期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于可验证秘密共享与智能合约的隐私保护算法 被引量:1
1
作者 张磊 曹明增 +2 位作者 张成林 何丽丽 纪莉莉 《计算机应用研究》 北大核心 2025年第4期1223-1229,共7页
针对现有用户协作算法存在共谋攻击、背景知识攻击以及用户协作意愿等问题,基于可验证秘密共享与智能合约提出了一种用户协作隐私保护算法(privacy protection algorithm based on verifiable secret sharing and smart contracts,VSS-S... 针对现有用户协作算法存在共谋攻击、背景知识攻击以及用户协作意愿等问题,基于可验证秘密共享与智能合约提出了一种用户协作隐私保护算法(privacy protection algorithm based on verifiable secret sharing and smart contracts,VSS-SCPPA)。该算法首先利用可验证秘密共享算法对用户查询信息进行加密和分裂,并提供系数承诺以验证子秘密数据的完整性。其次,结合智能合约与差分隐私技术设计了一种用户选择算法,构建匿名集。对该算法在抵御串通攻击方面的有效性进行了分析。通过在Geolife与BerlinMOD数据集上的实验,结果显示VSS-SCPPA的隐私保护性更高。与Tr-privacy、Ik-anonymity和GCS相比,VSS-SCPPA的效率分别提高了约86.34%、99.27%和99.19%。VSS-SCPPA在提高隐私保护性的同时显著提升了算法效率,证明了其在用户协作隐私保护中的有效性。 展开更多
关键词 用户协作 可验证秘密共享 智能合约 差分隐私 用户激励
在线阅读 下载PDF
感知时间不可区分的车辆群智感知隐私保护任务分配方案
2
作者 张磊 张潇 纪莉莉 《计算机应用研究》 北大核心 2025年第4期1198-1203,共6页
在车辆群智感知的任务分配中,大多数隐私保护机制将用户暴露于潜在的时间感知推理下,使攻击者能够推断出用户的敏感信息。针对该问题,提出一种感知时间不可区分的隐私保护任务分配方案。首先,该方案为满足用户对感知时间隐私保护的需求... 在车辆群智感知的任务分配中,大多数隐私保护机制将用户暴露于潜在的时间感知推理下,使攻击者能够推断出用户的敏感信息。针对该问题,提出一种感知时间不可区分的隐私保护任务分配方案。首先,该方案为满足用户对感知时间隐私保护的需求,运用差分隐私技术,对车辆的原始停留数据添加拉普拉斯噪声进行模糊处理。其次,在考虑任务之间旅行时间的同时,计算出车辆用户完成感知任务概率,以此来判断是否可以进行任务分配。若概率大于0,则合理分配所有任务保证负载均衡,否则不再分配任务。因此,该方案一方面提供了感知时间的隐私保护,另一方面能够保障分配任务的有效性。最后通过与其他方案进行比较,并分析它们的相对性能,进一步证实了该方案的优越性。 展开更多
关键词 车辆群智感知 感知时间 差分隐私 隐私保护 任务分配
在线阅读 下载PDF
边缘计算下的可验证分层隐私保护联邦学习方案
3
作者 张磊 叶前呈 纪莉莉 《计算机工程与应用》 2025年第21期309-323,共15页
边缘计算下的联邦学习能够促进设备协作,提升学习效率,有效改善现有学习方式的不足,然而在联邦学习过程中,参与者的敏感信息可能通过本地模型泄露、恶意服务器可能反馈错误结果。针对边缘计算下联邦学习过程中存在的隐私泄露以及错误结... 边缘计算下的联邦学习能够促进设备协作,提升学习效率,有效改善现有学习方式的不足,然而在联邦学习过程中,参与者的敏感信息可能通过本地模型泄露、恶意服务器可能反馈错误结果。针对边缘计算下联邦学习过程中存在的隐私泄露以及错误结果反馈问题,提出一种“云-边-端”协同的可验证分层隐私保护联邦学习方案(verifiable hierarchical privacy protection federated learning,VHPPFL)。在该方案中,终端设备层通过添加掩码来保护本地模型;边缘服务器层通过差分隐私和同态加密技术来保护聚合模型;利用分阶段验证聚合来保证聚合结果正确性并减少验证开销。在FashionMNIST数据集上的实验表明,该方案能够以较高效率实现对模型参数保护以及正确性验证。 展开更多
关键词 边缘计算 联邦学习 隐私保护 正确性验证
在线阅读 下载PDF
共识机制在联邦学习中的研究现状
4
作者 刘义 吴世伟 +5 位作者 蒋澄杰 董慧婷 吴银淼 管新如 蒋胜 张磊 《计算机科学与探索》 2025年第11期2913-2934,共22页
联邦学习的快速发展带来了分布式数据协同训练的新机遇。区块链为联邦学习的中心化信任、数据隐私保护、系统安全及通信开销优化等关键挑战带来了解决思路,成为联邦学习的一个重要组成部分。而共识机制作为区块链在联邦学习中的重要组成... 联邦学习的快速发展带来了分布式数据协同训练的新机遇。区块链为联邦学习的中心化信任、数据隐私保护、系统安全及通信开销优化等关键挑战带来了解决思路,成为联邦学习的一个重要组成部分。而共识机制作为区块链在联邦学习中的重要组成,可以对模型更新进行验证,实现去中心化聚合,使用激励确保参与者积极参与等。针对联邦学习中共识机制的差异,从联邦学习中的经典共识、表现共识、协议共识与协同共识四个角度对现有的联邦学习中使用的共识方案进行了比较:经典共识侧重于区块生成与基础一致性保障;表现共识根据节点本地训练表现进行参与度调节;协议共识面向联邦任务设计专属策略,实现定制化高效聚合;协同共识则支持多链多域环境下的跨链验证与一致性维护。通过对比联邦学习中不同共识的代表算法、优缺点以及适用环境,分析出当前共识机制存在隐私嵌入困难、通信负担重、异构适应性差等问题。最后提出机制融合、轻量设计、隐私集成等未来优化方向,为共识机制与联邦学习的深度融合提供理论支撑与方法参考。 展开更多
关键词 共识机制 区块链 联邦学习
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部