CN109409254A - 一种基于孪生神经网络的电子合同手写签名鉴定方法 - Google Patents
一种基于孪生神经网络的电子合同手写签名鉴定方法 Download PDFInfo
- Publication number
- CN109409254A CN109409254A CN201811175772.3A CN201811175772A CN109409254A CN 109409254 A CN109409254 A CN 109409254A CN 201811175772 A CN201811175772 A CN 201811175772A CN 109409254 A CN109409254 A CN 109409254A
- Authority
- CN
- China
- Prior art keywords
- handwritten signature
- neural network
- image
- signature
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000004321 preservation Methods 0.000 claims abstract description 4
- 238000012797 qualification Methods 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 34
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/30—Writer recognition; Reading and verifying signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于孪生神经网络的电子合同手写签名鉴定方法，涉及电子合同手写签名鉴定技术领域，本发明包括S1：在实名认证环节进行若干次用户手写签名留底，并将手写签名保存为图像文件；S2：选取若干手写签名图像文件中的两张以及非该用户手写签名图像文件一张，输入孪生神经网络模型中做向量化计算，得到损失函数，通过损失函数得到训练集代价函数；S3：通过优化算法针对该用户的其他的手写签名图像文件进行训练，输出鉴定模型；S4：在线签署时，将触屏输入设备上的手写签名即时保存为图像，输入鉴定模型中，输出鉴定结果，完成手写签名保存与鉴定工作，本发明可以实现电子合同签署中，手写签名的鉴定，用手写签名取代或完善电子签名。
Description
技术领域
本发明涉及电子合同手写签名鉴定技术领域，更具体的是涉及一种基于孪生神经网络的电子合同手写签名鉴定方法。
背景技术
电子合同这种民事法律行为是双方或者是多方民事主体的法律行为，当事人之间以电子的方式设立、变更、终止财产性民事权利义务为目的，当事人之间签订的这种合同的电子化，是合同的新形式。整个订立过程所采用的是电子形式，通过电子邮件、通讯工具等方式进行电子合同的谈判、签订及履行等，这种合同方式大大的节约了交易成本，提高了经济效益。
有别于传统的合同订立，电子合同的订立发生在虚拟空间中，交易双方一般互不见面，甚至不能确定交易相对人，其身份仅依靠技术手段进行验证，例如通过密码辨认或认证机构的认证。国际国内有明确技术标准予以规范，如：电子签名、电子认证；而普通企业或个人在签订电子合同时会存在获取成本较高的技术壁垒，故而大量的第三方电子合同签署平台应运而生，作为技术服务商提供技术支持，确保电子合同的合规合法证据链条完整。
通过第三方电子合同平台签署合同，通常流程如下：
1、实名认证：通常支持人脸识别、手机验证、银行卡验证、身份证验证、指纹验证等实名认证方法；
2、在线签署：合同上传，固化合同，通过电子签名和加密技术，确保合同的完整性，不可篡改性；而平台通常使用手机动态验证码确保电子签名为签署人专属；
3、发送合同：采用国家权威机构颁发的CA证书，将合同转化为加密报文形式传输，在传输过程中确保数据不会被窃取或篡改，同时确定信息发出后不可否认；
4、对方签署：对方同样使用自己经过权威机构认证的、专有的电子签名签署合同；
5、合同存储：将双方或多方签署完成的电子合同保存在第三方平台的加密存储空间内，第三方平台负有确保合同原样输出、证据完整的义务；
6、合同管理：合同签署当事人可以对签署的合同进行分类、归档、检索等常规的合同管理操作。
根据我国现行法律《中华人民共和国电子签名法》第十三条至第十六条的规定：
第十三条：电子签名同时符合下列条件的，视为可靠的电子签名：
(一)电子签名制作数据用于电子签名时，属于电子签名人专有；
(二)签署时电子签名制作数据仅由电子签名人控制；
(三)签署后对电子签名的任何改动能够被发现；
(四)签署后对数据电文内容和形式的任何改动能够被发现。
当事人也可以选择使用符合其约定的可靠条件的电子签名。
第十四条：可靠的电子签名与手写签名或者盖章具有同等的法律效力。
