公开(公告)号：CN119918088A

公开(公告)日：2025-05-02

申请号：CN202510021706.4

申请日：2025-01-07

Applicant: 济南大学 ,  山东正中信息技术股份有限公司

Inventor： 赵川 ,  陆俊宇 ,  赵圣楠 ,  陈贞翔 ,  张建成 ,  马晓红 ,  鹿全礼 ,  陈纪旸 ,  王红强

IPC: G06F21/62 ,  G06F21/60 ,  H04L9/00 ,  H04L9/30 ,  H04L9/32

Abstract: 本发明提出了基于多项式链接的同态关键字隐私信息检索方法及系统，涉及信息检索技术领域，包括：将数据库中的数据项进行分割；利用布谷鸟哈希对数据库中的关键词进行处理，并公布所用的哈希函数；利用处理后的表内元素创建零值多项式，并用多项式链接技术以哈希值为根在分割后的数据项上创建插值多项式；利用公布的哈希函数分别计算期望查询的关键字的哈希值；使用全同态加密技术对期望查询的关键字的哈希值进行加密，再分别计算各个多项式的值；解密第一个零值多项式的值，如果存在0说明存在关键词与查询匹配，则解密插值多项式的值，并输出查询所得的结果。本发明拓展了私有信息检索的实用性。

公开(公告)号：CN119834973A

公开(公告)日：2025-04-15

申请号：CN202411991869.7

申请日：2024-12-31

Applicant: 济南大学 ,  山东正中信息技术股份有限公司

Inventor： 荆山 ,  孙保印 ,  赵圣楠 ,  马文涛 ,  赵川 ,  张建成 ,  马晓红 ,  陈贞翔 ,  鹿全礼 ,  陈纪旸 ,  王红强

IPC: H04L9/08 ,  H04L9/40 ,  H04L9/00

Abstract: 本发明提出了一种可抵御密钥混合匹配的隐私保护方法及系统，涉及信息安全技术领域，包括：多个加密者、解密者和密钥管理者；密钥管理者通过初始化算法随机生成一组密钥，并将密钥分发给对应加密者；密钥管理者随机生成标签#imgabs0#和#imgabs1#，并发送给所有加密者；加密者接收本轮标签并计算掩码；加密者通过加密算法计算密文，并将密文发送给解密者；密钥管理者接收解密者发来的向量，使用本轮标签#imgabs2#计算解密密钥，并将解密密钥和本轮标签#imgabs3#返回给解密者；解密者接收密文集合、解密密钥和标签#imgabs4#，计算解密结果，求解离散对数，得到内积结果。本发明可抵御密钥混合匹配攻击，对机器学习场景进行隐私保护和加密。

公开(公告)号：CN119760770A

公开(公告)日：2025-04-04

申请号：CN202411821481.2

申请日：2024-12-11

Applicant: 济南大学 ,  山东正中信息技术股份有限公司

Inventor： 赵川 ,  姜本冬 ,  赵圣楠 ,  马文涛 ,  张建成 ,  马晓红 ,  陈贞翔 ,  鹿全礼 ,  陈纪旸 ,  王红强

IPC: G06F21/62 ,  G06F21/60 ,  H04L9/00 ,  G06N3/098 ,  G06N3/045 ,  G06N5/022 ,  G06F18/23213

Abstract: 本发明属于联邦学习领域，提供了一种基于同态加密聚类的个性化联邦学习隐私保护方法及系统，在客户端聚类阶段，该框架利用同态加密的特性，对分布特征的密文进行简单运算，随后基于解密后的结果对客户端进行精确聚类。此方法显著提升了聚类的准确性，同时减少了计算资源的消耗。在客户端训练阶段，该框架为每一组设置了两个模型：组内模型和组外模型。组内模型指通过聚合组内用户的模型得到的模型，组外模型则是由其他组的组模型聚合而成。该框架采用近端优化的思想，以组内模型为基础获取组外模型的知识，提升模型的泛化能力，使其更适用于符合实际数据分布的场景，旨在应对由类别不平衡引发的数据异构性问题。

公开(公告)号：CN118504709A

公开(公告)日：2024-08-16

申请号：CN202410611222.0

申请日：2024-05-16

Applicant: 济南大学

Inventor： 赵川 ,  李佳瑶 ,  赵圣楠 ,  陈贞翔 ,  张建成 ,  马晓红 ,  鹿全礼 ,  陈纪旸

IPC: G06N20/00 ,  G06F21/62

Abstract: 本公开提出了一种基于本地差分隐私噪声控制的联邦学习方法及系统，方法包括：客户端将本地模型和全局模型之间的差异作为约束因子，更新本地局部模型；基于更新的本地局部模型参数和全局模型参数，采用互信息计算扰动添加值；将扰动添加值添加到更新的本地局部模型的参数中，将添加扰动的本地局部模型参数发送给中心服务器；中心服务器对接收到的添加扰动的本地局部模型参数进行聚合，根据聚合后的数据对模型进行重构得到本轮训练的全局模型，再下发给各客户端。通过将本地模型和全局模型之间的距离作为约束因子对本地模型进行训练，并利用互信息计算待添加扰动，实现了在保护客户端本地隐私的同时保证联邦学习全局模型训练的性能。

公开(公告)号：CN118504709B

公开(公告)日：2025-04-15

申请号：CN202410611222.0

申请日：2024-05-16

Applicant: 济南大学

Inventor： 赵川 ,  李佳瑶 ,  赵圣楠 ,  陈贞翔 ,  张建成 ,  马晓红 ,  鹿全礼 ,  陈纪旸

IPC: G06N20/00 ,  G06F21/62

Abstract: 本公开提出了一种基于本地差分隐私噪声控制的联邦学习方法及系统，方法包括：客户端将本地模型和全局模型之间的差异作为约束因子，更新本地局部模型；基于更新的本地局部模型参数和全局模型参数，采用互信息计算扰动添加值；将扰动添加值添加到更新的本地局部模型的参数中，将添加扰动的本地局部模型参数发送给中心服务器；中心服务器对接收到的添加扰动的本地局部模型参数进行聚合，根据聚合后的数据对模型进行重构得到本轮训练的全局模型，再下发给各客户端。通过将本地模型和全局模型之间的距离作为约束因子对本地模型进行训练，并利用互信息计算待添加扰动，实现了在保护客户端本地隐私的同时保证联邦学习全局模型训练的性能。