-
公开(公告)号：CN115361109B
公开(公告)日：2024-05-07
申请号：CN202210800958.3
申请日：2022-07-08
申请人： 暨南大学
摘要： 本发明公开了一种支持双向代理重加密的同态加密方法，包括以下步骤：密钥对生成，输入安全参数到密钥对生成算法，生成公钥和私钥；公钥加密消息，将公钥和需要加密的消息输入加密算法中，进行消息加密，得到密文；代理密钥生成，根据授权方的公钥和私钥以及被授权方的公钥和私钥，生成代理密钥；代理重加密，根据密文和代理密钥，对授权方的密文进行重加密；解密密文，通过解密算法解密密文恢复消息。本发明方法具有同态性质且支持双向代理重加密，可用于外包计算等场景中，有效的保护了隐私，在一定程度上解决了多密钥难计算的问题。
-
公开(公告)号：CN115442134A
公开(公告)日：2022-12-06
申请号：CN202211069818.X
申请日：2022-09-02
申请人： 暨南大学
摘要： 本发明涉及一种基于同态双向代理重加密的多密钥多方安全计算方法，包括步骤：S1、用户数据端DPi生成密文cti并存储在云服务器CSP1上；S2、用户请求方RU请求计算；S3、当DPi允许CSP1使用自身数据时，生成临时公私钥(pk′i,sk′i)和双向代理重加密密钥rki→i′；S4、将pk′i和rki→i′上传至CSP1，将sk′i上传至云服务器CSP2；S5、CSP1根据重加密密钥rki→i′将密文cti重加密为ct′i，然后通过盲化的方式与CSP2进行交互，将需要使用的密文转换为在用户请求方RU的公钥下加密的密文，并完成运算，将结果密文返回给用户请求方RU进行解密。本发明通过双向代理重加密的方式，在不泄露用户真实私钥的情况下，实现了不同密钥加密下密文的安全计算，保护了用户原始数据的隐私，提高了密文数据的可用性。
-
公开(公告)号：CN115361109A
公开(公告)日：2022-11-18
申请号：CN202210800958.3
申请日：2022-07-08
申请人： 暨南大学
摘要： 本发明公开了一种支持双向代理重加密的同态加密方法，包括以下步骤：密钥对生成，输入安全参数到密钥对生成算法，生成公钥和私钥；公钥加密消息，将公钥和需要加密的消息输入加密算法中，进行消息加密，得到密文；代理密钥生成，根据授权方的公钥和私钥以及被授权方的公钥和私钥，生成代理密钥；代理重加密，根据密文和代理密钥，对授权方的密文进行重加密；解密密文，通过解密算法解密密文恢复消息。本发明方法具有同态性质且支持双向代理重加密，可用于外包计算等场景中，有效的保护了隐私，在一定程度上解决了多密钥难计算的问题。
-
公开(公告)号：CN115442134B
公开(公告)日：2024-05-07
申请号：CN202211069818.X
申请日：2022-09-02
申请人： 暨南大学
摘要： 本发明涉及一种基于同态双向代理重加密的多密钥多方安全计算方法，包括步骤：S1、用户数据端DPi生成密文cti并存储在云服务器CSP1上；S2、用户请求方RU请求计算；S3、当DPi允许CSP1使用自身数据时，生成临时公私钥(pk′i,sk′i)和双向代理重加密密钥rki→i′；S4、将pk′i和rki→i′上传至CSP1，将sk′i上传至云服务器CSP2；S5、CSP1根据重加密密钥rki→i′将密文cti重加密为ct′i，然后通过盲化的方式与CSP2进行交互，将需要使用的密文转换为在用户请求方RU的公钥下加密的密文，并完成运算，将结果密文返回给用户请求方RU进行解密。本发明通过双向代理重加密的方式，在不泄露用户真实私钥的情况下，实现了不同密钥加密下密文的安全计算，保护了用户原始数据的隐私，提高了密文数据的可用性。
-
公开(公告)号：CN115242444B
公开(公告)日：2023-08-01
申请号：CN202210710116.9
申请日：2022-06-22
申请人： 暨南大学
IPC分类号： H04L9/40 , H04L41/142 , H04L41/147 , H04L67/10
摘要： 本发明涉及机器学习领域，为一种可验证的隐私保护线性回归方法和系统，该方法包括：模型拥有者将线性回归模型相关的可验证参数公开，把线性回归模型相关的可验证参数部署在云服务器；用户对数据进行Paillier加密得到密文，将密文上传至线性回归模型所在的云服务器；用户请求云服务器对密文进行计算，云服务器通过线性回归模型对用户上传的密文进行计算预测，将计算预测结果返回给用户；利用模型拥有者提前公开的线性回归模型相关的可验证参数对计算预测结果的明文正确性进行验证。本发明可以防止云服务器恶意返回错误的结果，能够保证用户数据和模型的安全行，可以保护模型拥有者的模型信息和用户的数据信息、预测结果的隐私性。
-
公开(公告)号：CN115242444A
公开(公告)日：2022-10-25
申请号：CN202210710116.9
申请日：2022-06-22
申请人： 暨南大学
IPC分类号： H04L9/40 , H04L41/142 , H04L41/147 , H04L67/10
摘要： 本发明涉及机器学习领域，为一种可验证的隐私保护线性回归方法和系统，该方法包括：模型拥有者将线性回归模型相关的可验证参数公开，把线性回归模型相关的可验证参数部署在云服务器；用户对数据进行Paillier加密得到密文，将密文上传至线性回归模型所在的云服务器；用户请求云服务器对密文进行计算，云服务器通过线性回归模型对用户上传的密文进行计算预测，将计算预测结果返回给用户；利用模型拥有者提前公开的线性回归模型相关的可验证参数对计算预测结果的明文正确性进行验证。本发明可以防止云服务器恶意返回错误的结果，能够保证用户数据和模型的安全行，可以保护模型拥有者的模型信息和用户的数据信息、预测结果的隐私性。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.016 秒)