第十五条：电子签名人应当妥善保管电子签名制作数据。电子签名人知悉电子签名制作数据已经失密或者可能已经失密时，应当及时告知有关各方，并终止使用该电子签名制作数据。
第十六条：电子签名需要第三方认证的，由依法设立的电子认证服务提供者提供认证服务。
由上，可知现有的电子签名需要可靠的第三方认证，并且只有通过认证的电子签名，法律效力才等同于手写签名或盖章，而且电子签名人的电子签名制作数据有失密的风险。
发明内容
本发明的目的在于：为了解决现有的第三方电子合同平台，合同当事人在线签署电子签名需要可靠的第三方认证，只有通过认证的电子签名法律效力才等同于手写签名的问题，本发明提供一种基于孪生神经网络的电子合同手写签名鉴定方法，可以实现电子合同签署中，手写签名的鉴定，用手写签名取代或完善电子签名。
本发明为了实现上述目的具体采用以下技术方案：
一种基于孪生神经网络的电子合同手写签名鉴定方法，包括如下步骤：
S1：在实名认证环节进行若干次用户手写签名留底，并分别将若干手写签名保存为图像文件形成训练集；
S2：随机选取训练集中的若干手写签名图像文件中的两张以及非该用户手写签名图像文件一张，输入孪生神经网络模型中做向量化计算，得到损失函数，通过损失函数得到整个训练集的代价函数；
S3：通过优化算法针对该用户的其他的手写签名图像文件对代价函数进行训练，完成孪生神经网络模型参数学习，输出鉴定模型；
S4：在线签署时，将触屏输入设备上的手写签名即时保存为图像，输入鉴定模型中，经鉴定模型鉴定后输出鉴定结果，完成手写签名保存与鉴定工作。
进一步的，所述S2具体为：
S2.1：随机选取若干手写签名图像文件中的其中一张作为固定图像A，一张作为正例图像P，选取一张非该用户手写签名图像文件作为负例图像N，将固定图像A、正例图像P和负例图像N输入孪生神经网络模型做向量化计算；
S2.2：以d(A,P)表示固定图像A与正例图像P的相似度，d(A,N)表示固定图像与负例图像N的相似度，则d(A,P)<d(A,N)；
S2.3：设存在一个数α，使d(A,P)+α-d(A,N)≤0成立，则得到损失函数L(A,P,N)：
L(A,P,N)＝max(d(A,P)+α-d(A,N),0)
则整个训练集的代价函数为：其中n表示训练集中的训练样本个数。
进一步的，所述S2中所述的代价函数为凸函数，所述S3中所述的优化算法使代价函数达到全局最优或局部最优。
进一步的，所述S3中所述的输出鉴定模型的条件为代价函数达到收敛。
本发明的有益效果如下：
1、通过本发明用户可以直接采用具有天然法律效力的手写签名进行电子合同的在线签署，确保了电子合同中手写签名的法律效力，避免了在第三方电子合同平台，合同当事人在线签署电子签名需要可靠的第三方认证的流程，同时节约了签订成本。
2、通过本发明的电子合同手写签名鉴定方法，用户在电子合同签订中采用手写签名取代电子签名，避免了电子签名失密的风险，可以有效降低电子签名失密时带来的损失，安全性能高。
3、通常在深度学习中，都需要大量的数据，数据越多，学习得到的结果越好，即为了识别一个分类需要属于这个类别的丰富的数据，而本发明采用孪生神经网络，能够仅仅从少量的数据中学习一个对象分类，简化了数据采集流程，便于学习模型的建立。
附图说明
图1是孪生神经网络模型示意图。
图2是本发明的损失函数形成示意图。
具体实施方式
为了本技术领域的人员更好的理解本发明，下面结合附图和以下实施例对本发明作进一步详细描述。
实施例1
如图1所示，为孪生神经网络的原理为：孪生神经网络模型用于衡量两个输入的相似程度，孪生神经网络有两个输入Input1和Input2,将两个输入分别输入两个神经网络Network1和Network2，这两个神经网络共享权重Weights，分别将各自的输入映射到新的空间，形成输入在新的空间中的表示。通过损失函数Loss Function的计算，评价两个输入的相似度,即距离Distance。
如图2所示，本实施例提供一种基于孪生神经网络的电子合同手写签名鉴定方法，包括如下步骤：
S1：在实名认证环节进行若干次用户手写签名留底，并分别将若干手写签名保存为图像文件形成训练集；
S2：随机选取训练集中的若干手写签名图像文件中的两张以及非该用户手写签名图像文件一张，输入孪生神经网络模型中做向量化计算，得到损失函数，通过损失函数得到整个训练集的代价函数，具体为：
S2.1：随机选取若干手写签名图像文件中的其中一张作为固定图像A，一张作为正例图像P，选取一张非该用户手写签名图像文件作为负例图像N，将固定图像A、正例图像P和负例图像N输入孪生神经网络模型做向量化计算；
S2.2：以d(A,P)表示固定图像A与正例图像P的相似度，d(A,N)表示固定图像与负例图像N的相似度，为了使用户手写签名的相似度更大即距离更小，则d(A,P)<d(A,N)；
S2.3：设存在一个数α，使d(A,P)+α-d(A,N)≤0成立，则得到损失函数L(A,P,N)：
L(A,P,N)＝max(d(A,P)+α-d(A,N),0)
则整个训练集的代价函数为：其中n表示训练集中的训练样本个数；
