When Homomorphic Cryptosystem Meets Differential Privacy: Training Machine Learning Classifier with Privacy Protection
机器学习（ML）分类器是已在许多领域中使用的宝贵构建块。从多个数据提供者收集的高质量训练数据集对于训练准确的分类器是必不可少的。然而，由于训练数据集中敏感信息的潜在泄漏，它引起了对数据隐私的关注。现有的研究已经提出了许多ML分类器隐私保护训练的解决方案，但在准确性，计算效率和安全性之间取得平衡仍然是一项具有挑战性的任务。在本文中，我们提出了Heda，一个有效的隐私保护计划训练ML分类器。Heda将同态密码体制（HC）与差分隐私（DP）相结合，在效率和准确性之间取得了折衷，并通过参数调整实现了不同折衷之间的灵活切换。为了使这种组合有效和可行，我们提出了新的设计的基础上HC和DP：提出了一个库的基础上部分HC构建块构建复杂的训练算法，而不引入可信的第三方或计算松弛;提出了一套理论方法，以确定适当的隐私预算，并降低敏感性。安全性分析表明，该方案可以安全地构造复杂的ML训练算法。大量的实验结果表明了该方案的有效性和效率。
2018-12-06 cs.CR
Bridging the Gap Between PHE and FHE: A Performance and Trade-off Analysis of The Somewhat Homomorphic BGN Cryptosystem
Neo4j；Ibn Haldun University（伊本·哈尔敦大学）
本文将半同态BGN密码系统集成到lightphe框架，对比PHE与FHE开展基准测试，揭示其计算与通信的权衡特性，确立其为带宽受限去中心化架构的实用隐私保护加密引擎。
2026-08-03 cs.CR
BAYHENN: Combining Bayesian Deep Learning and Homomorphic Encryption for Secure DNN Inference
Peking University（北京大学）；Ant Financial Services Group（蚂蚁金融服务集团）
最近，深度学习即服务（DLaaS）已经成为促进深度神经网络（DNN）用于各种目的的有前途的方式。然而，使用DLaaS也会导致客户端和云服务器的潜在隐私泄露。这个隐私问题激发了人们对云服务中DNN模型的隐私保护推理的研究兴趣。在本文中，我们提出了一个实用的解决方案命名为BAYHENN安全DNN推理。它可以同时保护客户端和服务器端的隐私。我们的解决方案的关键策略是结合同态加密和贝叶斯神经网络。具体来说，我们使用同态加密来保护客户端的原始数据，并使用贝叶斯神经网络来保护云服务器中的DNN权重。为了验证我们的解决方案的有效性，我们在MNIST和真实的临床数据集上进行了实验。我们的解决方案在这两项任务上实现了一致的延迟降低。特别是，我们的方法在端到端延迟方面可以比现有的最佳方法（GAZELLE）高出约5倍。
2019-06-26 cs.CR cs.LG
Confused Modulo Projection based Somewhat Homomorphic Encryption -- Cryptosystem, Library and Applications on Secure Smart Cities
Beijing Electronic Science and Technology Institute（北京电子科技学院）；State Key Laboratory of Cryptology（密码学国家重点实验室）；Beijing University of Posts and Telecommunications（北京邮电大学）；Minzu University of China（中央民族大学）；NIT Patna（印度国家理工学院巴特那分校）；Kyushu Institute of Technology（九州工业大学）
随着云计算的发展，海量视觉媒体数据的存储和处理逐渐转移到云服务器上。例如，如果智能视频监控系统无法在本地处理大量数据，则会将数据上传到云端。因此，如何在不暴露原始数据的情况下处理云中的数据成为一个重要的研究课题。提出了一种基于混淆模投影定理的半同态加密密码系统CMP-SWHE，该密码系统允许服务器在不需要\emph{seeing}提供用户数据有效信息的情况下完成盲数据处理。在客户端，原始数据通过放大、随机化和设置混淆冗余进行加密。在服务器端对加密数据进行操作等同于对原始数据进行操作。作为扩展，设计并实现了一种基于批处理技术的加速版本盲计算方案，提高了计算效率。为了使该算法易于使用，我们还设计并实现了一个高效的通用盲计算库CMP-SWHE。我们将该库应用于前景提取、光流跟踪和目标检测，取得了令人满意的结果，有助于智慧城市的建设。我们还讨论了如何将该算法扩展到深度学习应用中。与其他同态加密密码系统和库的比较结果表明，我们的方法在计算效率上具有明显的优势。虽然我们的算法在数据量太大时会有一些微小的误差（$10^{-6}$），但它是非常高效和实用的，特别适合于盲图像和视频处理。
