Efficient Simulation of Quantum Secure Multiparty Computation
针对现有量子安全多方求和协议采用$(n,n)$门限存在的安全与效率问题，提出基于$(t,n)$门限、结合经典与量子特性的QSMS协议，仅需t个诚实参与方即可完成计算，更经济实用且安全。
2025-01-17 cs.CR quant-ph
High-Throughput Secure Multiparty Computation with an Honest Majority in Various Network Settings
本研究针对安全多方计算的网络异构性与计算复杂度问题，提出基于环的新型3PC和4PC协议，在保持最优通信复杂度的同时大幅提升吞吐量，性能远超现有框架。
2025-05-21 cs.CR
Fusion: Efficient and Secure Inference Resilient to Malicious Servers
针对安全机器学习推理中恶意服务器可能偏离协议、使用低质量模型的问题，提出Fusion框架，通过混合公开样本与待查询样本的多方计算强制服务器诚实，在效率和通信开销上均优于现有方案。
2023-06-10 cs.CR
Secure Generators of q-valued Pseudo-Random Sequences on Arithmetic Polynomials
提供了一种用于控制节点运行中的错误的技术，该节点用于形成在随机错误和通过攻击者的故意攻击产生的错误下操作的$q$值伪随机序列（PRS），其中特征方程的系统由算术多项式实现，该算术多项式允许计算过程被并行化，并且进而允许使用冗余模码设备。
2018-09-07 cs.CR
When Topology Betrays Privacy: Lattice-Based Reconstruction Attacks on Secure Aggregation in Decentralized Federated Learning
Aalborg University（奥尔堡大学）；Institut Polytechnique de Paris（巴黎理工学院）
本研究揭示去中心化联邦学习中稀疏拓扑下安全聚合的结构性泄露，通过建立与隐藏子集和问题的联系，设计基于格的重构攻击，成功恢复诚实节点的私有更新与训练数据。
2026-09-09 cs.CR cs.LG
SMCQL: Secure Querying for Federated Databases
人类和机器正在以前所未有的速度收集数据。尽管新发现了大量的数据，但在开放科学、商业和其他数据密集型工作中共享数据的进展缓慢。许多这样的努力受到隐私问题和法规遵从性问题的阻碍。例如，许多医院都有兴趣将他们的医疗记录集中起来进行研究，但没有一家医院可以向研究人员或其他医疗服务提供者披露任意的患者记录。在这种情况下，我们提出了专用数据网（PDN），一个联邦数据库查询的集体数据的相互不信任的各方。在PDN中，每个成员数据库不向其对等体或查询编写器揭示其元组。相反，用户将查询提交给诚实的代理，该代理使用安全多方计算（SMC）在多个私有数据库上计划和协调其执行。在这里，每个数据库的查询执行是不经意的，并且它的程序计数器和内存跟踪对于其他数据库的输入是不可知的。我们介绍了一个名为SMCQL的PDN查询执行框架。该系统将SQL语句转换为SMC原语，在其源数据库的联合上计算查询结果，而不会向对等数据提供者或诚实代理泄露关于单个元组的敏感信息。只有诚实的代理和查询者接收PDN查询的结果。为了快速，安全的查询评估，我们探索了一个算法驱动的优化器，最大限度地减少PDN的使用安全计算和分区的查询评估到可扩展的切片。
2017-03-06 cs.CR cs.DB
Outsourcing Private Machine Learning via Lightweight Secure Arithmetic Computation
在几个实际感兴趣的设置中，双方寻求使用公共机器学习模型来协作地对他们的私有数据执行推断。例如，几家医院可能希望共享患者的医疗记录，以增强诊断和疾病预测，但由于隐私问题，可能无法明确共享数据。在这项工作中，我们提出了一个积极的安全协议外包安全和私人机器学习计算。关于这个问题的最近的工作主要集中在被动安全协议，其安全性对被动（“半诚实”）方，但可能会完全崩溃，在存在的主动（“恶意”）方谁可以偏离协议。基于安全神经网络的分类算法可以被视为整数算术计算的实例化。我们展示了我们的协议的效率，通过将其应用到现实世界的算术神经网络计算的实例，包括一个网络训练执行协作疾病预测。
2018-12-04 cs.CR
Efficient Three-party Computation: An Information-theoretic Approach from Cut-and-Choose
据我们所知，从切割和选择安全计算的文献集中在实现对恶意对手的计算安全。目前还不清楚切割和选择的想法是否可以适用于信息理论安全的安全计算。在这项工作中，我们探讨的可能性，使用切割和选择在信息论设置的安全三方计算（3PC）。以前的工作3PC主要集中在半诚实的情况下，是由观察到的多方计算（MPC）的真实字部署似乎涉及几方的动机。我们提出了一个新的协议，信息理论上安全的3PC容忍一个恶意方欺骗概率$2^{-s}$使用$s$运行的电路计算的切割和选择范例。我们的协议的计算成本基本上是只有一个小常数比国家的最先进的3PC协议对半诚实的腐败，而它的通信轮大大减少相比，其他恶意安全的3PC协议在信息理论的设置。
2019-08-10 cs.CR
From Fairness to Full Security in Multiparty Computation
