一种基于同态加密的线性回归纵向联邦学习方法

    公开(公告)号:CN114547643A

    公开(公告)日:2022-05-27

    申请号:CN202210064492.5

    申请日:2022-01-20

    Inventor: 何道敬 袁露

    Abstract: 本发明公开了一种基于同态加密的线性回归纵向联邦学习方法,包括步骤:a)建模训练;b)两种预测。建模训练:采用minist数据集,步骤如下:owner即数据应用方,利用Paillier生成公私钥对,consumer即数据持有,计算特征值与特征矩阵的乘积发送给owner,owner计算预测标签通过与实际Y对比得到然后计算梯度,利用梯度来更新特征值的权重,直到模型达收敛范围,训练结束。预测方法1:无第三方,consumer计算特征值与特征矩阵的乘积发给owner,计算预测值返回给consumer。预测方法2:基于差分隐私,Carol整合双方特征参数后发给consumer,consumer计算预测标签将结果发给Carol。本发明创新点:训练阶段,梯度始终加密,无第三方,未暴露过多特征参数;预测阶段可防止合谋攻击。

    一种面向综合电子系统的异常检测方法

    公开(公告)号:CN109766229B

    公开(公告)日:2022-02-11

    申请号:CN201811477152.5

    申请日:2018-12-05

    Abstract: 本发明公开了一种面向综合电子系统的异常检测方法,提出了一种基于命令字序列规范和时间序列相结合的方法。其中,命令字序列规范方法用于检测周期性消息是否异常,时间序列方法选用马尔科夫模型,用于预测非周期性消息是否异常。方法包括如下步骤:1)收集数据:收集总线传输数据;2)生成检测器:根据日志信息,自生成周期性命令字序列规范,并训练马尔可夫模型;3)入侵检测:将待检测的消息按照命令字序列规范检测,当消息的命令字不符合序列规范时,将其识别为非周期性消息,进行非周期性消息检测,若仍检测不通过,则告警。本发明可检测出总线控制器和子系统之间的攻击,可以有效的抵御重放攻击、伪造攻击、拒绝服务等多种攻击。

    一种基于安全多方计算的卡方分箱方法

    公开(公告)号:CN113688354A

    公开(公告)日:2021-11-23

    申请号:CN202110999974.5

    申请日:2021-08-27

    Abstract: 本发明公开了一种基于安全多方计算的卡方分箱方法,对于联邦学习的特征工程,提出一种新的卡方值计算方法,不需要加密所有的特征数据发送给数据应用方进行特征预处理,而是先将特征数据按类别分组,混入虚假分组,并对分组类别进行标记后加密发送给数据应用方,加密分组类别将会大幅度减少加密处理的数据量,数据应用方不需要解密所有特征数据,避免了巨大的资源损耗;数据提供方发送给数据应用方的是特征数据的分组信息,数据应用方解密后获取的是特征数据的分组信息,不包含特征数据的实际内容,并且该分组信息添加了虚假分组信息,将真实分组和虚假分组进行编码标记,相比传输脱敏数据和将真实数据加密后传输来说,提高了数据隐私的安全性。

Patent Agency Ranking