2020-12-19 cs.CR cs.CV
Reversible Data Hiding in Encrypted Text Using Paillier Cryptosystem
加密域可逆数据隐藏技术（RDHED）是一种既能保证隐藏信息的机密性，又能允许隐藏者在隐藏信息中插入额外信息的新技术，本文提出了一种新的加密文本中的数据隐藏技术--加密文本可逆数据隐藏技术（RDHET）。最初，原始文本被转换为ASCII值。然后，采用Paillier密码体制对原始文本的所有ASCII值进行加密，并将其发送到数据隐藏器进行进一步处理。在数据隐藏阶段，使用不丢失任何信息的技术将秘密数据嵌入到同态加密的文本中，即，Paillier密码系统的同态性质。最后，在接收端将嵌入的秘密数据和原始文本恢复出来，没有任何损失。实验结果表明，该方案是至关重要的加密文本处理在基于云的服务的上下文中。此外，该方案工作良好，特别是在嵌入阶段，文本恢复，并在不同的安全密钥大小的性能。
2022-09-23 cs.CR
Towards Provably Secure Encrypted Control Using Homomorphic Encryption
针对加密控制系统缺乏安全性证明及未考虑特定攻击的问题，提出基于可证明安全概念的新型安全定义，并证明采用安全同态加密可增强系统安全性。
2022-10-17 cs.CR cs.SY eess.SY
Enabling Homomorphically Encrypted Inference for Large DNN Models
Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心）；Intel Corporation（英特尔公司）
过去几年中，机器学习服务的激增引发了人们对数据隐私的担忧。同态加密（HE）支持使用加密数据进行推理，但它会导致100倍至10，000倍的内存和运行时开销。使用HE的安全深度神经网络（DNN）推理目前受到计算和存储器资源的限制，框架需要数百GB的DRAM来评估小模型。为了克服这些限制，在本文中，我们探讨了利用混合存储器系统的DRAM和持久性存储器组成的可行性。特别是，我们探索了最近发布的英特尔Optane PMem技术和英特尔HE-Transformer nGraph，以运行大型神经网络，如MobileNetV 2（最大的变体）和ResNet-50，这在文献中尚属首次。我们提出了一个深入的分析与不同的硬件和软件配置的执行效率。我们的研究结果得出结论，DNN推理使用HE招致友好的访问模式，这种内存配置，产生有效的执行。
2021-04-29 cs.CR cs.LG cs.PF
Encrypted Dynamic Control exploiting Limited Number of Multiplications and a Method using RLWE-based Cryptosystem
本文提出一种基于RLWE加密系统的加密动态控制方法，通过有限乘法次数和并行运算降低计算与通信开销，实现长期稳定性能。
2024-10-25 cs.CR cs.SY eess.SY
On the use of homomorphic encryption to secure cloud computing, services, and routing protocols
将数据处理委托给远程方的趋势引起了与最终用户和服务提供商的隐私侵犯相关的主要关注。这些问题引起了研究界的关注，并提出了一些技术，以防止恶意方提供安全的通信协议。然而，大多数提出的技术需要第三方的参与，这本身可以被视为另一个安全问题。这些安全漏洞可以通过遵循一种新的方法来避免，该方法依赖于在远程服务器上以加密形式分类，管理和存储的数据。为了实现这种方法，加密密码系统必须支持对加密数据的代数运算。该密码系统可以有效地保护数据和支持可以处理加密输入并产生加密输出的程序的构造。事实上，后一种程序不会解密输入，因此，它们可以由不受信任的一方运行，而不会泄露它们的数据和内部状态。此外，这样的程序被证明是实用的情况下，我们需要外包私人计算，特别是在云计算的背景下。同态密码系统与这些目标完全一致，因为它们是允许加密数据的盲处理而无需解密的方案的坚实基础。在这篇论文中，我们依靠同态加密方案来保护云计算、服务和路由协议。我们设计了几个电路，允许盲处理和管理的数据，使恶意方被拒绝访问敏感信息。我们选择了五个领域来应用我们的模型。这些模型可以很容易地为许多其他领域定制。我们还提供了原型，用于研究模型的性能和鲁棒性。
