-
公开(公告)号：CN115913559B
公开(公告)日：2024-08-02
申请号：CN202211041904.X
申请日：2022-08-29
Applicant: 北京理工大学 , 国家计算机网络与信息安全管理中心
Abstract: 本发明公开了一种基于网络延迟与算力延缓中本聪共识账本同步的方法。本发明在比特币网络中设置一运行模型和一操作者模型；比特币网络中包括诚实节点和攻陷节点；操作者模型将诚实节点分为两组并将攻陷节点分别加入两组进行挖矿；诚实节点上运行运行模型，每回合执行两个操作：1)接收来自比特币网络中广播的区块链，并验证合法性，丢弃不合法的区块；当收到的验证为合法的区块链比自己的区块链长时，则放弃自己原有的区块链，选择接收到的最长合法链作为自己的区块链；2)在自己的区块链末尾进行挖矿，当挖出一个新的区块时，将其添加到自己的区块链，产生一条新的区块链并将其广播出去；攻陷节点能够在任意长度的区块链上进行挖矿并广播。
-
Patent Agency Ranking
公开(公告)号：CN115913559A
公开(公告)日：2023-04-04
申请号：CN202211041904.X
申请日：2022-08-29
Applicant: 北京理工大学 , 国家计算机网络与信息安全管理中心
Abstract: 本发明公开了一种基于网络延迟与算力延缓中本聪共识账本同步的方法。本发明在比特币网络中设置一运行模型和一操作者模型；比特币网络中包括诚实节点和攻陷节点；操作者模型将诚实节点分为两组并将攻陷节点分别加入两组进行挖矿；诚实节点上运行运行模型，每回合执行两个操作：1)接收来自比特币网络中广播的区块链，并验证合法性，丢弃不合法的区块；当收到的验证为合法的区块链比自己的区块链长时，则放弃自己原有的区块链，选择接收到的最长合法链作为自己的区块链；2)在自己的区块链末尾进行挖矿，当挖出一个新的区块时，将其添加到自己的区块链，产生一条新的区块链并将其广播出去；攻陷节点能够在任意长度的区块链上进行挖矿并广播。
-
公开(公告)号：CN114841363B
公开(公告)日：2024-07-23
申请号：CN202210374786.8
申请日：2022-04-11
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于零知识证明的隐私保护与可验证隐私的联邦学习方法，属于人工智能机器学习技术领域，包括训练任务发布、本地训练、证明生成、训练结果提交、训练过程验证和训练参数聚合。本发明在联邦学习过程中利用零知识证明技术，在不泄露训练者的隐私数据的情况下向发布者证明训练过程的正确性。本发明对于联邦学习中所使用的训练算法没有限定和要求，支持对任意训练过程的证明，使得联邦学习具有可验证和隐私保护的性质，提高了联邦学习的安全性。同时，本发明采用了一种将小数机器学习过程转化为整数机器学习过程的方法，将复杂的机器学习过程通过一系列涉及加减乘除的简单运算的组合表示，将机器学习过程和密码学进行有机的联系与结合。
-
公开(公告)号：CN120017252A
公开(公告)日：2025-05-16
申请号：CN202411849112.4
申请日：2024-12-16
Applicant: 北京理工大学 , 中科信息安全共性技术国家工程研究中心有限公司
Abstract: 本发明涉及一种基于模型健壮性过滤器的隐私联邦学习系统，属于机器学习技术领域。本发明系统使用混合与分层两种策略，防止攻击者的恶意模型污染全局模型。混合策略对比模型在距离和方向两种度量的不同，分层策略通过检查模型在不同层的方向差异情况。两种策略的结合，能够有效检测后门攻击，提高联邦学习系统的鲁棒性。通过使用可验证秘密共享和零知识证明技术，确保了参与者在聚合时不会泄露局部模型更新的任何信息，实现安全聚合，保证了参与者数据的隐私性。
-
公开(公告)号：CN120012873A
公开(公告)日：2025-05-16
申请号：CN202411848973.0
申请日：2024-12-16
Applicant: 北京理工大学 , 中科信息安全共性技术国家工程研究中心有限公司
Abstract: 本发明涉及一种基于训练质量评估与链上酬金支付的联邦学习方法，属于联邦学习技术领域。本方法利用区块链技术，将中央服务器和客户端看作是区块链上的节点，设备之间的数据传输通过区块链网络实现，并通过智能合约实现对训练质量的支付。通过零知识证明技术，在保护用户数据隐私的前提下实现中央服务器对训练质量的证明。
-
公开(公告)号：CN114841363A
公开(公告)日：2022-08-02
申请号：CN202210374786.8
申请日：2022-04-11
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于零知识证明的隐私保护与可验证隐私的联邦学习方法，属于人工智能机器学习技术领域，包括训练任务发布、本地训练、证明生成、训练结果提交、训练过程验证和训练参数聚合。本发明在联邦学习过程中利用零知识证明技术，在不泄露训练者的隐私数据的情况下向发布者证明训练过程的正确性。本发明对于联邦学习中所使用的训练算法没有限定和要求，支持对任意训练过程的证明，使得联邦学习具有可验证和隐私保护的性质，提高了联邦学习的安全性。同时，本发明采用了一种将小数机器学习过程转化为整数机器学习过程的方法，将复杂的机器学习过程通过一系列涉及加减乘除的简单运算的组合表示，将机器学习过程和密码学进行有机的联系与结合。
-
-
-
-
-
Search Results
6
records
(took 0.085 seconds)
