Fully Homomorphic Encryption for Statistical Modeling
本文提出利用R包openfhe.R和homomorpheR实现全同态加密下的统计建模，支持加密算术与多参与方协议，并通过分布式Cox回归和联邦Cox-lasso验证其可行性。
2026-10-06 cs.CR stat.CO
ArctyrEX : Accelerated Encrypted Execution of General-Purpose Applications
University of Delaware（特拉华大学）；NVIDIA（英伟达）
ArctyrEX提出一种端到端加速加密执行框架，使开发者无需了解FHE库即可用C程序描述计算，在A100上实现40倍以上加速，显著提升CGGI方案中非线性函数评估性能。
2023-06-19 cs.AI cs.CR cs.DC
Secure k-Anonymization over Encrypted Databases
数据保护算法对于支持促进数据共享和数据货币化的现代业务需求正变得越来越重要。摘要数据共享是实现数据共享的重要步骤。一些组织利用第三方来存储和管理数据。然而，第三方通常不被信任来存储明文个人和敏感数据;数据加密被广泛采用，以防止有意和无意地读取个人/敏感数据。传统的加密方案不支持对密文的操作，因此对加密数据集进行匿名化对于当前的方法是不可行的。本文探讨了利用同态加密在加密数据集上实现隐私保护数据发布工作流的可行性和深度。我们演示了如何实现唯一性发现，数据屏蔽，差分隐私和K-匿名加密数据需要零知识的原始值。我们证明了我们的方法所遵循的安全协议提供了强有力的保证，对推理攻击。最后，我们通过实验证明了我们的数据发布工作流组件的性能。
2021-08-10 cs.CR
Comparison of encrypted control approaches and tutorial on dynamic systems using LWE-based homomorphic encryption
加密控制已经被引入，以通过在计算和通信阶段加密，通过直接对加密数据执行计算来保护控制器数据。本文首先对加密控制的相关研究进行了综述和分类。介绍了基于同态加密、多方计算和秘密共享的方法，并从计算复杂性、通信负载、使能操作、安全性和研究方向等方面进行了讨论。我们继续讨论当前的挑战，在应用同态加密的动态系统，其中的算术运算以外的整数加法和乘法是有限的。我们还介绍了一个同态密码系统称为“GSW-LWE”，并讨论了它的好处，允许递归乘法的加密动态系统，而不使用计算昂贵的自举技术。
2022-10-11 cs.CR cs.SY eess.SY
Compiled Obfuscation for Data Structures in Encrypted Computing
加密计算是一种新兴技术，其基础是一种“并行工作”的处理器，将加密输入转换为加密输出，而数据始终保持加密形式。它旨在保护用户数据免受操作员和操作系统（不知道用户的加密密钥，无法在处理器中访问它）可能的内部攻击。用于加密计算的形式上的“混淆”编译是这样的，即在源代码的每次重新编译时，发出相同结构的机器码，对于这些机器码，运行时跟踪也都具有相同的结构，但是加密下的每个字与标称不同，在重新编译时具有最大可能的熵。相对于加密的安全性，这为数据生成了经典的加密语义安全性，但它只能保证单个单词，并且对手有更多的解密尝试。本文将现有的基于整数的技术扩展到double、float、array、struct和union等数据结构，覆盖了ANSI C。一个单一的原则驱动编译器的设计，并改善现有的安全理论，以量化的结果：每一个算术指令，写必须改变到最大可能的范围。
2019-02-16 cs.CR cs.PL cs.SE
A Secure Database System using Homomorphic Encryption Schemes
云计算作为一种有吸引力的解决方案出现，可以委托存储和处理机密数据。然而，这种系统会遇到几个安全风险，因为安全加密的数据在处理之前应该被解密。因此，解密的数据容易被读取和更改。因此，自1978年RSA加密方案发表以来，处理加密数据一直是一个研究课题。本文提出了一种基于同态加密方案的关系数据库系统，以保护数据的完整性和机密性。我们的系统在加密数据上执行SQL查询。我们测试了我们的系统与最近开发的同态方案，使执行的算术运算的密文。我们表明，所提出的系统执行准确的SQL操作，但其性能阻碍了该系统的实际实施。
2015-12-11 cs.CR
Privacy-Preserving Machine Learning with Fully Homomorphic Encryption for Deep Neural Network
Seoul National University（首尔国立大学）；Samsung Advanced Institute of Technology（三星先进技术研究院）
全同态加密（FHE）是保护隐私的机器学习（PPML）的一种很有前途的工具，基于不同的FHE方案和方法已经提出了多种PPML模型。虽然FHE方案被认为是实现PPML模型的合适工具，但是先前关于FHE加密数据的PPML模型仅限于简单和非标准类型的机器学习模型。这些非标准的机器学习模型在更实用和更先进的数据集上并没有被证明是有效和准确的。以前的PPML方案用简单的算术函数代替非算术激活函数，而不是采用近似方法，并且不使用自举，这使得连续的同态评估成为可能。因此，它们不能使用标准的激活函数，也不能使用大量的层。到目前为止，CIFAR-10数据集的FHE现有PPML模型的最大分类准确率仅为77%。在这项工作中，我们首先使用RNS-CKKS FHE实现了标准的ResNet-20模型，并使用CIFAR-10数据集和明文模型参数验证了所实现的模型。我们没有用简单的算术函数替换非算术函数，而是使用最先进的近似方法来评估这些非算术函数，例如ReLU，具有足够的精度[1]。此外，我们第一次在所提出的模型中使用RNS-CKKS方案的自举技术，这使我们能够在加密数据上评估深度学习模型。我们在数值上验证了所提出的模型与CIFAR-10数据集的结果与原始ResNet-20模型的结果有98.67%相同。该模型的分类准确率为90.67%，与原始ResNet-20 CNN模型的分类准确率非常接近。
2021-06-14 cs.CR cs.LG
Blind Evaluation Framework for Fully Homomorphic Encryption and Privacy-Preserving Machine Learning
针对全同态加密下隐私保护机器学习因交互式解密轮次导致加密训练停滞的问题，提出盲评框架，通过将程序逻辑解构为二进制电路与算术，首次实现无需解密轮次的FHE安全训练与推理。
2024-08-27 cs.CR
Secure outsourced calculations with homomorphic encryption
随着云计算的快速发展，隐私安全事件频繁发生，尤其是数据安全问题。云用户希望将他们的敏感信息以加密的形式而不是原始数据上传到云服务提供商，并防止数据的滥用。主要的挑战是安全地处理或分析这些加密的数据，而不泄露任何有用的信息，并实现有效的权限管理。提出了一种基于加性同态加密和代理加密的云计算加密数据处理协议。针对传统的同态加密方案存在诸多局限性，不适合云计算应用。我们模拟了一个具有灵活访问控制的云计算场景，并通过支持各种算术计算来扩展原始同态密码系统以适应我们的场景。证明了协议的正确性和安全性，并与一些最新的协议进行了比较，分析了协议的优点和性能。
2018-12-03 cs.CR
CryptoNN: Training Neural Networks over Encrypted Data
University of Pittsburgh（匹兹堡大学）
新兴的基于神经网络的机器学习技术（诸如深度学习及其变体）已经在许多应用领域中显示出巨大的潜力。然而，当从用户收集的数据用于训练神经网络模型以支持预测任务时，由于高度隐私敏感数据的泄漏风险，它们引起了严重的隐私问题。为了解决这种严重的隐私问题，在文献中已经提出了几种隐私保护方法，这些方法使用安全多方计算（SMC）或同态加密（HE）作为底层机制。然而，这些加密方法都没有提供有效的解决方案来构建隐私保护机器学习模型，以及支持训练和推理阶段。为了解决上述问题，我们提出了一个CryptoNN框架，该框架通过使用新兴的函数加密方案而不是SMC或HE来支持在加密数据上训练神经网络模型。我们还构造了一个函数加密方案的基本算术计算，以支持建议的CryptoNN框架的要求。我们提出了性能评估和安全性分析的基础加密方案，并通过我们的实验表明，CryptoNN达到的准确性是类似的基准神经网络模型的MNIST数据集。
2019-04-26 cs.CR cs.LG
Training Machine Learning Models on Encrypted Data: A Privacy-Preserving Framework using Homomorphic Encryption
ISEP, School of Engineering, Polytechnic of Porto（ISEP工程学院，波尔图理工学院）；GECAD, Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development（GECAD，智能工程与计算高级创新与发展研究组）
本文提出一种隐私保护框架，利用CKKS实现加密数据上的近似实数运算，展示KNN、线性回归和加密推理的可行性，验证了同态加密在保持准确性的同时的有效性。
2026-04-25 cs.AI cs.CR
Accelerating Fully Homomorphic Encryption by Bridging Modular and Bit-Level Arithmetic
现代计算平台中数据泄露的急剧增加强调了访问控制不足以保护敏感的用户数据。密码学的最新进展允许加密数据的端到端处理，而不需要使用全同态加密（FHE）进行解密。然而，这种计算仍然比直接（未加密）计算慢几个数量级。根据底层的加密方案，FHE方案可以在使用布尔电路的位级上原生地工作，或者使用模运算在整数上工作。对整数的运算仅限于加/减和乘。另一方面，位级算术更全面，允许更多的操作，如比较和除法。虽然模运算可以模拟位级计算，但在性能上有很大的代价。在这项工作中，我们提出了一种新的方法，被称为桥接，融合了更快和限制的模块化计算与更慢和全面的位级计算，使它们都可以在同一个应用程序中使用，并与相同的加密方案实例化。我们引入并开放了代表两种不同算术模式的C++类型，提供了从一种模式转换到另一种模式的可能性。实验结果表明，桥接模块和位级算术计算可以导致1-2个数量级的性能提高测试的合成基准，以及一个真实世界的FHE应用程序：基因型插补案例研究。
2023-01-13 cs.CR
An End-to-End Encrypted Control Pipeline for Multi-Agent Coordination via CKKS Homomorphic Encryption
University of Maryland, College Park（马里兰大学帕克分校）
针对云端多智能体协同中的隐私冲突，提出端到端加密控制管道，所有环节在CKKS加密数据上仅用加、乘和循环旋转操作，通过稳态卡尔曼增益和对角线法实现图拉普拉斯，推导周期性自举界以量化加密噪声影响，并在编队控制中验证。
2026-06-05 cs.CR cs.SY eess.SY
Toward Lossless Homomorphic Encryption for Scientific Computation
本文研究了CKKS同态加密方案在多维向量运算和实际应用中的潜力，通过矩阵乘法和野火数据集机器学习实验，验证了其在保证数据隐私的同时实现近乎无损计算的可行性。
2023-09-13 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
Efficient Arithmetic-and-Comparison Homomorphic Encryption with Space Switching
University of Central Florida（中佛罗里达大学）
本文提出空间切换方法，整合算术与比较运算于FV方案中，提升性能，实验证明在数据库工作负载上比方案切换快17倍，比直接比较快15倍。
2026-04-21 cs.CR
BoostCom: Towards Efficient Universal Fully Homomorphic Encryption by Boosting the Word-wise Comparisons
针对通用算术全同态加密（uFHE）中非算术比较操作速度慢的问题，本文提出BoostCom方案，通过基础设施加速与算法感知优化，将端到端性能较现有最优CPU方案提升11.1倍。
2024-07-10 cs.CR cs.DC
MemFHE: End-to-End Computing with Fully Homomorphic Encryption in Memory
数据量的不断增加和问题的日益复杂导致了对云计算的日益依赖。然而，许多应用程序，特别是在医疗保健，金融或国防，要求安全和隐私，今天的解决方案不能完全解决。全同态加密（FHE）通过在处理过程中增加数据的机密性，提升了当今解决方案的标准。它允许对完全加密的数据进行计算，而无需解密，从而完全保护隐私。为了能够以可用的经典安全级别处理加密数据，例如，128位，加密过程引入了明显的数据大小扩展-密文比本机数据类型的本机聚合大得多。在本文中，我们提出了MemFHE，这是第一个加速器的客户端和服务器的最新的环GSW（Gentry，Sahai和Waters）的同态加密计划，使用内存处理（PIM）。PIM解决了大型FHE加密数据的数据移动问题，同时提供了FHE多项式运算所需的原位执行和广泛的并行性。虽然客户端PIM可以同态加密和解密数据，但服务器PIM可以处理同态加密的数据而无需解密。MemFHE的服务器PIM是流水线的，旨在提供灵活的引导，允许两种加密技术和各种FHE安全级别的基础上的应用程序的要求。我们评估MemFHE的各种安全级别，并将其与最先进的CPU实现基于环GSW的FHE。MemFHE在FHE算术运算方面比CPU（GPU）快20 kx（265倍），在使用FHE实现神经网络时，平均吞吐量比最先进的技术高2007倍。
2022-04-26 cs.AR cs.CR
Secure numerical simulations using fully homomorphic encryption
本文基于CKKS全同态加密方案和两个Julia软件包，探索并验证了在加密数据上求解偏微分方程的隐私保护数值模拟可行性，同时分析了计算开销、数值误差及算法限制。
2025-09-24 cs.CR cs.NA math.NA
Batched Paillier-Based Hamming-Distance Computation over Binary Embeddings
针对加密二进制嵌入的汉明距离计算，提出结合编码优化、预计算和GPU批处理的Paillier方案，实现较CPU基线数百倍的吞吐量提升。
2026-09-21 cs.CR
Accelerating Number Theoretic Transformations for Bootstrappable Homomorphic Encryption on GPUs
同态加密（HE）由于提供了一种对加密消息进行隐私保护计算的方法而引起了极大的关注。数论变换（NTT）是有限整数域上离散傅立叶变换（DFT）的一种特殊形式，是实现HE加密密文快速计算的关键算法。先前的工作已经通过利用DFT优化技术在流行的并行处理平台GPU上加速了NTT及其逆变换。然而，这些基于GPU的研究缺乏对NTT和DFT之间的主要差异的全面分析，或者仅考虑小的HE参数，这些HE参数在不解密的情况下可以执行的算术运算的数量方面具有严格的约束。在本文中，我们分析了NTT和DFT的算法特征，并评估了在现代GPU上应用通常适用于DFT和NTT的优化时NTT的性能。从分析中，我们确定，NTT遭受严重的主内存带宽瓶颈的大型HE参数集。为了解决主内存带宽的问题，我们提出了一种新的NTT特定的对飞根生成计划被称为对飞旋转（OT）。与基线基2 NTT实现相比，在应用所有优化（包括OT）后，我们在现代GPU上实现了4.2倍的加速。
2020-12-03 cs.CR cs.DC
Characterizing the Sensitivity to Individual Bit Flips in Client-Side Operations of the CKKS Scheme
本文针对 CKKS 客户端编码、加密、解密与解码流程，理论与实验结合分析单比特翻转传播，揭示 RNS/NTT 优化会显著放大错误敏感性。
2025-09-29 cs.CR
Does Fully Homomorphic Encryption Need Compute Acceleration?
全同态加密（FHE）允许对加密数据进行任意复杂的计算，而无需对其进行解密，从而使我们能够在第三方系统上维护数据隐私。不幸的是，使用FHE维持深度计算需要称为自举的周期性降噪步骤。自举操作的成本是FHE广泛采用的主要障碍之一。在本文中，我们提出了一个深入的架构分析的引导步骤FHE。首先，我们观察到，安全实现的自举表现出低的算术强度（<1 Op/字节），需要大的缓存（>100 MB），并严重约束的主要内存带宽。因此，我们表明，现有的工作负载观察边际性能增益定制的高吞吐量的算术单元的设计定制FHE。其次，我们提出了几个高速缓存友好的算法优化，提高FHE自举的吞吐量，使高达3.2倍更高的算术强度和4.6倍更低的内存带宽。我们的优化适用于广泛的结构相似的计算，如私人评估和机器学习模型的训练。最后，我们将这些优化到一个架构工具，给定的缓存大小，内存子系统，功能单元的数量和所需的安全级别，选择最佳的密码系统参数，以最大限度地提高自举吞吐量。我们优化的引导实现代表了FHE计算加速的最佳情况。我们表明，尽管这些优化，引导继续被主要内存带宽。我们提出了新的研究方向，以解决潜在的内存瓶颈。总之，我们对这个问题的回答是：是的，但只有在解决内存瓶颈之后！
2021-12-14 cs.AR cs.CR
TREBUCHET: Fully Homomorphic Encryption Accelerator for Deep Computation
TREBUCHET 项目开发了一种基于瓦片芯片设计的高度并行 FHE 加速器，支持多种标准化同态加密方案，旨在将加密计算差距缩小至 10 倍以内，并兼容 PALISADE 和 OpenFHE 库。
2023-04-19 cs.AR cs.CR cs.DC
Understanding the Error Sensitivity of Privacy-Aware Computing
本文研究同态加密对位故障的脆弱性，表征 CKKS 的错误敏感性，并分析 RNS 与 NTT 对其鲁棒性的影响，填补相关研究空白。
2025-06-09 cs.AR cs.CR
