CN117454153B - 一种基于图数据的隐私特征验证方法、系统及电子设备 - Google Patents
一种基于图数据的隐私特征验证方法、系统及电子设备 Download PDFInfo
- Publication number
- CN117454153B CN117454153B CN202311776540.4A CN202311776540A CN117454153B CN 117454153 B CN117454153 B CN 117454153B CN 202311776540 A CN202311776540 A CN 202311776540A CN 117454153 B CN117454153 B CN 117454153B
- Authority
- CN
- China
- Prior art keywords
- feature
- nodes
- node
- value
- graph data
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 109
- 230000008569 process Effects 0.000 claims abstract description 49
- 238000013507 mapping Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 30
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000003999 initiator Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Storage Device Security (AREA)
Abstract
本申请提供一种基于图数据的隐私特征验证方法、系统及电子设备,涉及网络安全技术领域。在特征验证过程中,一个参与者可以将自己持有的特征集合转化为随机图数据中的完全子图,并通过该完全子图的唯一映射值与另一参与者进行验证。在该过程中,各个特征集合的情况通过映射值表征,两个参与者无法获知对方的特征集合,以保证了特征验证过程的私密性。此外,前述随机图数据中的完全子图可以理解为一个NP难的种植团问题,由此完全子图无法从随机图数据中暴力解析,从而保证了该隐私验证过程中的安全性与可靠性。
Description
技术领域
本申请涉及网络安全技术领域,具体涉及一种基于图数据的隐私特征验证方法、系统及电子设备。
背景技术
在网络安全技术领域,特征验证广泛地存在于两方计算中。其中,特征验证通常指的是对特征数据或特征信息进行验证和确认的过程。在网络安全中,进行特征验证的数据往往是双方计算中的重要数据。例如,特征数据可以是反映身份信息的数据(如生物信息、数字签名等)。再例如,特征数据可以是隐私数据(如密码、兴趣列表等)。
由此,如何安全可靠地执行特征验证是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本申请实施例提供了一种基于图数据的隐私特征验证方法、系统及电子设备,基于种植团问题构建特征第一参与者法。
第一方面,本申请提供一种基于图数据的隐私特征验证方法,应用于第一参与者。隐私特征验证方法包括:从候选节点集合中确定第一特征节点集合,其中,候选节点集合包括反映可选特征的多个候选节点,第一特征节点集合包括反映第一特征取值的多个第一特征节点。确定随机图数据并基于第一特征节点集合从随机图数据中确定目标子图,其中,随机图数据由第二参与者基于第二特征节点集合确定,第二特征节点集合包括反映第二特征取值的多个第二特征节点,随机图数据包括各个候选节点以及随机设置在任意两个候选节点之间的边,随机图数据中各个第二特征节点之间通过边连接。基于目标子图确定特征值,以基于特征值以及验证值确定第一特征取值相对于第二特征取值的验证结果,其中,验证值是第二特征节点集合基于特征提取函数的唯一映射结果,特征值是目标子图中的各个节点基于特征提取函数的唯一映射结果。
第二方面,本申请提供一种基于图数据的隐私特征验证方法,应用于第二参与者。隐私特征验证方法包括:确定从候选节点集合中确定第二特征节点集合,其中,候选节点集合包括反映可选特征的多个候选节点,第二特征节点集合包括反映第二特征取值的多个第二特征节点。基于第二特征节点集合确定验证值,其中,验证值是第二特征节点集合基于特征提取函数的唯一映射结果。基于第二特征节点集合以及候选节点集合确定随机图数据,并发送给第一参与者,其中,随机图数据包括各个候选节点以及随机设置在任意两个候选节点之间的边,随机图数据中各个第二特征节点之间通过边连接。随机图数据被第一参与者接收后用于由接收方基于第一特征节点集合从随机图数据中确定目标子图,并基于目标子图确定特征值,以基于特征值以及验证值确定第一特征取值相对于第二特征取值的验证结果,其中,第一特征节点集合包括反映第一特征取值的多个第一特征节点,特征值是目标子图中的各个节点基于特征提取函数的唯一映射结果。
第三方面,本申请提供一种基于图数据的隐私特征验证方法,应用于第二参与者与第一参与者。隐私特征验证方法包括:第二参与者确定从候选节点集合中确定第二特征节点集合,其中,候选节点集合包括反映可选特征的多个候选节点,第二特征节点集合包括反映第二特征取值的多个第二特征节点。第二参与者基于第二特征节点集合确定验证值,其中,验证值是第二特征节点集合基于特征提取函数的唯一映射结果。第二参与者基于第二特征节点集合以及候选节点集合确定随机图数据,并发送给第一参与者,其中,随机图数据包括各个候选节点以及随机设置在任意两个候选节点之间的边,随机图数据中各个第二特征节点之间通过边连接。第一参与者从候选节点集合中确定第一特征节点集合,其中,第一特征节点集合包括反映第一特征取值的多个第一特征节点。第一参与者确定随机图数据并基于第一特征节点集合从随机图数据中确定目标子图。第一参与者基于目标子图确定特征值,以基于特征值以及验证值确定第一特征取值相对于第二特征取值的验证结果,其中,特征值是目标子图中的各个节点基于特征提取函数的唯一映射结果。
