-
公开(公告)号：CN118643055B
公开(公告)日：2024-10-15
申请号：CN202411102971.7
申请日：2024-08-13
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F16/242 , G06F21/62
Abstract: 本发明属于数据安全技术领域，具体涉及一种多属性成本约束下的隐私保护动态空间关键字查询方法、装置、电子设备及存储介质。该方法包括：数据拥有者利用密钥加密空间对象以及构建安全树索引并上传至云服务器；用户向服务代理发送包含更新信息的请求，服务代理利用密钥加密更新信息生成更新陷门和更新空间对象的加密结果，用以更新安全树索引和加密空间对象；用户向服务代理发送包含搜索信息的请求，服务代理基于密钥和搜索信息生成搜索陷门，用以在安全树索引中搜索目标空间对象并计算其综合属性成本指数，以得到有序的#imgabs0#密文集合，对该#imgabs1#密文集合解密得到结果集，最后根据结果集找到相应密文信息并返回给用户进行解密。
-
公开(公告)号：CN118468041A
公开(公告)日：2024-08-09
申请号：CN202410924362.3
申请日：2024-07-11
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F18/214 , G06F18/2135 , G06N3/094 , G06N3/098
Abstract: 本发明属于联邦学习数据安全的技术领域，更具体地，涉及基于生成对抗网络的联邦学习拜占庭节点检测方法、装置及计算机可读存储介质。包括客户端与服务器完成数据集的分配以及对客户端和服务器的模型进行初始化；客户端根据全局模型参数更新本地模型参数并进行训练，训练完成后，将更新后的本地模型参数发送至服务器；服务器进行拜占庭节点检测并排除掉拜占庭节点对应的本地模型参数后，对剩余的客户端本地模型参数进行聚合，得到新的全局模型参数，并下发至客户端；重复上述步骤至训练轮次阈值，得到优化的全局联邦学习模型参数。本发明解决了拜占庭攻击者可以通过对本地参数进行修改并发送给聚合服务器，以使得全局模型性能失稳的问题。
-
公开(公告)号：CN117932125A
公开(公告)日：2024-04-26
申请号：CN202410331043.1
申请日：2024-03-22
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F16/903 , G06F21/62 , G06F21/60 , G06F16/901
Abstract: 本发明属于数据安全的技术领域，更具体地，涉及一种支持隐私保护的可验证空间关键字查询方法及装置。该方法包括：数据拥有者端加密其空间数据集，构建密文索引，并将空间数据集和密文索引上传云服务器端；查询用户端根据数据拥有者端提供的密钥信息和辅助参数生成搜索令牌并提交云服务器端；云服务器端根据搜索令牌检索密文索引，并向查询用户端返回相应的空间对象密文信息和验证信息；查询用户端基于密钥信息、辅助验证信息、空间对象密文信息和验证信息，先进行本地验证，再对验证通过的空间对象密文信息进行解密。本发明用于在用户给定的空间范围内返回其所期望的空间数据对象，在保证安全性的同时实现高效搜索，并支持对结果的验证。
-
公开(公告)号：CN118886003B
公开(公告)日：2025-03-28
申请号：CN202411355197.0
申请日：2024-09-27
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F21/55 , G06N3/0442 , G06N3/092 , G06Q50/06 , G06N7/01
Abstract: 本发明属于电子数字数据处理的技术领域，更具体地，涉及面向智能电网隐蔽性攻击的时序预测强化学习检测方法。所述方法包括以下步骤：首先，对智能电网进行建模，获得仪器测量数据，并对数据进行预处理；其次，将预处理后的数据作为长短期记忆网络的输入，对智能电网进行状态估计；然后，将智能电网中的攻击检测问题建模为部分可观测马尔可夫决策问题；最后，利用强化学习方法解决部分可观测马尔可夫决策问题，实现智能电网隐蔽性攻击检测。本发明可以以较低的延迟和误检率来检测智能电网中的隐蔽攻击。
-
公开(公告)号：CN119005302B
公开(公告)日：2024-12-20
申请号：CN202411455446.3
申请日：2024-10-18
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06N3/098 , G06F18/241 , G06N3/096 , G06F18/25
Abstract: 本发明属于联邦学习的技术领域，更具体地，涉及一种基于特征提取器与分类器灵活组合的联邦学习方法。所述方法包括：服务器初始化全局模型；如果是第一轮，则把本地分类器更新为全局分类器，如不是，则让本地分类器沿用上一轮次训练后的本地分类器；训练本地分类器，再对本地特征提取器进行训练，全局特征提取器生成全局特征锚点指导本地特征提取器的训练，同时让本地特征提取器先与全局分类器进行组合训练，再与本地分类器进行组合训练；基于客户端样本数量大小，生成聚合权重，并对本地模型聚合，得到新一轮的全局模型；重复步骤直到模型收敛或到达设定的通信轮次。本发明解决了模型性能下降、隐私泄露问题。
-
Patent Agency Ranking
公开(公告)号：CN118468041B
