买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆邮电大学申请的专利一种语义感知的跨模态加密检索方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119760188B 。

龙图腾网通过国家知识产权局官网在2025-11-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411965903.3，技术领域涉及：G06F16/903；该发明授权一种语义感知的跨模态加密检索方法是由张普宁;王静;杨志刚;王汝言;张鸿设计研发完成，并于2024-12-30向国家知识产权局提交的专利申请。

本一种语义感知的跨模态加密检索方法在说明书摘要公布了：本发明涉及一种语义感知的跨模态加密检索方法，属于信息检索和数据加密领域；通过引入深度学习，增强面向多模态数据的语义特征挖掘能力，以语义特征检索代替传统关键词检索模式；引入了低开销多模态数据加密检索方法，基于分块思想设计并行检索树结构，实现低开销、隐私保护的语义相似度快速检索；从查准率、搜索时间、存储开销等分析了方案的合理性。本发明通过对查询请求进行特征提取得到多模态特征；利用相似度隐藏的加密检索算法，对多模态查询特征生成加密查询陷门；跨模态数据加密检索：实现医疗物联网中多模态数据安全检索，综合了边缘计算能力强大及响应快速的特点，克服了传统场景下的终端用户计算资源不足以及密钥泄露的问题。

本发明授权一种语义感知的跨模态加密检索方法在权利要求书中公布了：1.一种语义感知的跨模态加密检索方法，其特征在于，包括以下步骤： S1：利用预训练的语义感知的多模态特征提取方法对查询请求进行特征提取，并得到多模态特征； S2：利用相似度隐藏的加密检索算法，对多模态查询特征生成加密查询陷门，并上传到云端； S3：跨模态数据加密检索：利用并行平衡二叉树索引结构，在云端进行密文域的相似度检索，通过语义相关性度量进行相似度排序并返回检索结果； 所述S1具体包括以下步骤： S11：模型预训练，图像编码器采取ResNet50模型进行初始化，文本编码器采取PubMedBERT参数进行初始化； S12：增添非线性的映射头将编码器生成的特征向量映射到统一长度，利用非线性激活函数以使网络学习复杂的特征表示； S13：通过最大化图像-文本对的内积优化损失函数； S14：通过N个图像-文本对，构建N个正样本，N-N个负样本进行训练，其中正向样本为对应的图像-文本对特征向量，负样本为不对应的图像-文本对特征向量； S15：采取余弦相似度sim度量图像-文本对之间的对应关系，sim越大，对应关系越强； S16：训练任务为优化目标，表示为如下公式： 其中，I为第i个图像的特征向量，T为第j个文本的特征向量； S17：损失函数为交叉熵对比损失函数，表示为如下公式： 其中，为图像到文本的对比损失，为文本到图像的对比损失，N为批次中的样本数量，τ为温度参数； S18：假设拥有多模态数据图像特征向量为f＝fi,1,fi,2,...,fi,l，对应的文本特征向量为t＝ti,1,ti,2,...,ti,l，二者长度均为l；将对应图像文本的特征拼接为一个2l维特征向量，即满足以下公式： fusion_i＝t,f＝ti,1,ti,2,...,ti,l,fi,1,fi,2,...,fi,l 其中，ffusion_i为多模态语义细节保留的融合特征； S19：查询图像向量q＝qi,1,qi,2,...,qi,l和文本特征向量q＝qt,1,pt,2,...,pt,l，在生成查询陷门时，边缘服务器根据查询请求，将文本和图像特征向量进行拼接；当对于单模态查询，则通过补零操作进行对齐； 