第四方面,本申请提供一种基于图数据的隐私特征验证系统,隐私特征验证系统隐私特征验证系统包括第一参与者以及第二参与者。第二参与者用于:确定从候选节点集合中确定第二特征节点集合,其中,候选节点集合包括反映可选特征的多个候选节点,第二特征节点集合包括反映第二特征取值的多个第二特征节点。基于第二特征节点集合确定验证值,其中,验证值是第二特征节点集合基于特征提取函数的唯一映射结果。基于第二特征节点集合以及候选节点集合确定随机图数据,并发送给第一参与者,其中,随机图数据包括各个候选节点以及随机设置在任意两个候选节点之间的边,随机图数据中各个第二特征节点之间通过边连接。第一参与者用于:从候选节点集合中确定第一特征节点集合,其中,第一特征节点集合包括反映第一特征取值的多个第一特征节点。确定随机图数据并基于第一特征节点集合从随机图数据中确定目标子图。基于目标子图确定特征值,以基于特征值以及验证值确定第一特征取值相对于第二特征取值的验证结果,其中,特征值是目标子图中的各个节点基于特征提取函数的唯一映射结果。
第五方面,本申请提供一种电子设备。电子设备包括:处理器以及用于存储可执行指令的存储器。其中,可执行指令被处理器执行时,实现第一方面或第二方面所述的基于图数据的隐私特征验证方法。
由此,在本申请的特征验证过程中,一个参与者可以将自己持有的特征集合转化为随机图数据中的完全子图,并通过该完全子图的唯一映射值与另一参与者进行验证。在该过程中,各个特征集合的情况通过映射值表征,两个参与者无法获知对方的特征集合,以保证了特征验证过程的私密性。此外,前述随机图数据中的完全子图可以理解为一个NP难的种植团问题,由此完全子图无法从随机图数据中暴力解析,从而保证了该隐私验证过程中的安全性与可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对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发明的某些实施例,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是本申请一些实施例提供的特征验证系统的应用场景图。
图2是本申请一些实施例提供的双方计算中隐私特征验证方法的信令图。
图3是本申请一些实施例提供的第二参与者侧的隐私特征验证方法的示例性流程图。
图4是本申请一些实施例提供的第二特征节点的图数据示意图。
图5是本申请一些实施例提供的随机图数据的图数据示意图。
图6是本申请一些实施例提供的第一参与者侧的隐私特征验证方法的示例性流程图。
图7是本申请一些实施例提供的第一特征节点的图数据示意图。
图8是本申请一些实施例提供的目标子图迭代过程的图数据示意图。
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。
示例性应用场景
为进一步说明特征验证的实际应用场景,本申请提供一种特征验证系统的应用场景图(图1)。
如图1所示,在特征验证系统100中可以包括第一参与者110以及第二参与者120。其中,第一参与者110配置有第一特征取值130,第二参与者120配置有第二特征取值140。特征取值可以理解为特征的量化描述。
在进行特征验证时,第一参与者110可以与第二参与者120进行数据传输,以比较第一特征取值130与第二特征取值140,确定第一特征取值130相对于第二特征取值140的验证结果。
需要说明的是,特征验证一般为双方交互行为。在实际应用中如出现特殊需要,可以特殊需要增加/删减参与节点。其中,增加节点一般用于将双方交互行为中的部分行为由第三方节点托管。如用于监督验证过程的监督节点、用于存储数据的数据缓存节点、用于托管部分步骤的可信节点等。减少节点可以反映由一个主体执行特征验证过程。例如,对采集到的信息进行重复验证过程也可以理解为一种特征验证过程,此时,第二参与者120以及第一参与者110可以由一个实体实现。
在常规特征验证中,一般配置有发起者以及验证者。其中,发起者可以指本次特征验证的参与者,验证者是提供本次特征验证的结果的参与者。发起者与验证者并不限定必须为两个参与者,也可以根据实际应用场景由一个参与者兼任。具体可以基于其实际应用场景调整。
仅作为一种示例,当第一参与者110作为验证者时。在传统特征验证过程中,第二参与者120可以直接将第二特征取值140发送到第一参与者110,以使第一参与者110将第二特征取值140与第一特征取值130进行比较,从而确定验证结果。
在实际计算中,前述第二特征取值140以及第一特征取值130往往配置为多个特征形成的集合或特定取值情况下的向量。例如,第二特征取值140可以配置为包含多个特征的特征集合X,第一特征取值130可以配置为特征集合Y。前述匹配过程可以配置为对集合X、Y相似度的识别与判断。示例性的,集合X、Y的相似度可以表征为对称差|XΔY|。当对称差|XΔY|=0(此时X=Y)或对称差|XΔY|足够小(此时X与Y接近)时,可以判定特征验证通过,反之则不通过。
随着通信场景的丰富化与复杂化,第二特征取值140可能是第二参与者120的重要隐私数据(如生物数据、兴趣列表等)。传输第二特征取值140以及由其他节点持有第二特征取值140是严重威胁第二参与者120数据安全的行为。
例如,当前述特征验证用于信息推送过程时。其中,第二参与者120可以为信息推送方(如广告商),第二特征取值140可以反映待推送的信息(如商品列表)。第一参与者110可以为信息接收方(如顾客),第一特征取值130可以反映第一参与者110允许发送的信息(如顾客感兴趣的商品列表)。若第一特征取值130被第二参与者120获取,则第二参与者120可以基于第一特征取值130对第一参与者110进行信息轰炸等恶意营销。
再例如,前述双方计算可以反映社交匹配过程。第二参与者120与第一参与者110可以是用户,第二特征取值140以及第一特征取值130可以反映用户的朋友列表或者兴趣列表。前述匹配过程可以用于发现与自己具有相似朋友或相似兴趣的陌生人。若直接进行匹配,则用户的隐私数据会被泄露,即用户的朋友或兴趣被对方知晓。
又例如,前述双方计算可以反映隐私生物识别过程。第二参与者120与第一参与者110可以为一个执行设备,第一特征取值130可以为某一次采集到/预设的注册生物特征(如指纹、声纹、眼角膜信息等),第二特征取值140可以是再一次采集到的识别生物特征。前述特征验证过程可以反映注册和识别的生物特征是否来自同一生物个体。
为避免前述暴露隐私数据的情况,前述特征验证可以采用隐私方式进行。即前述第二参与者120与第一参与者110的特征验证过程可以基于隐私特征验证方法执行。
