Privacy-preserving genetic relatedness test

最新推荐文章于 2024-07-19 21:25:05 发布
最新推荐文章于 2024-07-19 21:25:05 发布
阅读量103 收藏
点赞数
文章标签： 经验分享
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41813652/article/details/125310757
版权

文章

De Cristofaro E, Liang K, Zhang Y. Privacy-preserving genetic relatedness test[J]. arXiv preprint arXiv:1611.03006, 2016.
cited：7

文章目录

主要贡献

2013、2014年的方法在实践中并不能很好地扩展，因为它们都受到一个重要的限制，即客户端承受着沉重的计算和通信开销，因为它必须从服务器下载所有相关的“加密”结果，并执行大量解密以确定相关性。

提出了一种有效的隐私保护遗传相关性测试协议（PPGRT），使云服务器能够对输入的加密遗传数据库和测试设施的加密遗传样本运行相关性测试。
将测试简化为数据匹配问题，并使用可搜索的加密，“私下”执行。
基于汉明距离的PP-GRT的性能评估证明了该方法的实用性。

技术方法

加密方法

公钥可搜索加密
将存储在云服务器上的单倍型编码为一组搜索trapdoors，而测试颁发者（即客户端）上传的单倍型被解释为一组搜索indices。
对称密钥加密

系统框架

遗传序列由{A，G，C，T，*}五个字符组成，每个字母长度为l。
在这里插入图片描述
CI生成公钥及私钥、加密基因数据库，TI生成加密查询DNA序列，利用编辑距离、海明距离、LCS（最长公共子序列）分别计算出序列匹配值。
（论文里的加密看不懂）

实验

在没有隐私保护的情况下，海明距离计算时间最短，LCS性能最差。在加入隐私保护的情况下，海明距离性能最优，编辑距离与LCS相当。（未给准确率排序和识别亲属情况）
在这里插入图片描述