在安全多方计算（MPC）环境中，一组互不信任的多方希望联合计算一个函数，同时保证其输入的隐私性和输出的正确性。如果没有敌手可以阻止诚实方获得其输出，则MPC协议被称为\emph{fully secure}。如果攻击者可以提前中止计算，则称为\emph{fair}，但是，仅在学习任何新信息之前。我们提出了从公平计算到完全安全计算的高效转换，假设诚实方的比例是恒定的（例如，当事人的$1\%$是诚实的）。与以前的转换，需要线性调用（在党的数量）的公平计算相比，我们的转换需要超对数，有时甚至是超常数，这样的调用。其主要思想是将计算委托给随机选择的委员会，这些委员会调用公平计算。除了提高安全性的好处外，减少政党的数量也是有用的，因为只有委员会成员需要工作，而其余的政党只需通过广播频道“收听”计算。
2021-05-06 cs.CR
ReDASH: Fast and efficient Scaling in Arithmetic Garbled Circuits for Secure Outsourced Inference
本研究提出ReDASH框架，通过基于剩余数系统广义基扩展的乱码缩放组件与ScaleQuant+量化机制，突破Dash仅能2的幂缩放的限制，实现最高33倍推理加速且保留强安全保证，提升乱码卷积神经网络安全外包推理的实用性与灵活性。
2025-06-17 cs.CR
Secure Two-Party Feature Selection
在这项工作中，我们研究如何安全地评估交易数据的价值，而不需要可信的第三方。我们专注于分类这一重要的机器学习任务。这使得我们提出了一个可证明安全的四轮协议，该协议计算要交易的数据的价值，而不会将数据泄露给潜在的收购方。理论结果表明，所提出的协议的一些重要属性。特别是，我们证明了该协议的安全性诚实，但好奇的对手模型。
2019-01-03 cs.CR
MPC-enabled Privacy-Preserving Neural Network Training against Malicious Attack
Nanyang Technological University（南洋理工大学）；Shanghai Jiaotong University（上海交通大学）
安全多方计算（MPC）在机器学习，特别是隐私保护神经网络训练中的应用，近年来引起了研究界的极大关注。MPC使多个数据所有者能够联合训练神经网络，同时保护每个参与者的数据隐私。然而，大多数以前的工作集中在半诚实的威胁模型，不能抵御恶意参与者发送的欺诈性消息。在本文中，我们提出了一种方法来构建有效的$n$ -党协议的安全神经网络训练，可以提供安全的所有诚实的参与者，即使大多数的当事人是恶意的。与其他在不诚实的多数设置中提供半诚实安全的设计相比，我们的主动安全神经网络训练在LAN和WAN设置中分别产生了约2倍和2.7倍的可负担的效率开销。此外，我们提出了一个方案，允许添加剂的份额定义在一个整数环$\mathbb{Z}_N$被安全地转换为添加剂的份额在一个有限域$\mathbb{Z}_Q$，这可能是独立的利益。这样的转换方案是必不可少的安全和正确的转换共享海狸三元组定义在一个整数环中产生的预处理阶段的三元组定义在一个字段中使用的在线阶段的计算。
2021-02-10 cs.CR cs.DC cs.LG
Secure pseudo-random linear binary sequences generators based on arithmetic polynoms
我们提出了一种新的方法来构建伪随机二进制序列（PRS）生成器的加密数据保护的目的，从犯罪者的攻击，所造成的大量的硬件错误和故障的产生。新方法是基于使用线性多项式算法实现PRS生成器的布尔特征函数系统。逻辑公式系统的“算术化”允许应用剩余系统的数学装置来对PRS生成过程进行多序列化，并对由硬件故障引起的计算错误进行组织控制。这保证了PRS生成器功能的高度安全性，从而保证了基于这些PRS的加密数据保护工具的安全性。
2014-09-08 cs.CR
Secure FSM- based arithmetic codes
近年来，算术编码因其高压缩性能而引起了众多学者的关注。因此，在本文中，提出了一种方法，它增加了这个众所周知的源代码的保密性。有限状态算术码（FSAC）被用作源代码以增加安全性。利用其有限状态机（FSM）特性，在信源编码过程中插入随机跳变。此外，为每个状态设计了霍夫曼码，即使在跳跃中也可以解码。霍夫曼码是一种无前缀码，当授权用户使用正确的对称伪随机密钥进行解码时，霍夫曼码可以帮助用户跟踪正确的状态。我们提出的方案的鲁棒性进一步加强了通过交换在每个状态下的霍夫曼码的输出增加另一个额外的不确定性。几个测试图像用于检查建议的霍夫曼有限状态算术编码（HFSAC）的有效性。实验结果、密钥空间分析、统计分析、密钥敏感性和明文敏感性测试表明，HFSAC算法对图像加密系统的压缩效率影响很小，为实时图像加密和传输提供了一种高效、安全的方法。
2012-06-05 cs.CR
Characterization of Secure Multiparty Computation Without Broadcast
密码学研究中的一个主要挑战是描述执行给定密码任务所需的必要和充分假设。这项工作的重点是一个广播信道的必要性，安全计算对称功能（所有各方收到相同的输出）时，三分之一的缔约方，或更多，可能会被损坏。假设所有各方都通过对等网络连接，但没有广播信道（也没有一个安全的设置阶段）是可用的，我们证明了以下特征：1）对称$n$ -党的功能可以安全地计算面临$n/3\le t<n/2$腐败（\ie诚实多数），当且仅当它是\emph{$(n-2t)$-dominated} ;一个功能是$k$主导的，如果\emph{any} $k$大小的子集，它的输入变量可以被设置为\emph{determine}它的输出。2)假设存在单向函数，当且仅当对称$n$方功能性是$1$主导的并且可以用广播安全地计算时，对称$n$方功能性可以面对$t\ge n/2$破坏（\ie没有诚实的多数）安全地计算.由此可见，在三分之一的参与方可能被破坏的情况下，广播对于安全地计算非支配函数（其中输入的“小”子集不能确定输出）是必要的，包括作为有趣的特殊情况的布尔XOR和硬币翻转函数。