隐私特征验证方法可以指在不泄露数据的情况下进行特征验证的方法。即在特征验证过程中,第二参与者120无法获取待第一特征取值130,第一参与者110无法获取验证特征140。示例性地,隐私特征验证可以理解为在上述计算对称差|XΔY|的过程中,第二参与者120不了解集合Y,第一参与者110不了解集合X。
在相关技术中,隐私特征验证方法可以基于模糊金库(Fuzzy Vault)算法实现。其中,模糊金库算法的核心原理是将特征集合的取值特征转换为一组多项式的系数,并将这些系数作为密码进行存储。基于模糊金库算法的具体匹配过程请参见相关技术的论述,在此不做赘述。
在实际应用中,考虑到模糊金库算法需要对特征集合进行重新转化,为保证容错率还需要引入纠错码。由此,基于纠错码的解码效率较低,匹配过程较慢。
为实现隐私特征验证,本申请提供了一种思路完全不同的隐私特征验证方法。本申请提供的隐私特征验证方法基于种植团问题进行构建,并利用图数据实现特征验证。
种植团问题指在包含多个节点的图中寻找一个节点间存在特定关系的图。例如,种植园问题中表征为在随机图中确定特定图。其中,随机图可以是包含多个节点且节点之间基于预设概率形成边的图数据。特定图可以是节点之间互相连接且具有N个节点的图数据。即上述过程可以表征为在大小为n,边概率为p的随机图中,很难找到大小约为的团。
种植团问题是一个NP难的问题,其本质上是一种组合优化问题,而组合优化问题通常是NP难的。其中,NP难问题是指在多项式时间内无法解决的问题。即本申请提供的隐私第一参与者法基于种植团问题构建后,其暴力破解也是一个NP难问题,从而保证了数据的隐私性与安全性。
需要说明的是,在本申请中图/图数据可以指一种特定的数据结构。具体地,图数据是一种用于表示实体之间关系的数据结构。在图数据的数据结构中,数据以节点(或顶点)和边的形式存在。节点表示实体,边表示实体之间的关系。在本申请中节点可以具体用于反映特征的取值情况。
在实际应用中,前述第二参与者120以及第一参与者110可以是对应侧的电子设备。其中,电子设备可以包括处理器以及用于存储可执行指令的存储器。其中,可执行指令被处理器执行时,以实现本申请提供的基于图数据的隐私特征验证方法。
基于上述配置,图1所示的特征验证系统100可以理解为一种基于图数据的隐私特征验证系统。
在隐私特征验证过程中,第二参与者可以用于120:
确定从候选节点集合中确定第二特征节点集合,其中,候选节点集合包括反映可选特征的多个候选节点,第二特征节点集合包括反映第二特征取值的多个第二特征节点。
基于第二特征节点集合确定验证值,其中,验证值是第二特征节点集合基于特征提取函数的唯一映射结果。
基于第二特征节点集合以及候选节点集合确定随机图数据,并发送给第一参与者,其中,随机图数据包括各个候选节点以及随机设置在任意两个候选节点之间的边,随机图数据中各个第二特征节点之间通过边连接。
第一参与者可以用于110:
从候选节点集合中确定第一特征节点集合,其中,第一特征节点集合包括反映第一特征取值的多个第一特征节点。
确定随机图数据并基于第一特征节点集合从随机图数据中确定目标子图。
基于目标子图确定特征值,以基于特征值以及验证值确定第一特征取值相对于第二特征取值的验证结果,其中,特征值是目标子图中的各个节点基于特征提取函数的唯一映射结果。
基于上述隐私特征验证系统,在特征验证过程中,一个参与者可以将自己持有的特征集合转化为随机图数据中的完全子图,并通过该完全子图的唯一映射值与另一参与者进行验证。在该过程中,各个特征集合的情况通过映射值表征,两个参与者无法获知对方的特征集合,以保证了特征验证过程的私密性。此外,前述随机图数据中的完全子图可以理解为一个NP难的种植团问题,由此完全子图无法从随机图数据中暴力解析,从而保证了该隐私验证过程中的安全性与可靠性。
为进一步隐私特征验方法的技术细节进行说明,下面将结合图2-图6对本申请提供的隐私特征验证方法进行描述,以具体介绍本申请的各种非限制性实施例。
双方计算中的示例性隐私特征验证方法
图2是本申请一些实施例提供的双方计算中隐私特征验证方法的信令图。其中,在双方计算过程中,隐私特征验证方法可以由第二参与者120以及第一参与者110执行。
在详细描述图2及其流程P200前,本申请对如何描述隐私特征进行说明。
在本申请中,参与者的隐私特征可以表征为基于多个可选特征的特征取值。例如,可以通过1、0表征选取情况,当参与者具备某一可选特征时,则该可选特征对应的值可以为1,反之则为0。通过参与者对各个可选特征的取值情况可以生成0/1向量,其中,向量各个元素可以与可选特征对应,元素值可以为可选特征的选取情况。
可选特征可以理解为对隐私数据的一个评价维度,对隐私数据的各个评价维度的集合(评价策略)可以表征为可选特征集合。即可以基于该评价策略评估参与者的隐私数据以确定特征取值/直接基于评价策略确定特征取值(如直接确定标准值)。
需要说明的是,本申请并不限制评价方法以及评价维度,只需保证各个参与者的相同可选特征一致,实际取值与隐私数据相关即可。例如,可以预设多个指标以确定对应的特征取值。再例如,可以直接基于预设算法确定特征取值(示例性地,在比较指纹时,可选特征可以表征为各个像素点,可选特征集合可以为进行比较的指纹图片)。此外,本申请评价维度可以不具备明确的含义。例如,评价维度也可以为基于深度神经网络确定的特征向量的各个元素。
当第一参与者确定第一特征取值,第二参与者确定第二特征取值后,可以执行图2所示的P200。
如图2所示,在隐私特征验证方法的执行过程P200中,可以包括如下步骤:
S210、第二参与者确定从候选节点集合中确定第二特征节点集合。
S220、第二参与者基于第二特征节点集合确定验证值。
S230、第二参与者基于第二特征节点集合以及候选节点集合确定随机图数据。在一些实施例中,第二参与者执行完S230后可以将随机图数据发送到第一参与者。
S240、第一参与者从候选节点集合中确定第一特征节点集合。
S250、第一参与者确定随机图数据并基于第一特征节点集合从随机图数据中确定目标子图。
S260、第一参与者基于目标子图确定特征值,以基于特征值以及验证值确定第一特征取值相对于第二特征取值的验证结果。
候选节点集合可以是可选特征结合的一种图数据表示。其中,候选节点集合可以包括反映可选特征的多个候选节点。候选节点可以与可选特征一一对应,以使可选特征集合能通过图数据中的节点进行描述。
