論文元數(shù)據(jù)搜索，找到相關(guān)信息共 2 條：
2020, 42(3): 720-728.
doi: 10.11999/JEIT190230
刊出日期：2020-03-19
SIMON系列算法自提出以來便受到了廣泛關(guān)注。積分分析方面，Wang，F(xiàn)u和Chu等人給出了SIMON32和SIMON48算法的積分分析，該文在已有的分析結(jié)果上，進(jìn)一步考慮了更長分組的SIMON64算法的積分分析?；?em>Xiang等人找到的18輪積分區(qū)分器，該文先利用中間相遇技術(shù)和部分和技術(shù)給出了25輪SIMON64/128算法的積分分析，接著利用等價(jià)密鑰技術(shù)進(jìn)一步降低了攻擊過程中需要猜測的密鑰量，并給出了26輪SIMON64/128算法的積分分析。通過進(jìn)一步的分析，該文發(fā)現(xiàn)高版本的SIMON算法具有更好抵抗積分分析的能力。
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240796
在車載網(wǎng)絡(luò)(VANETs)中，聯(lián)邦學(xué)習(xí)(FL)通過協(xié)同訓(xùn)練機(jī)器學(xué)習(xí)模型，實(shí)現(xiàn)了車輛間的數(shù)據(jù)隱私保護(hù)，并提高了整體模型的性能。然而，F(xiàn)L在VANETs中的應(yīng)用仍面臨諸多挑戰(zhàn)，如模型泄露風(fēng)險(xiǎn)、訓(xùn)練結(jié)果驗(yàn)證困難以及高計(jì)算和通信成本等問題。針對(duì)這些問題，該文提出一種面向聯(lián)邦學(xué)習(xí)的可驗(yàn)證隱私保護(hù)批量聚合方案。首先，該方案基于Boneh-Lynn-Shacham (BLS)動(dòng)態(tài)短群聚合簽名技術(shù)，保護(hù)了客戶端與路邊單元(RSU)交互過程中的數(shù)據(jù)完整性，確保全局梯度模型更新與共享過程的不可篡改性。當(dāng)出現(xiàn)異常結(jié)果時(shí)，方案利用群簽名的特性實(shí)現(xiàn)車輛的可追溯性。其次，結(jié)合改進(jìn)的Cheon-Kim-Kim-Song (CKKS)線性同態(tài)哈希算法，對(duì)梯度聚合結(jié)果進(jìn)行驗(yàn)證，確保在聯(lián)邦學(xué)習(xí)的聚合過程中保持客戶端梯度的機(jī)密性，并驗(yàn)證聚合結(jié)果的準(zhǔn)確性，防止服務(wù)器篡改數(shù)據(jù)導(dǎo)致模型訓(xùn)練無效的問題。此外，該方案還支持車輛在部分掉線的情況下繼續(xù)更新模型，保障系統(tǒng)的穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有方案相比，該方案在提升數(shù)據(jù)隱私安全性和結(jié)果的可驗(yàn)證性的同時(shí)，保證了較高效率。