2021-05-04 cs.CR
(Unconditional) Secure Multiparty Computation with Man-in-the-middle Attacks
在安全多方计算$n$中，各方在存在对手的情况下联合评估$n$变量函数$f$，所述对手可以破坏直到$t$方。迄今为止，几乎所有出现在文献中的作品都假定当事人之间存在经过认证的渠道。这种假设是不现实的。从放松这个（强）假设已经承担了两个方向的研究：（a）对手是几乎无所不能的，可以控制所有的通信信道在网络中，（b）只有部分连接的拓扑结构的认证通道是保证和对手控制的一个子集的通信信道在网络中。这项工作介绍了一个新的设置（无条件）安全多方计算问题，这是一个有趣的中间模型，相对于上述研究模型的文献（通过共享一个显着的特点，从上述两个模型）。我们认为（无条件）安全多方计算的问题时，“一些”的通信渠道连接各方可以被动地以及主动地被损坏。对于这种设置，一些诚实方可能通过损坏的信道连接到其他几个诚实方，并且可能无法与他们进行真实通信。这些当事人可能无法得到正确性或隐私的规范保证。我们提出了这个新的无条件多方计算的中间模型的安全性的定义。我们将展示如何适应协议（无条件）安全多方计算实现的定义，并认为我们取得的结果的紧密性。
2010-05-27 cs.CR
A Distributed k-Secure Sum Protocol for Secure Multi-Party Computations
私有数据输入的安全和计算是安全多方计算（SMC）的一个有趣的例子，它吸引了许多研究人员来设计具有较低数据泄漏概率的安全协议。在本文中，我们提供了一个新的协议，计算个人数据输入的总和与零概率的数据泄漏时，两个邻居方勾结知道中间方的数据。在计算之前，我们将每一方的数据块分成若干段，并在各方之间重新分配这些段。这些步骤创造了一个场景，在这个场景中，半诚实的一方不可能知道另一方的私人数据。
2010-03-22 cs.CR
ASTRA: High Throughput 3PC over Rings with Application to Secure Prediction
Indian Institute of Science（印度科学学院）；International Institute of Information Technology Bangalore（班加罗尔国际信息技术学院）
安全计算的具体效率是近年来许多研究的热点。在这项工作中，我们提出了具体有效的协议，安全$3$ -党计算（3 PC）的整数模$2^{\ell}$容忍一个腐败，无论是半诚实和恶意的安全环。由于环上计算模拟了真实世界系统结构上的计算，环上安全计算近年来得到了广泛的研究。在离线-在线范式中，我们的构建具体地呈现了最有效的在线阶段。在半诚实设置中，我们的协议需要在{ \it online}阶段每个乘法门的$2$环元素的通信，从而获得{ \em小于一个元素}的每一方成本。这是第一次在3 PC制度中实现。在{ \it malicious}设置中，我们的协议要求在在线阶段每个乘法门的$4$元素的通信，通过$5$元素击败最先进的协议。实现了选择性中止和公平的安全概念，公平的恶意协议涉及稍微更多的通信比其对应的中止安全的输出门{ \em单独}。我们将我们的技术从$3$ PC中应用到安全的服务器辅助机器学习（ML）推理中，用于一系列预测函数-线性回归，线性SVM回归，逻辑回归和线性SVM分类。我们的设置考虑了一个具有训练好的模型参数的模型所有者和一个具有查询的客户端，后者愿意根据前者的模型参数来学习她的查询的预测。输入和计算外包给一组三个非勾结的服务器。我们的结构迎合了半诚实和恶意的世界，总是比现有的结构表现得更好。
2019-12-05 cs.CR cs.LG
Towards Secure Two-Party Computation from the Wire-Tap Channel
我们介绍了一个新的协议，安全的两方计算的线性函数的半诚实模型，基于编码技术。我们首先建立了一个平行的第二版窃听信道模型和安全的两方计算。这导致我们的协议，结合了线性陪集编码和不经意传输技术。我们的建设需要使用二元相交码或$q$ -ary最小码，这也是本文研究。
2013-06-26 cs.CR cs.IT math.IT
Dave: a decentralized, secure, and lively fraud-proof algorithm
本文提出Dave欺诈证明算法，实现去中心化、安全与活跃性，诚实方资源成本及最终延迟均随对手支出对数增长，争议在2-5挑战期内完成，无需高额保证金。
2024-11-08 cs.CR cs.DC
Changing Neighbors k Secure Sum Protocol for Secure Multi Party Computation
私有数据输入的安全和计算是安全多方计算（SMC）的一个重要组成部分，本文提出了一个计算私有数据输入和的协议。在我们提出的协议中，我们打破了每一方的输入成段数，并改变各方的安排，这样，在每一轮的计算的邻居被改变。在这个协议中，半诚实的一方不可能知道另一方的私人数据。
2010-02-11 cs.CR
Limits of Random Oracles in Secure Computation