第二特征节点集合可以指第二特征取值的图数据表示。其中,第二特征节点集合包括反映第二特征取值的多个第二特征节点。
在一些实施例中,前述S210可以基于第二特征取值执行。即可以根据第二特征取值确定第二参与者选择的各个可选特征,并将第二参与者选择的各个可选特征对应的各个节点作为第二特征节点集合。
验证值是第二特征节点集合基于特征提取函数的唯一映射结果。验证值可以用于验证其他节点集合是否与第二特征节点集合一致。具体地,若某一节点集合基于特征提取函数的映射结果与验证值一致,则该节点集合与第二特征节点集合一致。
特征提取函数可以是用于将数据转化为唯一标识信息的预设函数。特征提取函数具有唯一性与可靠性。即同一数据的特征提取函数的处理结果相同,不同数据的特征提取函数的处理结果不同。在一些实施例中,特征提取函数一般被配置为哈希函数。
在一些实施例中,前述S220可以基于特征提取函数执行。其中,特征提取函数在第一参与者与第二参与者之间公开,通过调用该函数即可实现前述S220。
随机图数据可以是一种随机生成的图数据。其中,随机图数据包括各个候选节点以及随机设置在任意两个候选节点之间的边。
随机图数据可以基于种植团问题构建,以使第二特征节点集合在随机图数据中被配置为全连接子图。其中,在随机图数据中各个第二特征节点之间通过边连接。即各个第二特征节点之间均设置有边,各个第二特征节点形成的子图中任意两个节点均互相连接。
在一些实施例中,前述S230可以基于随机算法执行。即可以先基于随机算法确定随机图数据,再基于使第二特征节点集合,在使第二特征节点集合内添加边,以实现S230。在一些实施例中,还可以先确定第二特征节点集合并在第二特征节点集合内添加边,再基于随机算法确定其他节点之间的边以生成随机图数据、
在一些实施例中,在确定随机图数据时,可以基于预设概率在候选节点集合中的各个候选节点之间随机生成边,以确定随机图数据。再基于第二特征节点集合在第二特征节点之间生成边,以更新随机图数据。
基于前述种植团问题的数理表征,为尽可能地减少可选特征的数据(以降低计算速度)并提高破解难度。在一些实施例中,候选节点的数量可以为第二特征节点的数量的平方值,预设概率为0.5。由此,种植团问题可以表征为在在大小为n,边概率为0.5的随机图中,寻找找到大小约为/>的团。
需要说明的是,前述对第二特征节点与候选节点数量的配置,可以通过在执行P200前预先约定可选特征而实现。
与前述第二特征节点集合类似,第一参与者可以从候选节点集合中确定第一特征节点集合。其中,第一特征节点集合包括反映第一特征取值的多个第一特征节点。
在一些实施例中,前述S240可以基于第一特征取值执行。即可以基于第一特征取值确定对应的第一特征节点集合。
目标子图可以是随机图数据基于第一特征节点集合确定的一个子图。例如,目标子图可以仅包括第一特征节点集合的各个节点,以严格验证第一特征取值与第二特征取值是否完全相同。
考虑到随机图数据基于种植团问题构建,为与第二特征节点集合对应的全连接子图匹配,则前述目标子图也可以是完全连接的子图。即在一些实施例中,前述S250可以基于第一特征节点集合执行,通过节点增减操作,确定全连接的节点集合作为目标子图。
在一些实施例中,在确定上述目标子图后,可以参见前述S220的相关描述,执行S260,以确定目标子图基于特征提取函数的特征值。并在确定特征值后将特征值与验证值进行比较,以确定验证结果。
在一些实施例中,考虑到应用场景的不同,本申请中可以由不同的节点根据需要去执行将特征值与验证值进行比较的步骤。例如,当第一参与者为请求节点,第二参与者为服务器时,在基于隐私特征验证对第一参与者进行身份验证时,第一参与者节点可以将特征值发送到第二参与者,以是第二参与者确定验证结果并基于验证结果生成对应的访问请求。再例如,第一参与者为终端设备,第二参与者为推送服务商时,验证过程可以在第一参与者处执行,以确定各个推送消息是否允许呈现在终端设备中。
在一些实施例中,确定验证结果的步骤可以直接由第一参与者执行。此时,第一参与者可以先确定验证值,并比较特征值以及验证值确定验证结果,其中,特征值与验证值不同时,验证结果配置为不通过。
在一些实施例中,确定验证结果的步骤可以直接由第二参与者执行或其他可信第三方执行。此时,第一参与者可以将特征值发送到第二参与者或可信第三方,以比较特征值以及验证值确定验证结果。
在一些实施例中,考虑到前述目标子图的确定过程,在确定目标子图时存在大量的节点更改操作,从而给本申请提供的验证方法提供了容错空间。经测试,第一特征节点集合越接近第二特征节点集合时,生成目标子图的时间越快。由此,可以将迭代时间也引入匹配算法中。
在一些实施例中,在确定验证结果时,可以先确定目标子图的确定时间。再基于确定时间、特征值以及验证值确定验证结果。其中,当特征值与验证值相同,验证结果与确定时间负相关,以反映第一特征取值相与第二特征取值的相似度。
在一些实施例中,在确定验证结果时,还可以先确定节点增加处理以及节点减少处理的处理次数。再基于处理次数、特征值以及验证值确定验证结果,其中,当特征值与验证值相同,验证结果与处理次数负相关,以反映相似度。
由此,在本申请的特征验证过程中,一个参与者可以将自己持有的特征集合转化为随机图数据中的完全子图,并通过该完全子图的唯一映射值与另一参与者进行验证。在该过程中,各个特征集合的情况通过映射值表征,两个参与者无法获知对方的特征集合,以保证了特征验证过程的私密性。此外,前述随机图数据中的完全子图可以理解为一个NP难的种植团问题,由此完全子图无法从随机图数据中暴力解析,从而保证了该隐私验证过程中的安全性与可靠性。
第二参与者侧的示例性隐私特征验证方法
图3是本申请一些实施例提供的第二参与者侧的隐私特征验证方法的示例性流程图。其中,图3所述的流程P300可以由第二参与者执行。
如图3所示,P300可以包括如下步骤:
S310、确定从候选节点集合中确定第二特征节点集合。其中,候选节点集合包括反映可选特征的多个候选节点,第二特征节点集合包括反映第二特征取值的多个第二特征节点。
S320、基于第二特征节点集合确定验证值。其中,验证值是第二特征节点集合基于特征提取函数的唯一映射结果。
S330、基于第二特征节点集合以及候选节点集合确定随机图数据,并发送给第一参与者。其中,随机图数据包括各个候选节点以及随机设置在任意两个候选节点之间的边,随机图数据中各个第二特征节点之间通过边连接。