S3：通过优化算法针对该用户的其他的手写签名图像文件对代价函数进行训练，完成孪生神经网络模型参数学习，输出鉴定模型；本实施例中的代价函数为凸函数，并且所述优化算法使代价函数求得最优解，即使代价函数达到全局最优或局部最优，当代价函数达到收敛时，优化过程结束，输出鉴定模型；
S4：在线签署时，将触屏输入设备上的手写签名即时保存为图像，输入鉴定模型中，经鉴定模型鉴定后输出鉴定结果，完成手写签名保存与鉴定工作。
本实施例中的损失函数是针对一个训练样本而言的，而代价函数是针对整个训练集而言的，具体的建模过程为：
训练集中有n张不同用户的手写签名图像文件即训练样本，通常我们将训练集分成若干个子集，将每个子集的训练样本输入孪生神经网络模型后得到目标函数，即代价函数，所述代价函数是个凸函数，对凸函数求最优解叫做凸优化，是为了让凸函数达到全局最优或局部最优，这个过程便是优化算法；优化算法决定代价函数的收敛速度，收敛越快，计算机所需资源越少，由于现有的优化算法有多种，只要能够实现让代价函数求得最优解即可；
在优化过程中，整个孪生神经网络模型的参数(权重、偏置)是在不断更新的，这便是参数学习，当优化函数达到收敛，优化过程结束，便得到鉴定模型。
通过本实施例用户可以直接采用具有天然法律效力的手写签名进行电子合同的在线签署，确保了电子合同中手写签名的法律效力，避免了在第三方电子合同平台，合同当事人在线签署电子签名需要可靠的第三方认证的流程，同时节约了签订成本，并且在电子合同签订中采用手写签名取代电子签名，避免了电子签名失密的风险，可以有效降低电子签名失密时带来的损失，安全性能高。
以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。
Claims (4)
1.一种基于孪生神经网络的电子合同手写签名鉴定方法，其特征在于，包括如下步骤：
S1：在实名认证环节进行若干次用户手写签名留底，并分别将若干手写签名保存为图像文件形成训练集；
S2：随机选取训练集中的若干手写签名图像文件中的两张以及非该用户手写签名图像文件一张，输入孪生神经网络模型中做向量化计算，得到损失函数，通过损失函数得到整个训练集的代价函数；
S3：通过优化算法针对该用户的其他的手写签名图像文件对代价函数进行训练，完成孪生神经网络模型参数学习，输出鉴定模型；
S4：在线签署时，将触屏输入设备上的手写签名即时保存为图像，输入鉴定模型中，经鉴定模型鉴定后输出鉴定结果，完成手写签名保存与鉴定工作。
2.根据权利要求1所述的一种基于孪生神经网络的电子合同手写签名鉴定方法，其特征在于，所述S2具体为：
S2.1：随机选取若干手写签名图像文件中的其中一张作为固定图像A，一张作为正例图像P，选取一张非该用户手写签名图像文件作为负例图像N，将固定图像A、正例图像P和负例图像N输入孪生神经网络模型做向量化计算；
S2.2：以d(A,P)表示固定图像A与正例图像P的相似度，d(A,N)表示固定图像与负例图像N的相似度，则d(A,P)<d(A,N)；
S2.3：设存在一个数α，使d(A,P)+α-d(A,N)≤0成立，则得到损失函数L(A,P,N)：
L(A,P,N)＝max(d(A,P)+α-d(A,N),0)
则整个训练集的代价函数为：其中n表示训练集中的训练样本个数。
3.根据权利要求1所述的一种基于孪生神经网络的电子合同手写签名鉴定方法，其特征在于，所述S2中所述的代价函数为凸函数，所述S3中所述的优化算法使代价函数达到全局最优或局部最优。
4.根据权利要求1所述的一种基于孪生神经网络的电子合同手写签名鉴定方法，其特征在于，所述S3中所述的输出鉴定模型的条件为代价函数达到收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811175772.3A CN109409254A (zh) | 2018-10-10 | 2018-10-10 | 一种基于孪生神经网络的电子合同手写签名鉴定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811175772.3A CN109409254A (zh) | 2018-10-10 | 2018-10-10 | 一种基于孪生神经网络的电子合同手写签名鉴定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109409254A true CN109409254A (zh) | 2019-03-01 |
Family
ID=65466907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811175772.3A Pending CN109409254A (zh) | 2018-10-10 | 2018-10-10 | 一种基于孪生神经网络的电子合同手写签名鉴定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109409254A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553277A (zh) * | 2020-04-28 | 2020-08-18 | 电子科技大学 | 一种引入一致性约束的中文签名鉴定方法及终端 |