The seminal result of Impagliazzo and Rudich (STOC 1989) gave a black-box separation between one-way functions and public-key encryption: informally, a public-key encryption scheme cannot be constructed using one-way functions as the sole source of computational hardness. In addition, this implied a black-box separation between one-way functions and protocols for certain Secure Function Evaluation (SFE) functionalities (in particular, Oblivious Transfer). Surprisingly, however, { \em since then there has been no further progress in separating one-way functions and SFE functionalities} (though …
2012-05-16 cs.CC cs.CR
Secure Computation for Machine Learning With SPDZ
安全多方计算（MPC）是密码学的一个领域，它支持对来自多个来源的敏感数据进行计算，同时保持隐私保证。然而，理论MPC协议通常不能有效地扩展到真实世界的数据。该项目研究了SPDZ框架的效率，该框架在流行的机器学习（ML）算法的背景下提供了具有恶意安全性的MPC协议的实现。特别是，我们选择了线性回归和逻辑回归等应用程序，这些应用程序已经使用半诚实MPC技术进行了实施和评估。我们证明，SPDZ框架优于这些以前的实现，同时提供更强的安全性。
2019-01-02 cs.CR
Secure and Efficient Federated Transfer Learning
机器学习模型需要大量的数据来进行准确的训练。实际上，大多数数据分散在不同的组织中，在许多法律和实际限制下无法轻松集成。联邦迁移学习（FTL）在[1]中引入，以改进数据联邦下的统计模型，允许在不损害用户隐私的情况下共享知识，并使补充知识能够在网络中传输。因此，目标域方可以通过利用来自源域方的丰富标签来构建更灵活、更强大的模型。然而，该模型中涉及的安全协议的过度计算开销使其不切实际。在这项工作中，我们的目标是提高现有模型的效率和安全性，通过将秘密共享（SS）的数据联邦下的实际协作培训。在文献中，只有半诚实模型的联邦迁移学习已被认为是。在本文中，我们改进了以前的解决方案，也允许恶意玩家可以任意偏离我们的FTL模型中的协议。这比我们假设各方严格遵守协议的半诚实模型强得多。我们这样做使用一个实际的MPC协议称为SPDZ，因此我们的模型可以有效地扩展到任何数量的缔约方，即使在一个不诚实的多数的情况下。此外，在我们的设置中评估的模型在运行时间和通信成本方面都显着优于以前的工作。在我们的模型中，对于500个样本，半诚实情况下的单次迭代执行时间为0.8秒，恶意情况下为1.4秒，而之前的实现需要35秒。
2019-10-30 cs.CR
Chaotic Arithmetic Coding for Secure Video Multicast
算术编码（AC）广泛用于文本和视频数据的熵编码。它涉及根据输入符号出现的相对概率递归划分范围[0，1）。混沌算术编码（CAC）是一种基于算术编码的数据（图像或视频）加密方案。在CAC中，可以使用大量的混沌映射来执行编码，每个混沌映射都可以实现香农最优压缩性能。映射的确切选择由一个键控制。CAC具有对间隔进行加扰而不对码字必须位于其中的间隔的宽度进行任何改变的效果，从而允许加密而不牺牲任何编码效率。在本文中，我们使用了一个冗余的CAC过程中的安全多播的视频，多个用户被分配不同的密钥来解码相同的加密文件。通过加密一次，我们可以生成多个密钥，其中任何一个都可以用于解密编码文件。这非常适合于通过互联网的视频分发，其中单个视频可以以隐私保护的方式分发给多个客户端。
2013-11-13 cs.CR cs.IT cs.MM
Mostree : Malicious Secure Private Decision Tree Evaluation with Sublinear Communication
Mostree协议通过结合不经意选择、树编码和三方安全计算，在恶意敌手模型下以次线性通信实现高效私有决策树评估，实验证明其性能接近半诚实方案。
2023-09-29 cs.CR
Secure Fingerprint Alignment and Matching Protocols
我们提出了三个私人指纹对齐和匹配协议，基于什么被认为是最精确和有效的指纹识别算法，使用细节点。我们的协议允许两个或更多诚实但好奇的当事人以安全的方式比较他们各自的私人指纹，这样他们每个人都只知道指纹匹配的准确分数。据我们所知，这是第一次在安全计算框架中考虑基于细节点的指纹对齐。我们在使用乱码电路评估的双方环境和使用秘密共享技术的多方环境中构建了安全的指纹对齐和匹配协议。除了提供精确和高效的安全指纹对齐和匹配，我们的贡献包括设计了一些安全的子协议，用于复杂的操作，如正弦，余弦，反正切，平方根，和选择，这可能是独立的利益。
2017-12-16 cs.CR
Bitcoin Security under Temporary Dishonest Majority
我们证明比特币在暂时不诚实的多数下是安全的。我们假设对手可以破坏特定部分的当事人，并引入崩溃失败，即，一些诚实的参与者在协议执行期间离线。我们要求大多数诚实的在线参与者的期望。我们探索了三种不同的模型，并提出了在所有这些模型中证明比特币安全性的要求：我们首先研究同步模型，然后扩展到有界延迟模型，最后考虑允许消息丢失的同步模型。
2019-08-01 cs.CR
Cryptography from Noisy Storage