在一些实施例中,在前述S310中确定第二特征节点集合时,可以先确定可选特征集合。再基于可选特征集合确定候选节点集合。最后,基于可选特征集合中第二特征取值以及可选特征与候选节点的对应关系,确定第二特征节点集合。
在一些实施例中,在前述S330中确定随机图数据后,第二参与者可以将随机图数据发送给第一参与者。其中,发送方式可以根据在实际应用场景调整。例如,可以托管第三方进行发送,以避免第一参与者与第二参与者的数据交换。再例如,可以直接由第二参与者发送给第一参与者。
在一些实施例中,前述S330还可以根据实际需要触发。例如,在进行特征验证时,可以先验证第一特征节点集合是否与第二特征节点集合一致,若不一致,再请求基于随机图数据进行验证,以使第二参与者生成随机图数据并发送给第一参与者。再例如,当第一参与者请求重新验证时,第二参与者节点可以重新执行S330,以重新确定不同的随机图数据。
为进一步说明前述随机图数据的生成过程。本申请还提供该过程中图数据示例图。下面将结合图4、图5对随机图数据及其生成过程进行详细说明。
在本示例中,可选特征可以包括16个特征,并依次编码为1~16。
在本示例中,第二特征取值可以为X={2,3,5,8},即第二特征取值包含编号为2、3、5、8的四个可选特征。
第二参与者可以基于第二特征取值确定图4所示的第二特征节点集合。其中,为表征第二特征节点,在图4中,第二特征节点之间通过边连接。
基于图4所述的第二特征节点集合,第二参与者可以生成包含16个节点的随机图数据。如图5所示。在图5所述的随机图数据包含图4中的全连接子图且图5中各个节点直接的边生成的概率可以为0.5。
需要说明的是,本申请并不限制前述全连接子图和随机图数据的生成顺序。例如,可以先基于预设概率生成随机图数据,再从随机图数据中识别出第二特征节点集合并补充边,以是第二特征节点集合所形成的子图全连接。再例如,可以先基于第二特征节点集合生成全连接子图,再基于预设概率形成随机图数据。
当第二参与者确定随机图数据后,可以将随机图数据发送给第一参与者,以进行后续验证。第二参与者侧的验证过程可以参考图2或图6的相关描述,在此不做赘述。
第一参与者侧的示例性隐私特征验证方法
图6是本申请一些实施例提供的第一参与者侧的隐私特征验证方法的示例性流程图。其中,图6所示的流程P600可以由第一参与者执行。
如图6所示,P600可以包括如下步骤:
S610、从候选节点集合中确定第一特征节点集合。其中,候选节点集合包括反映可选特征的多个候选节点,第一特征节点集合包括反映第一特征取值的多个第一特征节点。
S620、确定随机图数据并基于第一特征节点集合从随机图数据中确定目标子图。其中,随机图数据由第二参与者基于第二特征节点集合确定,第二特征节点集合包括反映第二特征取值的多个第二特征节点,随机图数据包括各个候选节点以及随机设置在任意两个候选节点之间的边,随机图数据中各个第二特征节点之间通过边连接。
S630、基于目标子图确定特征值,以基于特征值以及验证值确定第一特征取值相对于第二特征取值的验证结果。其中,验证值是第二特征节点集合基于特征提取函数的唯一映射结果,特征值是目标子图中的各个节点基于特征提取函数的唯一映射结果。
在一些实施例中,与第二特征节点类似,在确定第一特征节点(即执行前述S610)时,可以先确定可选特征集合。再基于可选特征集合确定候选节点集合。最后基于可选特征集合中第一特征取值以及可选特征与候选节点的对应关系,确定第一特征节点集合。其中,第一特征取值为多个可选特征的组合。
在一些实施例中,考虑到目标子图可以被配置为节点互相连接的子图。则目标子图可以基于第一特征节点集合进行迭代。即在前述S620中,可以先基于第一特征节点集合从随机图数据确定初始子图。再基于初始子图执行节点增加处理和/或节点减少处理,以确定目标子图。其中,初始子图包括各个第一特征节点以及随机图数据在各个第一特征节点之间的边。目标子图所包含的各个节点之间通过边连接。
在一些实施例中,前述目标子图可以通过迭代直接的节点增加与减少处理而确定。即可以先基于初始子图的各个节点从随机图数据确定待添加节点,并基于待添加节点执行节点增加处理以更新初始子图。基于初始子图中各个节点之间的边从初始子图确定待去除节点,并基于待去除节点执行节点减少处理以更新初始子图。重复执行节点增加处理和/或节点减少处理,直到处理后的初始子图的各个节点之间通过边连接,将处理后的初始子图作为目标子图。其中,待添加节点与初始子图的各个节点之间通过边连接。待去除节点与初始子图中的至少一个节点之间不存在边。
在一些实施例中,待添加节点与待去除节点可以基于节点的度而确定。其中,节点的度可以理解为节点与其他节点通过边连接的数量。具体地,可以包括反映连接该节点的边数量。
在一些实施例中,在确定待去除节点时,可以先确定初始子图中各个节点的度。响应于各个节点的度不相同,将入读最小值对应的节点作为待去除节点。
在一些实施例中,在确定待添加节点时,对于随机图数据中初始子图之外的各个节点,可以先确定各个节点与随机图数据之间的度。再响应于随机图数据中存在度等于初始子图中的节点数量的节点,将该节点作为待添加节点。即在确定待添加节点时,可以遍历随机图数据以确定与各个节点与初始子图之间的度,从而确定待添加节点。
在一些实施例中,在确定待添加节点时,还可以先从随机图数据中筛选出与初始子图中任意节点连接的节点集合。在确定节点集合中与初始子图全连接的目标节点(如与初始子图的度等于初始子图中节点数量的节点),以作为待添加节点。
在一些实施例中,为避免重复迭代,在确定待添加节点时可以仅查找初始子图(含删除的节点)之外的节点与初始子图的关系。此外,为避免重复迭代,可以在以是否存在待去除节点作为结束的判定条件,若不存在时,可以认为子图的各个节点的度相同,则可以结束迭代。
在一些实施例中,前述P600的各个步骤可以根据实际验证需要调整。仅作为一种示例,第一参与者可以先基于第一特征取值确定第一特征值,并基于第一特征值与验证值进行对比。若对比通过,则第一特征取值与第二特征取值完全相同。若不同,则第一参与者可以获取随机图数据以基于初始子图确定全连接目标子图,从而确定目标子图的第二特征值,再基于第二特征值与验证值进行对比。若对比通过,则基于第一特征值与验证值对比的时刻与当前时刻确定第一特征取值与第二特征取值完全相似度,其中,时间越短相似度越高。若不同,则认定验证不通过。在一些实施例中,当验证不通过时,第一参与者可以请求重新获取不同的随机图数据进行重新验证(即重新执行P600)。