| CN112733645A (zh) * | 2020-12-30 | 2021-04-30 | 平安科技（深圳）有限公司 | 手写签名校验方法、装置、计算机设备及存储介质 |
| CN113779643A (zh) * | 2021-09-24 | 2021-12-10 | 重庆傲雄在线信息技术有限公司 | 基于预训练技术的签名笔迹识别系统、方法及存储介质 |
| CN114049685A (zh) * | 2021-11-10 | 2022-02-15 | 深圳前海环融联易信息科技服务有限公司 | 合同签署单的签名验证方法 |
| CN114155613A (zh) * | 2021-10-20 | 2022-03-08 | 杭州电子科技大学 | 一种基于便捷样本获取的离线签名比对方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1445663A (zh) * | 2002-03-19 | 2003-10-01 | 富士通株式会社 | 手写签名鉴定程序、方法和设备 |
| CN101329735A (zh) * | 2008-06-27 | 2008-12-24 | 北京中星微电子有限公司 | 一种手写签名鉴定设备及其方法 |
| CN101593324A (zh) * | 2009-06-17 | 2009-12-02 | 浙江师范大学 | 基于可信计算应用技术的网络多级审批方法及系统 |
| CN103971104A (zh) * | 2014-05-23 | 2014-08-06 | 葛峰 | 一种基于汉字电子手写特征分析的身份认证方法 |
| CN106778586A (zh) * | 2016-12-08 | 2017-05-31 | 武汉理工大学 | 离线手写签名鉴别方法及系统 |
| CN107507286A (zh) * | 2017-08-02 | 2017-12-22 | 五邑大学 | 一种基于人脸和手写签名的双模态生物特征签到系统 |
| US20180096478A1 (en) * | 2016-09-30 | 2018-04-05 | Siemens Healthcare Gmbh | Atlas-based contouring of organs at risk for radiation therapy |
-
2018
- 2018-10-10 CN CN201811175772.3A patent/CN109409254A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1445663A (zh) * | 2002-03-19 | 2003-10-01 | 富士通株式会社 | 手写签名鉴定程序、方法和设备 |
| CN101329735A (zh) * | 2008-06-27 | 2008-12-24 | 北京中星微电子有限公司 | 一种手写签名鉴定设备及其方法 |
| CN101593324A (zh) * | 2009-06-17 | 2009-12-02 | 浙江师范大学 | 基于可信计算应用技术的网络多级审批方法及系统 |
| CN103971104A (zh) * | 2014-05-23 | 2014-08-06 | 葛峰 | 一种基于汉字电子手写特征分析的身份认证方法 |
| US20180096478A1 (en) * | 2016-09-30 | 2018-04-05 | Siemens Healthcare Gmbh | Atlas-based contouring of organs at risk for radiation therapy |
| CN106778586A (zh) * | 2016-12-08 | 2017-05-31 | 武汉理工大学 | 离线手写签名鉴别方法及系统 |
| CN107507286A (zh) * | 2017-08-02 | 2017-12-22 | 五邑大学 | 一种基于人脸和手写签名的双模态生物特征签到系统 |
Non-Patent Citations (2)
| Title |
|---|
| FIRDAOUSS DOUKKALI: "使用Siamese神经网络进行人脸识别", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/33225707》 * |
| SOUNAKDEY等: "SigNet: Convolutional Siamese Network for Writer Independent Oine Signature Verification", 《ARXIV.ORG》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553277A (zh) * | 2020-04-28 | 2020-08-18 | 电子科技大学 | 一种引入一致性约束的中文签名鉴定方法及终端 |