我们展示了如何基于量子比特的量子存储是有噪声的这一现实假设来实现加密原语。因此，我们考虑个人存储攻击，即不诚实的一方试图单独存储每个传入的量子位。我们的模型类似于束缚量子存储的模型，然而，我们考虑了一个受当今技术启发的显式噪声模型。为了说明这个新模型的强大功能，我们证明了不经意传输（OT）协议对于任何数量的量子存储噪声都是安全的，只要诚实的玩家可以执行完美的量子操作。我们的模型还允许协议的安全性，以应对诚实玩家操作中的噪声，并实现更高级的任务，如安全识别。
2008-06-20 cs.CR quant-ph
How to Work with Honest but Curious Judges? (Preliminary Report)
三法官协议，最近倡导的Mclver和摩根作为一个例子，逐步完善的安全协议，研究如何安全地计算多数函数，以达到最终的判决，而不透露每个法官的决定。我们扩展他们的协议在两个不同的方式为任意数量的2n+1法官。第一种概括本质上是集中的，因为它需要一个法官作为领导者，从其他人那里收集信息，计算多数函数，并宣布最终结果。通过稍微修改著名的用餐密码协议可以获得不同的方法，但是它显示的是投票数而不是最终判决。我们定义了一个概念的条件匿名，以分析这两个解决方案。这两个模型都已在模型检查器MCMAS中进行了检查。
2009-10-21 cs.CR cs.LO cs.PL
Secure Medical Image Analysis with CrypTFlow
我们介绍了一个系统，它可以将TensorFlow推理代码转换为安全多方计算（MPC）协议，只需按一下按钮。为此，我们构建了两个组件。我们的第一个组件是从TensorFlow到各种MPC协议的端到端编译器。第二个组件是一个改进的半诚实的3方协议，提供了显着的加速推理。我们通过展示真实世界神经网络的安全推理来实证我们的系统的能力，例如用于从胸部X射线图像检测肺部疾病的DENSENET 121和用于使用CT图像进行放射治疗计划分割的3D-UNet。特别是，本文提供了3D图像的安全分割的第一个评估，这需要比分类更强大的模型，是迄今为止最大的安全推理任务。
2020-12-09 cs.CR
Private Speech Classification with Secure Multiparty Computation
University of Washington Tacoma（华盛顿大学塔科马分校）；Ghent University（根特大学）；Monash University（莫纳什大学）
音频信号处理中的深度学习，如人类语音音频信号分类，是机器学习的一个丰富应用领域。合法的用例包括语音认证、枪声检测和情感识别。虽然自动人类语音分类有明显的优势，但应用程序开发人员可以从未受保护的音频信号处理中获得超出专业范围的知识。在本文中，我们提出了第一个基于深度学习的音频分类的隐私保护解决方案，该解决方案可证明是安全的。我们的方法基于安全多方计算，允许用另一方（鲍勃）的深度神经网络对一方（爱丽丝）的语音信号进行分类，而鲍勃不会以未加密的方式看到爱丽丝的语音信号。作为威胁模型，我们考虑被动安全性，即遵循密码协议指示的半诚实方，以及主动安全性，即偏离协议的恶意方。我们评估了所提出的解决方案在使用卷积神经网络从语音中进行隐私保护情感检测的用例中的效率-安全性-准确性权衡。在半诚实的情况下，我们可以在0.3秒内对语音信号进行分类;在恶意的情况下，它需要$\sim$ 1.6秒。在这两种情况下，都没有信息泄漏，并且我们实现了与在未加密数据上进行计算时相同的分类精度。
2021-01-28 cs.CR cs.LG cs.SD
Communication and Randomness Lower Bounds for Secure Computation
在安全多方计算（MPC）中，相互不信任的用户合作计算他们的私有数据的函数，而不向其他用户透露关于他们的数据的任何附加信息。虽然已知在诚实但好奇的模型中，$n$用户（通过安全且无噪声的链路连接，并且可以访问私有随机性）之间的信息理论上安全的MPC可以对抗少于$n/2$用户的共谋，但是对安全计算的通信和随机性复杂性的了解相对较少。在这项工作中，我们采用信息理论的技术来获得安全MPC所需的通信量和随机性的下限。我们将自己限制到一个具体的交互式设置，涉及3个用户，在诚实但好奇的模型中，所有功能都可以安全地计算，防止单个用户的腐败。我们推导出完美安全情况（即，零错误和无信息泄漏）和渐近安全性（其中错误和信息泄漏的概率随着块长度变为$\infty$而消失）。我们的技术包括使用残差信息的数据处理不等式（即，互信息和Gács-Körner公共信息之间的差距）、3用户协议的一种新的信息不等式以及分布交换的思想。我们的下界被证明是紧的各种功能的利益。特别是，我们展示了具有“通信理想”协议的具体函数，即，其在网络中的所有链路上同时实现最小通信量，并且还使用最小量的随机性。此外，我们获得了第一个明确的例子，一个函数，招致更高的通信成本比输入长度的安全计算模型中的“Feige，Kilian，和Naor [STOC，1994]”，谁已经表明，这样的功能存在。
2016-05-10 cs.CR cs.IT math.IT
Secure multiparty computations in floating-point arithmetic
本文证明仅用标准浮点算术即可实现隐私保护机器学习的安全多方计算，其信息泄露小于舍入误差且具备最坏情况界与数值稳定性证明，并在多种广义线性模型上验证了高性能。
2020-01-09 cs.CR cs.IT cs.LG
Efficient Sparse Secure Aggregation for Federated Learning
Owkin Inc.（Owkin公司）
联合学习使人们能够跨持有敏感数据集的分布式客户端联合训练机器学习模型。在现实世界中，这种方法受到昂贵的通信和隐私问题的阻碍。这两个挑战都已经得到了单独解决，从而导致了相互竞争的优化。在这篇文章中，我们第一次同时处理它们。更确切地说，我们适应基于压缩的联邦技术添加剂秘密共享，导致一个有效的安全聚合协议，具有自适应的安全级别。我们证明了它的隐私对恶意的对手和它的正确性，在半诚实的设置。在深度卷积网络上的实验表明，我们的安全协议以低通信成本实现了高准确性。与以前的安全聚合工作相比，我们的协议具有较低的通信和计算成本，类似的准确性。
2021-10-18 cs.CR cs.LG stat.ML
Peer-to-Peer Secure Multi-Party Numerical Computation Facing Malicious Adversaries
我们提出了一个有效的框架，使安全的多方数值计算在对等网络。这个问题出现在一系列的应用程序，如协同过滤，分布式计算的信任和信誉，监控和其他任务，其中的计算节点预计将保持其输入的隐私，同时执行联合计算的某个功能。虽然在分布式系统安全领域有大量关于安全多方计算的文献，但在实际应用中，这些方法很难在大规模对等网络中部署。在这项工作中，我们试图弥合安全领域的理论算法和实际的对等部署之间的差距。我们考虑两种安全模型。第一种是半诚实模型，其中对等体正确地遵循协议，但试图泄露私人信息。我们提供了三种可能的方案，安全多方数值计算，这个模型，并确定一个单一的轻量级计划，优于其他。使用广泛的模拟结果在真实的互联网拓扑结构，我们证明了我们的计划是可扩展的非常大的网络，高达数百万个节点。我们考虑的第二个模型是恶意对等体模型，其中对等体可以任意行为，故意试图影响计算结果以及损害其他对等体的隐私。对于这个模型，我们提供了第四个方案来保护计算的执行免受恶意对等体的攻击。该方案相对于半诚实模型具有更高的复杂度。总的来说，我们为对等网络设计人员提供了一套工具，可根据所需的安全级别进行选择。
2009-01-18 cs.CR cs.NI
High-Throughput and Scalable Secure Inference Protocols for Deep Learning with Packed Secret Sharing
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；State Key Laboratory of Cyberspace Security Defense（网络空间安全防御全国重点实验室）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院）
本文提出一种高吞吐量且可扩展的MPC协议，用于对抗半诚实对手的神经网络推理。通过利用打包秘密共享技术，实现并行计算和降低通信复杂度，实验表明在广域网环境下性能优于现有方案。
2026-04-22 cs.CR
Efficient and secure modular operations using the Adapted Modular Number System
自适应模数系统（AMNS）是一种整数表示系统，用于加速以素数p为模的算术运算。这种系统可以由元组（p，n，γ，p，E）定义，其中E在Z[X]中。文[13]给出了构造E（X）= {X^n +1}的AMNS的条件。本文推广了他们的结果，并给出了对给定的素数p，当E（X）={X^n-λ}且λ在Z中时，如何生成多重AMNS.此外，我们提出了一套完整的算法，没有条件分支执行算术和转换操作的AMNS，使用蒙哥马利的方法在[15]中描述。
2019-01-31 cs.CR
Fast Actively Secure OT Extension for Short Secrets
不经意传输（OT）是最基本的密码原语之一，在一般的安全多方计算（MPC）中以及在许多感兴趣的定制和专用问题（诸如私有集合交集（PSI）、私有信息检索（PIR）、合同签署等等）中具有广泛的应用。OT的实例化通常需要过高的通信和计算复杂性。OT扩展协议被引入以计算被称为种子OT的少量OT为代价的被称为扩展OT的非常大量的OT。我们提出了一个快速OT扩展协议的小秘密在积极的设置。我们的协议时，用于产生1出n OT优于所有已知的积极安全OT扩展。我们的协议是建立在Kolesnikov和Kumaresan的半诚实安全扩展协议的基础上的，该协议是最著名的短秘密OT扩展。
2019-11-20 cs.CR
Analog Secure Distributed Matrix Multiplication over Complex Numbers
这项工作考虑了将实数或复数上的矩阵乘法分配给助手服务器的问题，使得向这些服务器的信息泄漏接近于信息理论上的安全。这些服务器被认为是诚实但好奇的，即，它们根据协议工作，但试图推断出有关数据的信息。安全分布式矩阵乘法（SDMM）问题一直被认为是在有限域上的矩阵乘法的背景下，这是不总是可行的，在现实世界中的应用。我们提出了两种方案，允许基于用例的可变安全程度，并允许串通和离散服务器。我们分析的安全性和数值精度的计划，并观察到准确性和安全性之间的权衡。
2022-05-14 cs.CR cs.IT math.IT
An Elementary Completeness Proof for Secure Two-Party Computation Primitives
在安全两方计算问题中，双方希望通过交互式协议计算他们输入的（可能是随机的）函数，同时确保任何一方都不会学习到比仅从他们自己的输入和输出中推断出的更多的东西。对于半诚实的当事人和信息理论的安全保证，众所周知，如果只有无噪声通信是可用的，只有一组有限的功能可以安全地计算;然而，如果交互也允许在一般的通信原语（多输入/输出通道），有“完整”的原语，使任何功能被安全地计算。Maji、Prabhakaran和Rosulek最近利用Kilian早期的专门表征来表征完整原语的一般集合。我们在本文中的贡献是一个简单的，独立的，替代推导使用基本的信息理论工具。
2014-12-12 cs.CR cs.IT math.IT
A Secure Multiparty Quantum Least Common Multiple Computation Protocol
本文提出一种基于Shor量子周期查找算法的安全多方最小公倍数计算协议，利用周期函数连接原理，并辅以一票否决投票验证，在半诚实模型下实现高概率安全且多项式复杂度的计算。
2023-07-26 cs.CR quant-ph
Secret Sharing Sharing For Highly Scalable Secure Aggregation
安全多方计算（MPC）可以提高数据所有者的安全性和隐私性，同时允许分析师执行高质量的分析。安全聚合是一种安全的分布式机制，用于支持联合深度学习，而无需可信的第三方。本文提出了一个具有次线性通信复杂性的高性能安全聚集协议。我们的协议通过基于组的方法实现了更高的通信和计算效率。它类似于扩展到值向量的秘密共享协议（也称为梯度），但在组内，我们添加了一个额外的秘密共享层（也称为分片）。这确保了在标准真实/理想安全范例中的秘密输入的隐私，在服务器可能与对手勾结的半诚实和恶意设置中。在恶意设置中，5%的客户端损坏和5%的退出，我们的协议可以聚合在一个联盟与100，000，000成员和向量的长度为100，而要求每个客户端只与350个其他客户端进行通信。这种聚合的具体计算成本对于服务器来说不到半秒，对于客户端来说不到100毫秒。
2022-05-03 cs.CR
Improved Secure Efficient Delegated Private Set Intersection
私有集合交集（PSI）是一种重要的密码技术，用于安全地计算不同集合的公共数据。在PSI协议中，通常双方都希望找到他们共同的集合元素，而不需要公开他们不常见的集合元素。近年来，云在PSI协议中发挥了重要作用，这些协议通常需要巨大的计算任务。2017年，Abadi等人引入了一种名为EO-PSI的方案，该方案使用云来传递主要计算，并且不包括任何公钥操作。在EO-PSI中，各方需要事先建立安全信道;否则，攻击者可以很容易地窃听诚实方之间的通信并发现隐私信息。本文提出了一种改进的EO-PSI方案，该方案在保密性和复杂度方面都优于以前的方案。通过提供对现有方案的可能攻击，我们证明了在各方之间使用安全信道的必要性。此外，我们提出的协议是安全的被动攻击，而不必有任何安全信道。我们测量的协议的开销，并表明，计算复杂性大大降低，也是公平的相比，以前的计划。
2021-01-28 cs.CR
PS-TRUST: Provably Secure Solution for Truthful Double Spectrum Auctions
真实频谱拍卖近年来得到了广泛的研究。真实性使投标人出价他们的真实估价，大大简化了拍卖的分析。然而，透露自己的真实估价会导致严重的隐私泄露给拍卖师和其他投标人。更糟糕的是，以前关于安全频谱拍卖的工作没有提供足够的安全性。在本文中，基于TRUST，我们提出了PS-TRUST，一个可证明安全的解决方案，真实的双频谱拍卖。PS-TRUST除了保持TRUST的真实性和特殊的频谱复用特性外，还在密码学意义上实现了对抗半诚实攻击者的可证明安全。具体来说，PS-TRUST不会向拍卖中的任何人透露出价，除了拍卖结果。据我们所知，PS-TRUST是第一个可证明安全的频谱拍卖解决方案。实验结果表明，PS-TRUST算法的计算和通信开销较小，具有一定的实用价值。
2013-07-29 cs.CR cs.GT
MPClan: Protocol Suite for Privacy-Conscious Computations
Indian Institute of Science（印度科学学院）；Technical University of Darmstadt（达姆施塔特工业大学）
越来越多的数据被收集和分析，以提供更好的服务，这引起了人们对数字隐私的担忧。为了解决隐私问题并给出实际的解决方案，文献依赖于安全多方计算。然而，最近的研究主要集中在最多四个政党的小党诚实多数设置，注意到效率问题。在这项工作中，我们扩展的策略，以支持更多的参与者在一个诚实的多数设置与效率的中心舞台。在预处理范例中，我们的半诚实协议改进了Damgård和Nielson（NIPPTO '07）十年前的最先进协议的在线复杂性。除了改善在线通信成本外，我们还可以在在线阶段关闭几乎一半的当事人，从而节省高达50%的系统运营成本。我们的恶意安全协议也享有类似的好处，只需要一半的当事人，除了一次性验证，接近尾声。为了展示所设计的协议的实用性，我们使用原型实现对流行的应用程序进行了基准测试，例如深度神经网络，图神经网络，基因组序列匹配和生物特征匹配。我们改进后的协议有助于比以前的工作节省高达60-80%的资金成本。
2022-06-24 cs.CR cs.DC cs.IT
Game-Theoretically Secure Distributed Protocols for Fair Allocation in Coalitional Games
本文研究联盟博弈中近似Shapley值的博弈论安全分布式协议，通过引入违规预算模型限制攻击者资源，增加排列采样次数以保障诚实参与者奖励，并给出了高概率和期望极大极小安全性的样本数上下界及实验验证。
2024-12-26 cs.CR cs.GT
SEEK: model extraction attack against hybrid secure inference protocols
Open Security Research（开放安全研究院）
关于在预测即服务中使用的机器学习模型的安全问题包括模型、查询和结果的隐私。已经开发了基于同态加密（HE）和/或多方计算（MPC）的安全推理解决方案来保护所有敏感信息。最有效的解决方案之一是将HE用于线性层，将MPC用于非线性层。然而，对于这种半诚实安全的混合协议，攻击者可以在推理过程中篡改中间特征，从而比针对明文推理服务的方法更有效地提取模型信息。在本文中，我们提出了SEEK，一个通用的提取方法的混合安全推理服务只输出类标签。该方法能够独立地提取目标模型的每一层，且不受模型深度的影响。对于ResNet-18，SEEK可以提取一个参数，平均查询次数少于50次，平均误差小于$0.03\%$。
2022-09-14 cs.CR cs.LG
Secure Montgomery Multiplication and Repeated Squares for Modular Exponentiation
BMR 16电路混淆方案引入了允许无密文模加法的小工具，而私有输入模素数p的乘法可以用2（p - 1）个密文完成，如Malkin，Pastro和Shelat的An algebraic approach to garbling中所述。通过使用剩余数系统（RNS），我们可以构建一个电路，通过Hollman和Gorissen的多层剩余数系统中描述的方法来处理输入对大N取模的平方和乘法。我们扩展了现有的技术，算术模p开发的方法来处理算术的位置，基地p数系统。我们评估了这两种方法的密文成本，并比较了它们在各种大模数下的平方性能。
2019-10-05 cs.CR
CycLedger: A Scalable and Secure Parallel Protocol for Distributed Ledger via Sharding
传统的公共分布式账本无法很好地扩展和有效地工作。分片被认为是解决这一问题的一种很有前途的方法。通过将所有节点划分为小型委员会并让它们并行工作，我们可以显著降低通信和计算量，减少每个节点存储的开销，并提高分布式账本的吞吐量。现有的基于分片的协议仍然存在几个严重的缺点。首先，所有没有故障的节点必须彼此连接良好，这需要网络中大量的通信信道。此外，以前的协议在每个委员会领导人的诚信受到质疑的情况下面临着效率的巨大损失。与此同时，没有明确的激励节点积极参与协议。我们提出了CycLedger，一个可扩展的和安全的并行协议，通过分片分布式账本。我们的协议为每个委员会选择一个领导者和一个部分集合，他们负责维护分片内的共识并与其他委员会进行通信，以降低所有节点上通信，计算和存储的摊销复杂度。我们引入了一种新的半承诺计划委员会之间的恢复过程，以防止系统崩溃，即使委员会的领导人是恶意的。为了增加网络的激励，我们使用了声誉的概念，它衡量每个节点的可信计算能力。由于具有较高声誉的节点获得更多的奖励，因此鼓励具有强计算能力的节点诚实地工作以获得声誉。通过这种方式，我们为基于分片的分布式账本建立可扩展性、安全性和激励机制开辟了一条新的道路。
2020-04-05 cs.CR cs.DC
ACCESS-FL: Agile Communication and Computation for Efficient Secure Aggregation in Stable Federated Learning Networks
本文提出ACCESS-FL方法，通过仅在两客户端间生成共享秘密并去除双重掩码和密码学计算，在稳定联邦学习网络中实现恒定计算与通信开销的高效安全聚合，实验证明其显著优于SecAgg和SecAgg+。
2024-09-05 cs.CR cs.DC
Senate: A Maliciously-Secure MPC Platform for Collaborative Analytics
许多组织都可以从将数据汇集在一起以获得互利的见解中受益-例如，然而，由于隐私问题、监管障碍或商业竞争，这些组织通常无法彼此共享他们的数据。我们提出了参议院，一个系统，允许多方协作运行分析SQL查询，而不会透露他们的个人数据给对方。与先前的安全多方计算（MPC）工作不同，它假设所有各方都是半诚实的，即使在恶意对手存在的情况下，参议院也会保护数据。Senate的核心是一个新的MPC分解协议，它将加密MPC计算分解为更小的单元，其中一些可以由各方的子集并行执行，同时保持其安全性保证。Senate然后提供了一种新的查询规划算法，该算法有效地分解和规划密码计算，比最先进的算法快145 $\times$。
2020-10-26 cs.CR
Efficient Secure Aggregation for Privacy-Preserving Federated Machine Learning
针对联邦学习安全聚合中通信与计算开销大的问题，提出e-SeaFL协议，利用辅助节点和同态向量承诺实现单轮通信的可验证聚合，效率较现有最优方法提升一个数量级。
2024-11-08 cs.CR
Secure Linear Aggregation Using Decentralized Threshold Additive Homomorphic Encryption For Federated Learning
安全线性聚合是在隐私保护的前提下，对不同用户的隐私输入进行线性聚合。联邦学习（FL）环境中的服务器可以通过安全的线性聚合来完成对用户私有输入的任意线性计算。目前，基于伪随机数发生器和一次性填充技术，可以有效地计算FL中用户输入的和，但不能很好地支持用户输入的线性计算。基于分散式门限同态加密（DTAHE）方案，提出了一种安全的线性聚合协议，该协议允许服务器将用户输入与任意系数相乘并求和，从而在用户输入的基础上建立全连接层或卷积层.该协议采用Bonawitz等人的框架为用户退出提供容错，并利用区块链智能合约鼓励服务器诚实。文中给出了该协议的安全模型、安全证明和一个具体的基于格的DTAHE方案。它评估了已知的DTAHE施工方法的通信和计算成本。评价表明，基于椭圆曲线的DTAHE是友好的用户和基于格的版本导致在服务器上的计算量轻。
2021-11-21 cs.CR