为进一步说明前述目标子图的生成过程。本申请还提供该过程中图数据示例图。下面将结合图7、图8对随机图数据验证过程进行详细说明。
第一参与者在确定所示的随机图数据(如图5所示的随机图数据)后,可以获取该随机图数据,并基于第一特征取值从随机图数据中确定初始子图。
在本示例中,第一特征取值可以为Y={2,5,8,10,15}。
由此,与第一特征取值对应的初始子图可以参见图7所示。在图7中,初始子图包括节点2、5、8、10、15。在该初始子图中,节点2、5、8的度均为2,节点10、15的度为1,则可以去除节点10、15。
基于节点2、5、8。可以先从随机图数据中确定与节点2、5、8连接的各个节点。再从中确定与节点2、5、8均连接的节点。其中,与节点2、5、8连接的各个节点可以参见图8。在图8中,仅节点3与节点2、5、8连接都连接。
由此,基于上述节点删除/增加操作可以得到包含节点2、3、5、8的目标子图。该目标子图与第二特征节点集合对应的子图(图4)相同。
由此,在本示例中第一参与者的特征向量与第二参与者的特征向量一致,可以认定验证通过。其中,两者相似度还可以基于迭代次数进行确定。在本示例中,进行了一次节点删除以及一次节点增加,则可以认为进行了一次迭代,两者的置信度/相似度可以为95%。
上述所有可选技术方案,可采用任意结合形成本申请的可选实施例,在此不再一一赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序校验码的介质。
需要说明的是,在本申请的描述中,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换等,均应包含在本申请的保护范围之内。
Claims (13)
1.一种基于图数据的隐私特征验证方法,其特征在于,应用于第一参与者,所述隐私特征验证方法包括:
从候选节点集合中确定第一特征节点集合,其中,所述候选节点集合包括反映可选特征的多个候选节点,所述第一特征节点集合包括反映第一特征取值的多个第一特征节点;
确定随机图数据并基于所述第一特征节点集合从所述随机图数据中确定目标子图,其中,所述随机图数据由第二参与者基于第二特征节点集合确定,所述第二特征节点集合包括反映第二特征取值的多个第二特征节点,所述随机图数据包括各个候选节点以及随机设置在任意两个候选节点之间的边,所述随机图数据中各个第二特征节点之间通过边连接;
基于所述目标子图确定特征值,以基于所述特征值以及验证值确定所述第一特征取值相对于所述第二特征取值的验证结果,其中,所述验证值是所述第二特征节点集合基于特征提取函数的唯一映射结果,所述特征值是所述目标子图中的各个节点基于所述特征提取函数的唯一映射结果;
其中,所述基于所述第一特征节点集合从所述随机图数据中确定目标子图,包括:
基于所述第一特征节点集合从所述随机图数据中确定初始子图,其中,所述初始子图包括各个所述第一特征节点以及所述随机图数据在各个所述第一特征节点之间的边;
基于所述初始子图执行节点增加处理和/或节点减少处理,以确定所述目标子图,其中,所述目标子图所包含的各个节点之间通过边连接。
2.根据权利要求1所述的隐私特征验证方法,其特征在于,所述基于所述初始子图执行节点增加处理和/或节点减少处理,以确定所述目标子图,包括:
基于所述初始子图的各个节点从所述随机图数据确定待添加节点,并基于所述待添加节点执行所述节点增加处理以更新所述初始子图,其中,所述待添加节点与所述初始子图的各个节点之间通过边连接;
基于所述初始子图中各个节点之间的边从所述初始子图确定待去除节点,并基于所述待去除节点执行所述节点减少处理以更新所述初始子图,其中,所述待去除节点与所述初始子图中的至少一个节点之间不存在边;
重复执行所述节点增加处理和/或所述节点减少处理,直到处理后的初始子图的各个节点之间通过边连接,将处理后的初始子图作为所述目标子图。
3.根据所述权利要求2所述的隐私特征验证方法,其特征在于,所述基于所述初始子图中各个节点之间的边从所述初始子图确定待去除节点,包括:
确定所述初始子图中各个节点的度,其中,所述度反映指向节点的边数量;
响应于所述各个节点的度不相同,将所述度最小值对应的节点作为所述待去除节点;
所述基于所述初始子图的各个节点从所述随机图数据确定待添加节点,包括:
对于所述随机图数据中所述初始子图之外的各个节点,确定各个节点与所述随机图数据之间的度,其中,所述度反映从节点离开的边数量;
响应于所述随机图数据中存在度等于所述初始子图中的节点数量的节点,将该节点作为所述待添加节点。
4.根据权利要求2所述的隐私特征验证方法,其特征在于,所述基于所述特征值以及验证值确定所述第一特征取值相对于所述第二特征取值的验证结果,包括:
确定所述目标子图的确定时间;
基于所述确定时间、所述特征值以及验证值确定所述验证结果,其中,当所述特征值与所述验证值相同,所述验证结果与所述确定时间负相关,以反映所述第一特征取值相与所述第二特征取值的相似度;或
确定所述节点增加处理以及所述节点减少处理的处理次数;
基于所述处理次数、所述特征值以及验证值确定所述验证结果,其中,当所述特征值与所述验证值相同,所述验证结果与所述处理次数负相关,以反映所述相似度。
5.根据权利要求1所述的隐私特征验证方法,其特征在于,所述基于所述特征值以及验证值确定所述第一特征取值相对于所述第二特征取值的验证结果,包括:
确定所述验证值,并比较所述特征值以及所述验证值确定所述验证结果,其中,所述特征值与验证值不同时,所述验证结果配置为不通过;或
将所述特征值发送到所述第二参与者或可信第三方,以比较所述特征值以及所述验证值确定所述验证结果。
6.根据权利要求1所述的隐私特征验证方法,其特征在于,所述从候选节点集合中确定第一特征节点集合,包括:
确定可选特征集合,其中,所述可选特征集合包括反映特征验证中的所有可选特征;
基于所述可选特征集合确定所述候选节点集合,其中,所述可选特征与所述候选节点一一对应;
基于所述可选特征集合中第一特征取值以及所述可选特征与所述候选节点的对应关系,确定所述第一特征节点集合,所述第一特征取值为多个可选特征的组合。
