的保护范围并不仅限于这些具体实施例。在不偏离本公开技术原理的前提下，本领域技术人员可以对上述各个实施例中的技术方案进行拆分和组合，也可以对相关技术特征作出等同的更改或替换，凡在本公开的技术构思和/或技术原理之内所做的任何更改、等同替换、改进等都将落入本公开的保护范围之内。
Claims (8)
1.一种改进的基于联邦学习的异常用电检测系统，其特征在于，所述系统包括：
区域中心模块，用于获取并存储智能电表上传的用户用电信息；从大区域中心模块获取初始数据模型，并利用采集的用户用电信息进行模型的训练，以获得模型更新信息；向大区域中心模块上传发送请求，以获取大区域中心模块下发的加密aesKey；利用预设加密算法和加密aesKey，加密上传模型更新信息；从大区域中心模块获取全局数据模型，以通过训练好的数据模型处理用户用电信息，检测异常用电情况；
大区域中心模块，用于存储及下发初始数据模型；获取发送请求，以下发加密aesKey；获取各个区域中心上传的模型更新信息，以更新初始数据模型，获得全局数据模型；以及下发全局数据模型。
2.根据权利要求1所述的改进的基于联邦学习的异常用电检测系统，其特征在于，区域中心模块包括：第一加密交换单元；
用于向大区域中心模块上传发送请求，以获取发送请求对应的公钥pubKey1；以使区域中心模块收到pubKey1后，利用RSA算法生成公钥pubKey2和priKey2；向大区域中心模块上传pubKey2，以获得对应的加密aesKey。
3.根据权利要求2所述的改进的基于联邦学习的异常用电检测系统，其特征在于，区域中心模块包括：第一处理单元；
用于使用priKey2对接收到的加密aesKey进行解密，得到进行联邦学习数据和信息交换的aesKey；
下载加密的最新的数据模型，利用aesKey解密后使用本地历史数据进行数据模型的训练，利用训练好的数据模型处理用户用电信息，检测异常用电情况；利用aesKey加密处理好的模型更新信息。
4.根据权利要求1所述的改进的基于联邦学习的异常用电检测系统，其特征在于，大区域中心模块包括：第二加密交换单元；
用于在获得发送请求后，利用RSA算法生成公钥pubKey1和私钥priKey1，并将pubKey1返回区域中心模块；在获得区域中心模块对应的pubKey2后，利用AES算法生成大区域中心模块对称密钥aesKey，后利用pubKey2进行加密，获得加密aesKey，返回加密aesKey给区域中心模块。
5.根据权利要求1所述的改进的基于联邦学习的异常用电检测系统，其特征在于，大区域中心模块包括：第二处理单元；
用于利用aesKey对获得的数据进行解密处理；
利用各区域中心模块上传的模型更新信息进行全局模型的更新；
利用aesKey加密更新的数据模型，并分发给各区域中心模块。
6.一种改进的基于联邦学习的异常用电检测方法，其特征在于，所述方法包括：
通过区域中心获取并存储智能电表上传的用户用电信息；从大区域中心获取初始数据模型，并利用采集的用户用电信息进行模型的训练，以获得模型更新信息；向大区域中心上传发送请求，以获取大区域中心下发的加密aesKey；利用预设加密算法和加密aesKey，加密上传模型更新信息；从大区域中心获取全局数据模型，以通过训练好的数据模型处理用户用电信息，检测异常用电情况；
通过大区域中心存储及下发初始数据模型；获取发送请求，以下发加密aesKey；获取各个区域中心上传的模型更新信息，以更新初始数据模型，获得全局数据模型；以及下发全局数据模型。
7.根据权利要求6所述的改进的基于联邦学习的异常用电检测方法，其特征在于，向大区域中心上传发送请求，以获取大区域中心下发的加密aesKey，具体包括：
用于向大区域中心上传发送请求，以获取发送请求对应的公钥pubKey1；以使区域中心收到pubKey1后，利用RSA算法生成公钥pubKey2和priKey2；向大区域中心上传pubKey2，以获得对应的加密aesKey。
8.根据权利要求6所述的改进的基于联邦学习的异常用电检测方法，其特征在于，利用预设加密算法和加密aesKey，加密上传模型更新信息，具体包括：
用于使用priKey2对接收到的加密aesKey进行解密，得到进行联邦学习数据和信息交换的aesKey；
下载加密的最新的数据模型，利用aesKey解密后使用本地历史数据进行数据模型的训练；利用aesKey加密处理好的模型更新信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311296098.5A CN117034328B (zh) | 2023-10-09 | 2023-10-09 | 一种改进的基于联邦学习的异常用电检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311296098.5A CN117034328B (zh) | 2023-10-09 | 2023-10-09 | 一种改进的基于联邦学习的异常用电检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117034328A true CN117034328A (zh) | 2023-11-10 |
| CN117034328B CN117034328B (zh) | 2024-03-19 |
Family
ID=88602732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311296098.5A Active CN117034328B (zh) | 2023-10-09 | 2023-10-09 | 一种改进的基于联邦学习的异常用电检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117034328B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461874A (zh) * | 2020-04-13 | 2020-07-28 | 浙江大学 | 一种基于联邦模式的信贷风险控制系统及方法 |