2015-08-21 cs.CR cs.NI
Towards Automated Homomorphic Encryption Parameter Selection with Fuzzy Logic and Linear Programming
CERN（欧洲核子研究组织）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
同态加密（Homomorphic encryption，HE）是一组允许对加密文本进行隐私保护操作的密码系统的强大属性。然而，由于效率和可用性方面的限制，HE并不普遍。在HE的挑战中，方案参数化（即，在算法内选择适当的参数）是一个相关的多面问题。首先，参数化需要遵守一组属性，以保证底层方案的安全性。其次，参数化需要深入理解底层原语，因为参数对方案的精度、性能和安全性具有正面影响。最后，要执行的电路影响参数化，并且受参数化的影响。因此，不存在参数的一般最佳选择，并且该选择取决于电路和应用场景。目前，大多数现有的HE框架需要密码学家手动解决这些问题。它需要通过陡峭的学习曲线获得最低限度的专业知识。在本文中，我们针对上述挑战提出了一个统一的解决方案。具体地说，我们提出了一个结合模糊逻辑和线性规划的专家系统。模糊逻辑模块接收用户对密码系统的安全性、效率和性能的高级别优先级的选择。基于这些偏好，专家系统生成线性规划模型，该线性规划模型通过考虑这些优先级来获得参数的最优组合，同时保持密码系统的最低安全级别。我们进行了扩展的评估，我们表明，一个专家系统产生最佳的参数选择，保持用户的喜好，而不经历固有的复杂性分析电路。
2023-02-17 cs.AI 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
Efficient Cloud-based Secret Shuffling via Homomorphic Encryption
当处理来自多个来源的机密数据的联合收集时，例如，在基于云的多方计算场景中，数据提供者与其输入本身之间的所有权关系是机密信息。保护数据提供者的隐私需要一种用于秘密地混洗数据汇集的功能。我们提出了第一个有效的安全多方计算协议的秘密洗牌的情况下，一个中央服务器。基于一种新的随机索引分布方法，我们的解决方案使加密数据序列的顺序随机化，使得没有观察者可以以比猜测更好的概率在原始序列和混洗序列的元素之间进行映射。它允许在具有恒定轮复杂度和线性计算复杂性的加法同态密码系统下对加密的数据进行混洗。作为一种通用协议，它与各种实际用例相关。
2020-02-12 cs.CR
FPGA-Based Hardware Accelerator of Homomorphic Encryption for Efficient Federated Learning
Hong Kong University of Science and Technology（香港科技大学）；Clustar（星辰天合）；Peng Cheng Lab（鹏城实验室）
随着人们对隐私保护和数据碎片问题的日益关注，联邦学习已经成为机器学习的一种新范式。联邦学习倾向于利用各种隐私保护机制来保护传输的中间数据，其中同态加密在安全性和易用性之间取得了平衡。然而，复杂的操作和大的操作数给联邦学习带来了巨大的开销。更有效地保持准确性和安全性一直是联邦学习的关键问题。在这项工作中，我们研究了一种硬件解决方案，并设计了一个基于FPGA的同态加密框架，旨在加速联邦学习的训练阶段。其根本复杂性在于寻找一种紧凑的同态加密核心运算架构，以满足联邦学习对加密吞吐量高和配置灵活的要求。我们的框架实现了具有代表性的Paillier同态密码系统，具有高层次的综合灵活性和可移植性，在处理时钟周期，资源使用和时钟频率方面对模乘运算进行了仔细的优化。我们的加速器实现了接近最佳的执行时钟周期，具有比现有设计更好的DSP效率，并在各种联邦学习模型的训练过程中将加密时间减少了71%。
2020-07-21 cs.CR cs.DC cs.LG