7.一种基于图数据的隐私特征验证方法,其特征在于,所述隐私特征验证方法应用于第二参与者,所述隐私特征验证方法包括:
从候选节点集合中确定第二特征节点集合,其中,所述候选节点集合包括反映可选特征的多个候选节点,所述第二特征节点集合包括反映第二特征取值的多个第二特征节点;
基于所述第二特征节点集合确定验证值,其中,所述验证值是所述第二特征节点集合基于特征提取函数的唯一映射结果;
基于所述第二特征节点集合以及所述候选节点集合确定随机图数据,并发送给第一参与者,其中,所述随机图数据包括各个候选节点以及随机设置在任意两个候选节点之间的边,所述随机图数据中各个第二特征节点之间通过边连接;
所述随机图数据被所述第一参与者接收后用于由所述第一参与者基于第一特征节点集合从所述随机图数据中确定目标子图,并基于所述目标子图确定特征值,以基于所述特征值以及所述验证值确定第一特征取值相对于所述第二特征取值的验证结果,其中,所述第一特征节点集合包括反映所述第一特征取值的多个第一特征节点,所述特征值是所述目标子图中的各个节点基于所述特征提取函数的唯一映射结果;
其中,所述第一参与者基于第一特征节点集合从所述随机图数据中确定目标子图包括:
基于所述第一特征节点集合从所述随机图数据中确定初始子图,其中,所述初始子图包括各个第一特征节点以及所述随机图数据在各个所述第一特征节点之间的边;
基于所述初始子图执行节点增加处理和/或节点减少处理,以确定所述目标子图,其中,所述目标子图所包含的各个节点之间通过边连接。
8.根据权利要求7所述的隐私特征验证方法,其特征在于,所述从候选节点集合中确定第二特征节点集合,包括:
确定可选特征集合,其中,所述可选特征集合包括反映特征验证中的所有可选特征;
基于所述可选特征集合确定所述候选节点集合,其中,所述可选特征与所述候选节点一一对应;
基于所述可选特征集合中第二特征取值以及所述可选特征与所述候选节点的对应关系,确定所述第二特征节点集合,所述第二特征取值为多个可选特征的组合。
9.根据权利要求7所述的隐私特征验证方法,其特征在于,所述基于所述第二特征节点集合以及所述候选节点集合确定随机图数据,包括:
基于预设概率在所述候选节点集合中的各个候选节点之间随机生成边,以确定所述随机图数据;
基于所述第二特征节点集合在所述第二特征节点之间生成边,以更新所述随机图数据。
10.根据权利要求9所述的隐私特征验证方法,其特征在于,所述候选节点的数量为所述第二特征节点的数量的平方值,所述预设概率为0.5。
11.一种基于图数据的隐私特征验证方法,其特征在于,所述隐私特征验证方法应用于第二参与者与第一参与者,所述隐私特征验证方法包括:
所述第二参与者确定从候选节点集合中确定第二特征节点集合,其中,所述候选节点集合包括反映可选特征的多个候选节点,所述第二特征节点集合包括反映第二特征取值的多个第二特征节点;
所述第二参与者基于所述第二特征节点集合确定验证值,其中,所述验证值是所述第二特征节点集合基于特征提取函数的唯一映射结果;
所述第二参与者基于所述第二特征节点集合以及所述候选节点集合确定随机图数据,并发送给所述第一参与者,其中,所述随机图数据包括各个候选节点以及随机设置在任意两个候选节点之间的边,所述随机图数据中各个第二特征节点之间通过边连接;
所述第一参与者从所述候选节点集合中确定第一特征节点集合,其中,所述第一特征节点集合包括反映第一特征取值的多个第一特征节点;
所述第一参与者确定所述随机图数据并基于所述第一特征节点集合从所述随机图数据中确定目标子图;
所述第一参与者基于所述目标子图确定特征值,以基于所述特征值以及所述验证值确定所述第一特征取值相对于所述第二特征取值的验证结果,其中,所述特征值是所述目标子图中的各个节点基于所述特征提取函数的唯一映射结果;
其中,所述基于所述第一特征节点集合从所述随机图数据中确定目标子图,包括:
基于所述第一特征节点集合从所述随机图数据中确定初始子图,其中,所述初始子图包括各个所述第一特征节点以及所述随机图数据在各个所述第一特征节点之间的边;
基于所述初始子图执行节点增加处理和/或节点减少处理,以确定所述目标子图,其中,所述目标子图所包含的各个节点之间通过边连接。
12.一种基于图数据的隐私特征验证系统,其特征在于,所述隐私特征验证系统包括第一参与者以及第二参与者,并用于两方计算;
所述第二参与者用于:
确定从候选节点集合中确定第二特征节点集合,其中,所述候选节点集合包括反映可选特征的多个候选节点,所述第二特征节点集合包括反映第二特征取值的多个第二特征节点;
基于所述第二特征节点集合确定验证值,其中,所述验证值是所述第二特征节点集合基于特征提取函数的唯一映射结果;
基于所述第二特征节点集合以及所述候选节点集合确定随机图数据,并发送给所述第一参与者,其中,所述随机图数据包括各个候选节点以及随机设置在任意两个候选节点之间的边,所述随机图数据中各个第二特征节点之间通过边连接;
所述第一参与者用于:
从所述候选节点集合中确定第一特征节点集合,其中,所述第一特征节点集合包括反映第一特征取值的多个第一特征节点;
确定所述随机图数据并基于所述第一特征节点集合从所述随机图数据中确定目标子图;
基于所述目标子图确定特征值,以基于所述特征值以及所述验证值确定所述第一特征取值相对于所述第二特征取值的验证结果,其中,所述特征值是所述目标子图中的各个节点基于所述特征提取函数的唯一映射结果;
其中,所述基于所述第一特征节点集合从所述随机图数据中确定目标子图,包括:
基于所述第一特征节点集合从所述随机图数据中确定初始子图,其中,所述初始子图包括各个所述第一特征节点以及所述随机图数据在各个所述第一特征节点之间的边;
基于所述初始子图执行节点增加处理和/或节点减少处理,以确定所述目标子图,其中,所述目标子图所包含的各个节点之间通过边连接。
13.一种电子设备,其特征在于,包括:
处理器;以及
用于存储可执行指令的存储器;
其中,所述可执行指令被所述处理器执行时,实现上述权利要求1-10中任意一项所述的基于图数据的隐私特征验证方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311776540.4A CN117454153B (zh) | 2023-12-22 | 2023-12-22 | 一种基于图数据的隐私特征验证方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311776540.4A CN117454153B (zh) | 2023-12-22 | 2023-12-22 | 一种基于图数据的隐私特征验证方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117454153A CN117454153A (zh) | 2024-01-26 |
