[发明专利]边缘节点上的高通量隐私友好硬件辅助机器学习在审
| 申请号： | 201910336768.9 | 申请日： | 2019-04-24 |
| 公开（公告）号： | CN110414273A | 公开（公告）日： | 2019-11-05 |
| 发明（设计）人： | 乔普·威廉·波斯;马克·茹瓦 | 申请（专利权）人： | 恩智浦有限公司 |
| 主分类号： | G06F21/64 | 分类号： | G06F21/64;G06F21/62;H04L9/32;H04L9/00;G06N20/00 |
| 代理公司： | 中科专利商标代理有限责任公司 11021 | 代理人： | 潘军 |
| 地址： | 荷兰埃因霍温高科*** | 国省代码： | 荷兰;NL |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 加密机器 学习 输出 验证信息 配置 验证 防篡改硬件 边缘节点 机器学习 数据评估 硬件辅助 存储器 高通量 处理器 解密 加密 隐私 | ||
1.一种装置，其特征在于，包括：
存储器；
处理器，其被配置成为实现加密机器学习模型，所述加密机器学习模型被配置成：
基于接收的数据评估所述加密机器学习模型，以产生加密机器学习模型输出；
产生验证信息；
防篡改硬件，其被配置成：
基于所述验证信息验证所述加密机器学习模型输出；并且
当验证所述加密机器学习模型输出时，解密所述加密机器学习模型输出。
2.根据权利要求1所述的装置，其特征在于，验证信息是签名，并且验证所述加密机器学习模型输出包括验证所述签名。
3.根据权利要求1所述的装置，其特征在于，验证信息是签名，并且产生所述验证信息包括产生所述签名。
4.根据权利要求1所述的装置，其特征在于，验证信息是工作量证明，并且验证所述加密机器学习模型输出包括验证所述工作量证明是否正确。
5.根据权利要求1所述的装置，其特征在于，验证信息是工作量证明，并且产生所述验证信息包括产生所述工作量证明。
6.根据权利要求1所述的装置，其特征在于，所述防篡改硬件存储解密密钥，以解密所述加密机器学习模型的输出。
7.根据权利要求1所述的装置，其特征在于，接收的数据来自物联网装置。
8.根据权利要求1所述的装置，其特征在于，所述装置是边缘节点。
9.根据权利要求1所述的装置，其特征在于，使用同态加密来加密所述加密机器学习模型。
10.一种评估加密学习模型的方法，其特征在于，包括：
由处理器基于接收的数据评估所述加密学习模型，以产生加密机器学习模型输出；
由所述处理器产生验证信息；
由防篡改硬件基于所述验证信息验证所述加密机器学习模型输出；并且
当验证所述加密机器学习模型输出时，由防篡改硬件解密所述加密机器学习模型输出。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于恩智浦有限公司，未经恩智浦有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910336768.9/1.html，转载请声明来源钻瓜专利网。
- 上一篇：一种基于多方安全计算的区块链隐私保护方法
- 下一篇：电子证据保全方法及系统