在这里插入图片描述

鱼肉小怪兽
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Privacy-Preserving Deep Learning via Additively Homomorphic Encryption
weixin_30693183的博客
07-25 3540
郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！ Abstract 　　我们建立了一个隐私保护的深度学习系统，在这个系统中，许多学习参与者对组合后的数据集执行基于神经网络的深度学习，而实际上没有向中央服务器透露参与者的本地数据。为此，我们重新回顾了Shokri和Shmatikov（ACM CCS 2015）之前的工作，并指出本地数据信息实际上可能泄漏给诚实但好奇的服务器。然后，我们...
Privacy-preserving and communication-efficient federated learning in Internet of Things.pdf
12-23
隐私保护和通信高效联邦学习在物联网中的应用 隐私保护和通信高效联邦学习是当前物联网（Internet of Things，IoT）领域中的热点话题。随着越来越多的设备连接到互联网，数据隐私和安全问题变得越来越重要。...
论文阅读：Privacy-Preserving Deep Learning
16岁工科狗想当歌手
10-20 2464
Privacy-Preserving Deep Learning 文章链接：http://www.cs.cornell.edu/~shmat/shmat_ccs15.pdf 发表于CCS2015 文章提出的动机： 深度学习所需的大量数据收集存在明显的隐私问题。用户的个人高度敏感数据，如照片和录音，由收集这些数据的公司无限期保存。用户既不能删除它，也不能限制它的使用目的。此外，集中保存的数据受到法律传唤和法外监督。许多数据所有者(例如，可能希望将深度学习方法应用于临床记录的医疗机构)因隐私和保密问题而
A Verifiable and Privacy-Preserving Federated Learning Training Framework 笔记-2024年5月7日
qq_35151686的博客
05-07 568
我们的贡献的亮点如下：首先，我们是最早研究神经网络训练验证问题的，在联邦学习的一般设置中。最后，我们的框架不依赖于特定的神经网络结构，因此具有广泛的适用性。尽管已有方法被提出用以检查模型更新的有效范围或确保全局模型的收敛，但这些方法不能保证本地训练的正确性，因此无法阻止懒惰的客户端上传没有经过实际训练努力的虚假更新。另一方面，我们观察到在反向传播公式中，神经网络的大部分张量/矩阵操作是重复出现的，因此可以转换为自定义门，如果反向传播被写成电路，可以利用哈达玛积、矩阵重塑、矩阵重索引等优化的交互式证明协议。
【阅读笔记】Towards Efficient and Privacy-preserving Federated Deep Learning
HERODING23的博客
02-13 3321
Towards Efficient and Privacy-preserving Federated Deep Learning前言一、论文解析Abstract1. INTRODUCTION2. SYSTEM MODEL AND THREAT MODEL2.1 System Model2.2 Threat Model3. PRELIMINARIES3.1 Neural Network and Federated Deep Learning3.2 Additively Homomorphic Encrypt
论文学习笔记 POSEIDON: Privacy-Preserving Federated Neural Network Learning
WINCJS的博客
07-03 1770
论文学习笔记 POSEIDON: Privacy-Preserving Federated Neural Network Learning NDSS 2021录用文章 目录论文学习笔记 POSEIDON: Privacy-Preserving Federated Neural Network Learning一、机器学习1. 机器学习(ML)中的挑战2. 隐私保护机器学习(PPML)二、POSEIDON方案1. 系统和威胁模型2. 方案总览多方同态加密(MHE)联邦学习主要挑战和解决方法3. 方案CKKS
【Paper Reading】Privacy-Preserving Aggregation in Federated Learning: A Survey
lunan的博客
10-02 807
在联邦学习中的Aggregation方面的隐私保护问题相关的Survey
读书笔记--Lightweight Privacy-Preserving Spatial Keyword Query over Encrypted Cloud Data
m0_58355879的博客
12-11 603
这篇文章引入了一些随机数和随机排列来增强ASPE方案的安全性，并在此基础上提出了一种基于增强ASPE和Geohash算法的保护隐私的空间关键字查询(SKQ)方案。此外，我们设计了一种更加轻量级的空间关键字查询(LSKQ)方案，使用统一的空间范围索引和多个关键字，不仅大大降低了SKQ的存储和计算成本，而且用户只需要提供很少的查询区域信息。
机器学习的隐私保护研究综述 Survey on Privacy-Preserving Machine Learning
daisyxyr的博客
04-19 981
3.机器学习的隐私保护研究综述 Survey on Privacy-Preserving Machine Learning 摘要：大规模数据收集大幅提升了机器学习算法的性能，实现了经济效益和社会效益的共赢，但也令个人隐私保护面临更大的风险与挑战.机器学习的训练模式主要分为集中学习和联邦学习2类，前者在模型训练前需统一收集各方数据，尽管易于部署，却存在极大数据隐私与安全隐患；后者实现了将各方数据保留在本地的同时进行模型训练，但该方式目前正处于研究的起步阶段，无论在技术还是部署中仍面临诸多问题与挑战.现有的隐私
【阅读笔记】Federated Learning for Privacy-Preserving AI
HERODING23的博客
12-20 1274
Federated Learning for Privacy-Preserving AI前言一、论文解析DefinitionCategorizationArchitectureApplication ExamplesUse Case 1：FedRiskCtrlUse Case 2：FedVisionOutlook二、论文总结三、个人感悟 前言 一篇来自 Communications of ACM 的文章，这类期刊相当于magazine性质的文章，所以大多很短。之前阅读了PPFL的综述，对PPFL有了更深刻的
Privacy-preserving data publishingA survey on recent developments
01-05
K-匿名可以在数据发布前对数据进行处理，能以不超过1/ k 的概率标识元组所属的个体，降低了隐私泄漏的风险。若一个数据表满足K-匿名，且每个等价类中的敏感属性至少有L个值，则称其满足L-多样性原则。...
Privacy-preserving verifiable delegation of polynomial and matrix functions
02-11
Privacy-preserving verifiable delegation of polynomial and matrix functions
Learning Privately: Privacy-Preserving Canonical Correlation Analysis for Cross-Media Retrieval
02-22
Learning Privately: Privacy-Preserving Canonical Correlation Analysis for Cross-Media Retrieval
Privacy-Preserving Multi-party Aggregate Signcryption for Heterogeneous Systems
02-07
Privacy-Preserving Multi-party Aggregate Signcryption for Heterogeneous Systems
【考研数学】线代满分经验分享+备考复盘
最新发布
2201_75299474的博客
07-19 625
我在这2年的考研复习中，经历过一战失败的迷茫，痛定思痛的反思，也有找到正确方法时的快乐，和感受到自己攻克难关时的满足感。备考有负面情绪是很正常的，要学会释放而不是积压在心里不要跟别人比进度，最重要的是你学会了多少，学的知识消化了没有数学一定要重视计算量的训练，这很重要！！！最后的最后，无论结果如何，都请你深信，你努力向前的每一天都是有意义的。因为生活总是令人感到惊奇，只要你全力以赴地做一件事，那么命运一定会赐给你一个令人满意的答复。日拱一卒，功不唐捐， 成功上岸！t=N7T8。
基于豪猪优化算法CPO-VMD实现信号去噪目标函数为包络信息熵 包络熵 排列熵 样本熵最小附matlab代码.rar
07-19
1.版本：matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍：某大厂资深算法工程师，从事Matlab算法仿真工作10年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验，更多仿真源码、数据集定制私信+。 替换数据可以直接使用，注释清楚，适合新手
高分项目-基于SpringBoot框架实现的毕业生信息招聘平台（包含全套源码 + 数据库sql + 论文）.zip
07-19
【项目资源】：包含前端、后端、移动开发、操作系统、人工智能、物联网、信息化管理、数据库、硬件开发、大数据、课程资源、音视频、网站开发等各种技术项目的源码。包括STM32、ESP8266、PHP、QT、Linux、iOS、C++、Java、python、web、C#、EDA、proteus、RTOS等项目的源码。【项目质量】：所有源码都经过严格测试，可以直接运行。功能在确认正常工作后才上传。【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。【附加价值】：项目具有较高的学习借鉴价值，也可直接拿来修改复刻。对于有一定基础或热衷于研究的人来说，可以在这些基础代码上进行修改和扩展，实现其他功能。【沟通交流】：有任何使用上的问题，欢迎随时与博主沟通，博主会及时解答。鼓励下载和使用，并欢迎大家互相学习，共同进步。
Matlab实现鱼鹰优化算法OOA-CNN-LSTM-Multihead-Attention温度预测附matlab代码.rar
07-19
1.版本：matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍：某大厂资深算法工程师，从事Matlab算法仿真工作10年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验，更多仿真源码、数据集定制私信+。 替换数据可以直接使用，注释清楚，适合新手
Privacy-Preserving Machine Learning Using Federated Learning and Secure Aggregation
05-04
Privacy-preserving machine learning is becoming increasingly important in today's world where data privacy is a major concern. Federated learning and secure aggregation are two techniques that can be ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值