Stabilizing Inputs to Approximated Nonlinear Functions for Inference with Homomorphic Encryption in Deep Neural Networks
Technische Universität München（慕尼黑工业大学）；German Center for Vertigo and Balance Disorders（德国眩晕与平衡障碍中心）；Ludwig-Maximilians Universität München（慕尼黑大学）
分层同态加密（LHE）提供了一种潜在的解决方案，可以允许具有敏感数据的部门利用云，并安全地部署其模型，以便使用深度神经网络（DNN）进行远程推理。然而，由于LHE的限制，这种应用面临着几个障碍。其中一个主要问题是DNN中常用的非线性函数与LHE支持的运算（即加法和乘法）不兼容。正如LHE方法中常见的那样，我们用非线性函数训练模型，并在推理时用私人数据的低次多项式近似代替它。虽然这通常会导致近似误差和预测精度的损失，但我们提出了一种方法，可以根据简单的超参数将这种损失减少到很小的值或完全消除它。这是通过引入一种新颖且优雅简单的Min-Max归一化方案来实现的，该方案将非线性函数的输入缩放到具有低近似误差的范围内。虽然它的概念很直观，实现起来也很简单，但我们的经验表明，它为DNN中的非线性函数提供了一个稳定有效的近似解决方案。反过来，这可以通过LHE实现更深入的网络，并促进安全和隐私感知分析应用程序的开发。
2019-02-05 cs.CR cs.LG stat.ML
A methodology for training homomorphicencryption friendly neural networks
IBM Research - Haifa（IBM研究院-海法）；Bar Ilan University（巴伊兰大学）
针对同态加密方案不支持ReLU激活的问题，提出用二次多项式激活替代ReLU、结合知识蒸馏等技术训练HE友好模型的方法，在多个架构和医学数据集上显著缩小精度差距。
2022-07-07 cs.CR cs.LG
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
Secure Multilayer Perceptron Based On Homomorphic Encryption
在这项工作中，我们提出了一个外包的安全多层感知器（SMLP）计划，在训练和分类阶段确保数据和模型的隐私和机密性。更清楚地说，这个SMLP：i）可以由云服务器基于用户先前以同态加密形式外包的数据来训练; ii）其参数是同态加密的，从而不给出云的线索;以及iii）其还可以用于对由用户发送的新的加密数据进行分类，用户向其返回加密的加密分类结果。这个计划的独创性有三个方面。据我们所知，它是第一个多层感知器（MLP）在同态加密数据的训练阶段没有收敛问题。它不需要服务器和用户之间的额外通信。它是基于整流线性单元（ReLU）激活函数，我们确保没有近似与实际SMLP解决方案。为此，我们利用两个半诚实的非串通服务器。在一个用Paillier密码系统加密的二进制数据库上进行的实验结果证明了我们方案的整体性能及其收敛性。
2018-06-07 cs.CR
Cheetah: Optimizing and Accelerating Homomorphic Encryption for Private Inference
随着深度学习的应用不断增长，用于进行预测的数据量也在不断增加。虽然传统上，大数据深度学习受到计算性能和片外内存带宽的限制，但出现了一个新的限制：隐私。一种解决方案是同态加密（HE）。将HE应用于客户端-云模型允许云服务直接对客户端的加密数据执行推断。虽然HE可以满足隐私限制，但它引入了巨大的计算挑战，并且在当前系统中仍然非常慢。本文介绍了Cheetah，这是一组用于HE DNN推理的算法和硬件优化，以实现明文DNN推理速度。Cheetah提出了HE参数调优优化和操作员调度优化，它们共同提供了79倍于最先进技术的加速。然而，这仍然低于明文推理速度近四个数量级。为了弥合剩余的性能差距，Cheetah进一步提出了一种加速器架构，当与算法优化相结合时，接近明文DNN推理速度。我们评估了几种常见的神经网络模型（例如，ResNet 50，VGG 16和AlexNet），并表明对于每一个的明文级HE推断是可行的，使用消耗30 W和545mm^2的自定义加速器。
2020-10-08 cs.CR
Optimized Implementation of Elliptic Curve Based Additive Homomorphic Encryption for Wireless Sensor Networks