所述S2具体包括以下步骤： S21：根据安全参数λ生成密钥sk＝S,M,M，其中M,M为d维随机可逆矩阵，S为d维随机01序列；假设P为待对比的向量集合，q为查询向量，维度为d； S22：噪声添加，对集合P中向量p，进行归一化处理，在特征向量上添加噪声，展开为d+2维；其中，第d+1维为随机数δ，第d+2维为1； S23：对查询向量q，进行归一化处理，再扩展到d+1维，第d+1维为1；对此总共d+1维向量通过随机数β，0＜β＜1进行整体扰动，扰动后为{βq,β}，再增添随机数c到d+2维，最终： S24：依照随机序列S的分裂规则，将向量进行分裂处理； 其中，如果S的第i位为0，即S[i]＝0时，则取其中是随机数；当第i位为1，即S[i]＝1时，其中，和为随机数， S25：采用点积法在集合P中对查询q比较相似度，表示为如下公式： ScoreEncpi,Encq＝βpi·q+δ+c 其中，Encpi为密文状态的索引，Encq为密文状态的查询，pi·q为医疗多模态数据特征向量和查询特征向量之间的内积相似度，δ为随机数，c为随机数； S26：保留相同关键字查询的加密函数关系；通过噪声扰动，利用δ和c的随机性，将相似度衡量转换为大小关系； S27：查询时通过衡量密文状态下不同医学多模态数据索引向量p1和p2与查询q之间相似度大小关系进行排序检索； 所述S3具体包括以下步骤： S31：密钥生成，计算m＝d作为分块数数量，给定安全参数λ，生成对称加密密钥κ和索引加密密钥SK，表示为如下公式： SK＝S,M1,M2 其中，S＝{S1,S2,...,Sm}，Sj∈R{0,1}d，M1＝{M1,1,...,M1,j,...,M1,m}，M2＝{M2,1,...,M2,j,...,M2,m}，M1,j和M2,j为d维随机可逆矩阵，且m≠d； S32：索引构建，根据聚类后的聚类中心向量进行分块，分为m块，每块长度为n，对每个簇代表分为Ci＝{c1,...,cj,...,cm}，对于第j个块，使用安全非对称标量积加密技术，得到如下公式： SKj＝{Sj,M1,j,M2,j} 将之加密为如下公式： 加密后的维度为2d，并且获得该簇加密索引向量： S33：索引树上每一个节点，表示为： node＝＜nID,V,left,right,CIDFID＞ 其中，nID为节点Node的标识符，left和right为指向左子节点和右子节点的指针，CID为该节点对应的医学分类簇标识，FID为对应的医疗物联网多模态数据标识，且FID只在叶子节点中存在，在非叶子节点中为0；V为保存具体特征，在叶子节点中V保存医学多模态数据，而在非叶子节点中表示由下向上的匹配规则； S34：数据加密，利用对称加密密钥κ将文档Fi的明文数据加密为密文数据Ei；将加密索引IF＝{Ii}和密文数据E＝{Ei}上传到云服务器；根据聚类中心检索上述数据；构建森林结构检索，以对上述数据进行加密处理并构建相应的索引； S35：数据更新，云服务器收到数据拥有者的数据更新请求后，先计算其与各个簇中相似度最高的簇，然后再进入该簇的树中，构建节点，表示为： node＝＜nID,Ii,left,right,FID＞ 插入树以更新索引，在分簇后的搜索树中，叶子节点代表的是该医学多模态数据文件的标识而非簇标识； S36：数据使用者作为医院工作人员，将查询传递到边缘服务器，边缘服务器将查询向量划分为m块n长度的序列，q＝{q1,q2,...,qj,...,qm}，对于第j个分块，使用密文域相似度隐藏加密算法以SKj＝{Sj,M1,j,M2,j}将之加密为最终得到加密查询 S37：在接收到边缘服务器发送的查询请求后，根据块并行检索方法来并行检索，得到最匹配的簇类，然后在该簇里的子树中检索最匹配的前k个文档Ek；此时算法向量的长度为2d，所以块的数量为m，块长度为2n；并且每一个树节点的V都是2d维向量； S38：边缘服务器在接收到云服务器返回的加密数据集合Ek后，根据解密密钥对其进行解密以获取明文医学多模态数据，传递给数据使用者； 所述S24还包括以下步骤： 将所述向量进行分裂处理后，根据随机可逆矩阵M1,M2进行加密，表示为如下公式：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。