| CN111553277B (zh) * | 2020-04-28 | 2022-04-26 | 电子科技大学 | 一种引入一致性约束的中文签名鉴定方法及终端 |
| CN112733645A (zh) * | 2020-12-30 | 2021-04-30 | 平安科技（深圳）有限公司 | 手写签名校验方法、装置、计算机设备及存储介质 |
| CN112733645B (zh) * | 2020-12-30 | 2023-08-01 | 平安科技（深圳）有限公司 | 手写签名校验方法、装置、计算机设备及存储介质 |
| CN113779643A (zh) * | 2021-09-24 | 2021-12-10 | 重庆傲雄在线信息技术有限公司 | 基于预训练技术的签名笔迹识别系统、方法及存储介质 |
| CN113779643B (zh) * | 2021-09-24 | 2022-07-01 | 重庆傲雄在线信息技术有限公司 | 基于预训练技术的签名笔迹识别系统、方法及存储介质 |
| CN114155613A (zh) * | 2021-10-20 | 2022-03-08 | 杭州电子科技大学 | 一种基于便捷样本获取的离线签名比对方法 |
| CN114155613B (zh) * | 2021-10-20 | 2023-09-15 | 杭州电子科技大学 | 一种基于便捷样本获取的离线签名比对方法 |
| CN114049685A (zh) * | 2021-11-10 | 2022-02-15 | 深圳前海环融联易信息科技服务有限公司 | 合同签署单的签名验证方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109409254A (zh) | 一种基于孪生神经网络的电子合同手写签名鉴定方法 | |
| CN106385693B (zh) | 针对虚拟号段的电信诈骗判断方法 | |
| CN110674523A (zh) | 一种数字签名结合手写签名确认电子合同签署人的方法 | |
| CN104954328B (zh) | 一种在线注册和认证的方法及装置 | |
| CN110011810A (zh) | 基于可链接环签名和多重签名的区块链匿名签名方法 | |
| US11170786B1 (en) | Federated speaker verification method based on differential privacy | |
| CN106572097B (zh) | 一种基于移动设备的混合式身份认证方法 | |
| CN119363316B (zh) | 基于区块链的私域直播数据存储与访客认证方法及系统 | |
| CN117216805A (zh) | 一种适用于联邦学习场景中抵御拜占庭攻击的数据完整性审计方法 | |
| CN108718240A (zh) | 基于全同态加密的认证方法、电子设备、存储介质及系统 | |
| CN111475866A (zh) | 一种区块链电子证据保全方法和系统 | |
| CN111490879A (zh) | 一种基于生物特征的数字证书生成方法及系统 | |
| CN116828203B (zh) | 一种电子印章智能加密保护方法 | |
| CN117494092B (zh) | 基于生物活体识别的景区门票无感核验方法、系统及介质 | |
| CN106936775A (zh) | 一种基于指纹识别的认证方法及系统 | |
| Martínez et al. | Secure crypto-biometric system for cloud computing | |
| CN113657808A (zh) | 一种人员评定方法、装置、设备及存储介质 | |
| CN111597521B (zh) | 一种变电站移动终端数据安全处理方法及系统 | |
| CN118138229B (zh) | 一种基于融合基站的数据采集分析方法及系统 | |
| CN116204931B (zh) | 基于原笔迹生成及验签加密数字签名的方法、设备及介质 | |
| CN114900365B (zh) | 一种创新服务资源数据处理及安全交互方法 | |
| CN115098844A (zh) | 基于电子合同的用户认证方法、装置、设备及存储介质 | |
| CN110084224B (zh) | 一种云上的指纹安全认证系统及方法 | |
| Zhang et al. | Evaluation of Cryptography Algorithm Based on Digital Identity Authentication | |
| CN114548419A (zh) | 一种基于ot协议的纵向联邦学习样本不均衡处理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |