专利交易市场

本发明公开了一种基于同态加密算法的影响力最大化方法，属于社交网络挖掘领域。本发明将同态加密算法和度折扣算法结合，各个社交客户端根据拥有的用户数据计算度折扣值后并加密上传给服务器；服务器对各个平台得到的度折扣值运算解密，并选择度折扣值最大的用户，发送给各个客户端，客户端重复上述步骤，迭代选取得到多个用户以最大限度地扩大信息的传播范围。本发明基于度折扣启发式算法，利用同态加密安全协议并借助第三方服务器进行信息加解密运算和种子节点集合的更新，可以在不泄露用户隐私的前提下，融合各个社交媒体平台的用户信息，在广告投放、产品推广、信息传播等场景下寻找合适用户群体中具有较大的应用价值和前景。

本发明涉及一种基于同态加密的生物特征敏感信息外包身份认证方法，为用户提供更安全的基于生物特征的身份认证方式。相较于传统的生物特征认证方式，本发明包括一种基于RLWE构造的Somewhat同态加密方法和一种消息编码方法，能够对用户加密后的生物特征信息做快速运算处理，有效的解决数据外包的安全隐私问题。本发明在注册阶段和认证阶段，用户的生物特征信息的传输、存储、计算都是加密状态，且数据传输过程引入随机数，有效抵抗重放攻击。由此，本发明可以在保护用户数据隐私的情况下，实现基于生物特征敏感信息外包的安全身份认证。

本发明属于量子神经网络技术领域，公开了一种允许量子神经网络在加密经典数据上训练和测试的方法及系统，该方法包括：在ECN中，经典客户端首先训练一个简单的经典神经网络(作为加密器En)来对原始输入数据加密再将密文数据发送至量子云服务器进行QNN的训练，两个模型是一起协同训练的；当En和QNN都训练完毕时，经典客户端直接使用En对输入数据进行加密再发送到量子云服务器端来使用QNN进行测试；测试后得到QNN的预测结果。本发明不要求客户端拥有量子能力，不需要除了训练和测试之外的额外交互从而减少了通信开销，也不会降低QNN的模型性能。此外，该方法不会增加太多的计算成本。

本发明公开了一种基于云计算的同态加密矩阵连乘安全外包方法，属于同态加密技术领域。该方法在客户端执行加密，将矩阵进行编码加密并且上传给云服务器；云服务器端执行同态计算，在不解密的情况下进行密文矩阵连乘运算，并将计算结果以密文的形式返回给客户端；最后，客户端执行解密模块得到所求矩阵连乘的值。本发明可以在不泄露矩阵元素即客户端隐私数据的情况下，将矩阵连乘计算任务外包给云服务器，它保护了客户端数据的安全，减轻了客户端的计算量。将矩阵编码成一个密文来进行运算显著地降低空间复杂度和减少密文运算次数，达到提高效率的目的。