公开(公告)日：2024-10-01
申请号：CN202410924362.3
申请日：2024-07-11
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F18/214 , G06F18/2135 , G06N3/094 , G06N3/098
Abstract: 本发明属于联邦学习数据安全的技术领域，更具体地，涉及基于生成对抗网络的联邦学习拜占庭节点检测方法、装置及计算机可读存储介质。包括客户端与服务器完成数据集的分配以及对客户端和服务器的模型进行初始化；客户端根据全局模型参数更新本地模型参数并进行训练，训练完成后，将更新后的本地模型参数发送至服务器；服务器进行拜占庭节点检测并排除掉拜占庭节点对应的本地模型参数后，对剩余的客户端本地模型参数进行聚合，得到新的全局模型参数，并下发至客户端；重复上述步骤至训练轮次阈值，得到优化的全局联邦学习模型参数。本发明解决了拜占庭攻击者可以通过对本地参数进行修改并发送给聚合服务器，以使得全局模型性能失稳的问题。
-
公开(公告)号：CN118070929B
公开(公告)日：2024-09-17
申请号：CN202410465104.3
申请日：2024-04-18
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06N20/20 , G06F18/2431
Abstract: 本发明属于分布式机器学习系统优化的技术领域，涉及一种分布式机器学习系统中梯度异构双重优化方法、装置、电子设备及存储介质。该方法包括：构建包含#imgabs0#个节点和单个参数服务器的分布式学习系统，节点为诚实节点和恶意节点；基于诚实节点从其局部数据集选取的数据样本，计算并修正数据样本的局部梯度，以迭代优化本地梯度差异；引入动量项，将修正后的局部梯度与上一迭代轮次的动量向量结合，再将得到的当前迭代轮次的动量向量归一化为单位动量向量发送给参数服务器，得到局部聚合结果；对局部聚合结果进行全局聚合，以迭代优化全局梯度差异。本发明解决了由于本地梯度差异和全局梯度差异而制约系统在面对恶意节点和攻击时的鲁棒性表现的问题。
-
公开(公告)号：CN118316699B
公开(公告)日：2024-09-06
申请号：CN202410493166.5
申请日：2024-04-23
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院) , 山东众志电子有限公司
IPC: H04L9/40 , G06N3/0464 , G06N3/084 , G06N3/098
Abstract: 本发明属于人工智能的技术领域，具体涉及一种面向加密联邦学习的恶意客户端检测方法及装置。该方法包括：基于历史迭代轮次的客户端梯度计算当前迭代轮次的裁剪阈值，并根据裁剪阈值对所有客户端的梯度进行自适应裁剪，得到中间梯度；对中间梯度添加高斯噪声，得到目标梯度并将其上传至服务端；对目标梯度的每一维元素添加索引，并使用线性回归算法计算目标梯度每一维元素的残差，以计算目标梯度每一维元素的置信度，以根据置信度筛选出所有目标梯度中的良性梯度；对良性梯度进行聚合，将得到的全局梯度广播给所有客户端进行梯度更新。本发明解决了联邦学习系统在进行局部训练时，潜在的恶意客户端产生恶意行为影响模型训练的技术问题。
-
公开(公告)号：CN118573480A
公开(公告)日：2024-08-30
申请号：CN202411044928.X
申请日：2024-08-01
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: H04L9/40
Abstract: 本发明涉及一种基于零信任架构的网络安全通信方法、装置、设备及存储介质。本发明旨在构建一个高度安全、灵活且响应迅速的网络通信环境，有效应对现代网络环境中不断演变的安全挑战。采用零信任原则，无论之前是否已被认证，要求在每次通信时都必须重新进行身份验证和信任评估，旨在为网络通信提供全面、智能且高效的安全保障。本发明通过采用数据处理算法和人工智能技术，对网络实体的身份验证、属性分析、交互记录和通信环境，进行实时、动态的信任评估，适用于协同任务等复杂场景，有效识别和防御潜在的安全威胁。本发明能够确保在从数据源到目的地的整个通信过程中，每一步都遵循零信任原则，从而保障通信的安全性和可靠性。
-
公开(公告)号：CN118332584B
公开(公告)日：2024-08-27
申请号：CN202410748751.5
申请日：2024-06-12
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明属于机器学习的技术领域，具体涉及面向分布式机器学习的数据安全治理方法、装置、电子设备和存储介质。该方法包括：节点获取其相邻节点在当前迭代中的局部参数，利用即时可靠分数函数计算相邻节点的即时可靠分数，以为相邻节点构建可靠性模型，设定可靠性模型更新规则，在每次迭代中基于该规则对可靠性模型的可靠指数或不可靠指数进行更新；将更新后的可靠性模型代入Beta分布，获取相邻节点的可靠程度并以此构建可靠节点集合；基于可靠节点集合中所有可靠相邻节点的参数计算当前迭代中节点的聚合结果，结合梯度下降更新节点的参数，将更新后的参数发送至其每个相邻节点。本发明可消除拜占庭攻击的影响，确保学习模型的准确性。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.073 seconds)