| CN112583575A (zh) * | 2020-12-04 | 2021-03-30 | 华侨大学 | 一种车联网中基于同态加密的联邦学习隐私保护方法 |
| WO2021139467A1 (zh) * | 2020-08-07 | 2021-07-15 | 平安科技（深圳）有限公司 | 联邦学习方法、系统、计算机设备和存储介质 |
| CN113395159A (zh) * | 2021-01-08 | 2021-09-14 | 腾讯科技（深圳）有限公司 | 一种基于可信执行环境的数据处理方法以及相关装置 |
| US20210328801A1 (en) * | 2020-04-21 | 2021-10-21 | doc.ai, Inc. | Systems and Methods to Verify Identity of an Authenticated User using a Digital Health Passport |
| CN113609781A (zh) * | 2021-08-16 | 2021-11-05 | 广域铭岛数字科技有限公司 | 基于联邦学习的汽车生产模具优化方法、系统、设备及介质 |
| CN114238509A (zh) * | 2021-12-17 | 2022-03-25 | 中国石油大学(华东) | 基于gan和区块链的数据生成及去中心化加密联邦框架 |
| TW202213145A (zh) * | 2020-09-23 | 2022-04-01 | 東海大學 | 文件機密等級管理系統及方法 |
| US20220150057A1 (en) * | 2020-11-11 | 2022-05-12 | Beijing University Of Posts And Telecommunications | Data Sharing Method, System, Electronic Device and Storage Medium thereof |
| CN114580011A (zh) * | 2022-01-29 | 2022-06-03 | 国网青海省电力公司电力科学研究院 | 基于联邦隐私训练的电力设施安全态势感知方法及系统 |
| CN114844653A (zh) * | 2022-07-04 | 2022-08-02 | 湖南密码工程研究中心有限公司 | 基于联盟链的可信联邦学习方法 |
| CN115442036A (zh) * | 2022-09-02 | 2022-12-06 | 华南理工大学 | 基于拆分混洗的联邦学习方法、装置、设备和介质 |
| CN115442050A (zh) * | 2022-08-29 | 2022-12-06 | 成都安恒信息技术有限公司 | 一种基于sm9算法的隐私保护的联邦学习方法 |
| CN115712689A (zh) * | 2022-10-31 | 2023-02-24 | 深圳供电局有限公司 | 用电用户的分类方法、装置和计算机设备 |
| WO2023134076A1 (zh) * | 2022-01-12 | 2023-07-20 | 平安科技（深圳）有限公司 | 数据保护方法、系统及存储介质 |
| US20230254113A1 (en) * | 2022-02-07 | 2023-08-10 | Baidu Online Network Technology(Beijing)Co., Ltd. | Correlation coefficient acquisition method, electronic device and non-transitory computer readable storage medium |
-
2023
- 2023-10-09 CN CN202311296098.5A patent/CN117034328B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461874A (zh) * | 2020-04-13 | 2020-07-28 | 浙江大学 | 一种基于联邦模式的信贷风险控制系统及方法 |
| US20210328801A1 (en) * | 2020-04-21 | 2021-10-21 | doc.ai, Inc. | Systems and Methods to Verify Identity of an Authenticated User using a Digital Health Passport |
| WO2021139467A1 (zh) * | 2020-08-07 | 2021-07-15 | 平安科技（深圳）有限公司 | 联邦学习方法、系统、计算机设备和存储介质 |
| TW202213145A (zh) * | 2020-09-23 | 2022-04-01 | 東海大學 | 文件機密等級管理系統及方法 |
| US20220150057A1 (en) * | 2020-11-11 | 2022-05-12 | Beijing University Of Posts And Telecommunications | Data Sharing Method, System, Electronic Device and Storage Medium thereof |