CN117454153B true CN117454153B (zh) | 2024-03-22 |
Family
ID=89591527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311776540.4A Active CN117454153B (zh) | 2023-12-22 | 2023-12-22 | 一种基于图数据的隐私特征验证方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454153B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506924A (zh) * | 2020-06-08 | 2020-08-07 | Oppo广东移动通信有限公司 | 一种差分隐私保护方法、装置及计算机可读存储介质 |
CN117056970A (zh) * | 2023-08-15 | 2023-11-14 | 浙江大学 | 基于图神经网络的隐私特征保护方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11531656B1 (en) * | 2021-06-08 | 2022-12-20 | International Business Machines Corporation | Duplicate determination in a graph |
-
2023
- 2023-12-22 CN CN202311776540.4A patent/CN117454153B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506924A (zh) * | 2020-06-08 | 2020-08-07 | Oppo广东移动通信有限公司 | 一种差分隐私保护方法、装置及计算机可读存储介质 |
CN117056970A (zh) * | 2023-08-15 | 2023-11-14 | 浙江大学 | 基于图神经网络的隐私特征保护方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117454153A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10965668B2 (en) | Systems and methods to authenticate users and/or control access made by users based on enhanced digital identity verification | |
KR102002509B1 (ko) | 공증센터를 포함하는 프라이빗 블록체인 시스템 및 이의 공증방법 | |
WO2020134942A1 (zh) | 身份核实方法及其系统 | |
EP3100171B1 (en) | Client authentication using social relationship data | |
US9578004B2 (en) | Authentication of API-based endpoints | |
US11811754B2 (en) | Authenticating devices via tokens and verification computing devices | |
KR20210072794A (ko) | 블록체인 기반의 신원 서명 메커니즘을 채택한 네트워크 멤버 식별을 위한 합의 기반 투표 | |
CN111567013A (zh) | 在区块链网络中管理用户认证的方法和装置 | |
JPWO2017195886A1 (ja) | 認証システム、認証方法およびプログラム | |
US20200204338A1 (en) | Securing public key cryptographic algorithms | |
US11288530B1 (en) | Systems and methods for liveness-verified identity authentication | |
CN112000744A (zh) | 一种签名方法及相关设备 | |
CN113722748B (zh) | 一种基于区块链和通用工业标识的设备信息获取方法 | |
JP2023504569A (ja) | プライバシ保存バイオメトリック認証 | |
CN114063651B (zh) | 用户与多架无人机进行相互认证的方法、可存储介质 | |
CN112580010A (zh) | 一种生物特征共享方法、装置、电子设备及存储介质 | |
JP2023554148A (ja) | 機密データのブロック | |
US11528134B2 (en) | Authentication using transformation verification | |
CN117454153B (zh) | 一种基于图数据的隐私特征验证方法、系统及电子设备 | |
CN111078649A (zh) | 基于区块链的云上文件存储方法、装置及电子设备 | |
CN112422570B (zh) | 游戏登录方法及装置 | |
CN114239013A (zh) | 一种访问请求的验证方法和相关装置 | |
CN109862008B (zh) | 密钥恢复方法和装置、电子设备及存储介质 | |
CN109617691B (zh) | 在多用户群认证中使用模运算的群认证方法及系统 | |
CN107172106B (zh) | 安全信息交互方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |