公开(公告)号：CN115659000A

公开(公告)日：2023-01-31

申请号：CN202210972652.6

申请日：2022-08-15

Applicant: 暨南大学

Inventor： 王晓明 ,  王茜娴 ,  黄斌枘 ,  戴明湛

IPC: G06F16/9535 ,  G06F21/60 ,  G06N20/20

Abstract: 本发明提出了一种基于联邦学习和相似度密文计算的个性化项目推荐方法，其中，项目包括电影、音乐、图书、商品。本发明首先研究设计了一个基于正交矩阵的相似度密文计算算法，该算法能密文计算用户需求和项目属性之间的相似度并且能减少计算开销。在基于正交矩阵的相似度密文计算算法的基础上，本发明还结合联邦学习框架构建了一个有效的推荐方法。该发明可以有效提高推荐的准确性，同时保护用户和推荐代理的隐私。此外，根据可靠性分数选择性能较好的代理参与联邦推荐，进一步提高推荐准确性。在已定义的威胁模型下，证明了该方法能够满足用户和代理的隐私要求。实验表明，与现有方案相比，本发明具有较佳的安全性、准确度和效率。

公开(公告)号：CN116502223A

公开(公告)日：2023-07-28

申请号：CN202310343112.6

申请日：2023-04-03

Applicant: 暨南大学

Inventor： 王晓明 ,  黄斌枘 ,  戴明湛 ,  王茜娴

IPC: G06F21/56 ,  G06N20/00 ,  G06F21/62 ,  G06F21/60

Abstract: 本发明提出了一种联邦学习下保护用户数据隐私和抵抗恶意攻击者的方法，应用于由生产厂商(任务发布者)、云服务器、边缘节点、用户和区块链组成的系统中。该方法首先将用户分成了不同的群组，其次引入了一个可验证抽签算法，该抽签算法能够让用户在本地进行计算自己是否中签，并且该结果可以给其他用户验证是否属实。在基于抽签算法的基础上，本发明还设计了一种云‑边缘联合加密算法，该加密算法能实现密文的聚合并减少用户的计算开销。实验表明，与现有方案相比，本发明能够在保证用户隐私的基础上，抵御一定程度的恶意攻击者的攻击，并且能保障较好的全局模型精度。

公开(公告)号：CN115883239A

公开(公告)日：2023-03-31

申请号：CN202211586399.7

申请日：2022-12-09

Applicant: 暨南大学

Inventor： 王晓明 ,  戴明湛 ,  王茜娴 ,  黄斌枘

IPC: H04L9/40 ,  H04L9/08 ,  H04L9/00 ,  H04L41/16

Abstract: 本发明公开了一种在不平衡梯度下基于密文过滤的安全联邦学习方法，首先研究设计了一种基于盲化的轻量级的加密协议，实现了参与联邦学习的用户的局部梯度的安全传输和聚合，并且具有较低的计算开销。在基于轻量级的加密协议的基础上，本发明构建了密文下的梯度过滤算法，在不暴露局部梯度隐私的情况下，将与全局模型参数相差较大的异常梯度过滤掉，有效地提高全局模型的准确率。在已定义的威胁模型下，证明了本发明方法能够满足参与联邦学习的用户的局部梯度的隐私要求。实验表明，与现有方案相比，本发明具有较好的安全性、计算效率和准确率。