| CN112583575A (zh) * | 2020-12-04 | 2021-03-30 | 华侨大学 | 一种车联网中基于同态加密的联邦学习隐私保护方法 |
| CN113395159A (zh) * | 2021-01-08 | 2021-09-14 | 腾讯科技（深圳）有限公司 | 一种基于可信执行环境的数据处理方法以及相关装置 |
| CN113609781A (zh) * | 2021-08-16 | 2021-11-05 | 广域铭岛数字科技有限公司 | 基于联邦学习的汽车生产模具优化方法、系统、设备及介质 |
| CN114238509A (zh) * | 2021-12-17 | 2022-03-25 | 中国石油大学(华东) | 基于gan和区块链的数据生成及去中心化加密联邦框架 |
| WO2023134076A1 (zh) * | 2022-01-12 | 2023-07-20 | 平安科技（深圳）有限公司 | 数据保护方法、系统及存储介质 |
| CN114580011A (zh) * | 2022-01-29 | 2022-06-03 | 国网青海省电力公司电力科学研究院 | 基于联邦隐私训练的电力设施安全态势感知方法及系统 |
| US20230254113A1 (en) * | 2022-02-07 | 2023-08-10 | Baidu Online Network Technology(Beijing)Co., Ltd. | Correlation coefficient acquisition method, electronic device and non-transitory computer readable storage medium |
| CN114844653A (zh) * | 2022-07-04 | 2022-08-02 | 湖南密码工程研究中心有限公司 | 基于联盟链的可信联邦学习方法 |
| CN115442050A (zh) * | 2022-08-29 | 2022-12-06 | 成都安恒信息技术有限公司 | 一种基于sm9算法的隐私保护的联邦学习方法 |
| CN115442036A (zh) * | 2022-09-02 | 2022-12-06 | 华南理工大学 | 基于拆分混洗的联邦学习方法、装置、设备和介质 |
| CN115712689A (zh) * | 2022-10-31 | 2023-02-24 | 深圳供电局有限公司 | 用电用户的分类方法、装置和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117034328B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112580821A (zh) | 一种联邦学习方法、装置、设备及存储介质 | |
| CN106487506B (zh) | 一种支持预加密和外包解密的多机构kp-abe方法 | |
| CN106789039B (zh) | 一种机密数据的存储方法 | |
| CN102710661B (zh) | 云存储与聚合架构及其数据存储与聚合方法 | |
| CN111680307A (zh) | 分布式数据加密方法、装置、云存储服务器及存储介质 | |
| CN109872787A (zh) | 一种分布式数据发布与订阅方法 | |
| CN109558742A (zh) | 一种基于区块链的信息有效性检测方法及装置 | |
| US9401808B2 (en) | Measuring device, information processor, key management device, and consumption calculating system | |
| CN109842589A (zh) | 一种云存储加密方法、装置、设备及存储介质 | |
| CN111628861A (zh) | 对象共享系统及方法 | |
| CN110460436A (zh) | 硬件设备密钥管理方法、系统、存储介质及计算机设备 | |
| CN104284054A (zh) | 基于鬼成像和公钥密码的多图像加密与解密方法 | |
| CN107204997A (zh) | 管理云存储数据的方法和装置 | |
| CN103561024A (zh) | 基于称重仪表与远程服务器的数据传输方法 | |
| CN103973440A (zh) | 基于cpk的文件云安全管理方法及系统 | |
| CN102916809A (zh) | 基于状态估计的智能电网控制命令动态认证方法 | |
| CN111212105B (zh) | 一种风光储数据远程安全传输方法及系统 | |
| CN105978689A (zh) | 一种抗密钥泄漏的云数据安全共享方法 | |
| CN114443754A (zh) | 基于区块链的联邦学习处理方法、装置、系统以及介质 | |
| CN111988260B (zh) | 一种对称密钥管理系统、传输方法及装置 | |
| CN117034328B (zh) | 一种改进的基于联邦学习的异常用电检测系统及方法 | |
| CN114125831A (zh) | 基于代理重加密的5g智能电网用户侧数据获取方法及系统 | |
| CN104378208A (zh) | 一种采用混合加密算法实现数据安全传输的分体预付费表 | |
| CN102916813A (zh) | 基于状态估计的智能电网动态数据加密方法 | |
| CN110247925A (zh) | 配电自动化信息交互方法、系统、终端及存储介质 |
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 |