当部署在公共环境中的无线传感器网络（WSNs），它可能成为必要的，以确保其数据存储和传输可能的攻击，如节点妥协和窃听。节点的特点是只有小的计算和能量资源，因此需要有效的算法。作为该问题的解决方案，在[7]中提出了TinyPEDS方法，其利用椭圆曲线ElGamal（EC-ElGamal）密码系统进行允许隐藏数据聚合的加性同态加密。本工作提出了一个优化的EC-ElGamal的MicaZ微尘，这是一个典型的传感器节点平台与8位处理器的无线传感器网络的实现。与之前的最佳结果相比，我们的实现对于定点乘法至少快了44%。由于该算法的大部分类似于标准椭圆曲线算法，因此结果也可以在受限设备上的其他实现中重用。
2009-03-23 cs.CR cs.PF
A Homomorphic Encryption Framework for Privacy-Preserving Spiking Neural Networks
本研究提出并比较了基于BFV同态加密的脉冲神经网络与深度神经网络，在FashionMNIST上SNN在低明文模数下准确率提升高达40%。
2025-06-20 cs.CR cs.NE
INCHE: High-Performance Encoding for Relational Databases through Incrementally Homomorphic Encryption
同态加密（HE）通过在数据库即服务（DaaS）范例中直接对加密字段执行查询来提供数据机密性。虽然完全HE表现出很大的表现力，但禁止性能开销，可以通过部分HE方案实现灵活性和效率之间的更好平衡。然而，在性能方面，最先进的HE方案的加密速率仍然比I/O吞吐量低几个数量级，使得HE方案成为性能瓶颈。本文提出了增量式同态加密方案INCHE，该方案通过对关系数据库中的字段进行增量式加密来提高HE方案的性能。INCHE的核心思想是探索明文之间的内在相关性，并将其缓存以备将来重用，从而避免从明文到密文的昂贵HE原语。在选择明文攻击（CPA）模型下证明了INCHE的语义安全性，并证明了其时间复杂度与明文长度成线性关系。我们通过扩展对称密码系统实现了一个INCHE原型，并在随机生成的数据和TPC-H基准测试上验证了其有效性。
2021-11-19 cs.CR cs.DB
Privacy-Preserving Visual Learning Using Doubly Permuted Homomorphic Encryption
The University of Tokyo（东京大学）；Michigan State University（密歇根州立大学）；Carnegie Mellon University（卡内基梅隆大学）
我们提出了一个隐私保护框架，学习视觉分类器，利用分布式私人图像数据。该框架旨在聚合使用私有数据在本地更新的多个分类器，并确保在其学习过程期间和之后不会暴露有关数据的私有信息。我们利用一个同态密码系统，可以聚合的本地分类器，而它们被加密，从而保持秘密。为了克服高维分类器同态加密计算量大的问题，本文（1）对局部分类器的更新施加稀疏性约束，（2）提出一种新的高效加密方案--双置换同态加密（DPHE）。DPHE（i）将稀疏数据分解成其组成非零值及其对应的支持索引，（ii）仅对非零值应用同态加密，以及（iii）对支持索引采用双重排列以使它们保密。我们在几个公共数据集上的实验评估表明，该方法在保护隐私的同时实现了与最先进的视觉识别方法相当的性能，并显着优于其他隐私保护方法。
2017-07-28 cs.CR cs.CV
On Insecure Uses of BGN for Privacy Preserving Data Aggregation Protocols
本文研究BGN密码系统中Shi等人盲化技术的隐私问题，发现其不保护接收者隐私，基于配对使DDH易解，并提出防止泄露的建议。
2023-03-06 cs.CR
Privacy-preserving Decentralized Deep Learning with Multiparty Homomorphic Encryption
分散式深度学习由于其具有吸引力的特性，包括容忍高网络延迟和不太容易发生单点故障，在协作模型训练中发挥着关键作用。不幸的是，与其他分布式训练框架相比，这种训练模式更容易受到数据隐私泄露的影响。现有的努力专门使用差分隐私作为减轻数据隐私威胁的基石。然而，由于差分隐私的内在矛盾，它是否能为模型训练提供一个令人满意的效用-隐私权衡仍然是不清楚的。为了解决这个问题，我们提出了D-MHE，这是第一个具有无损精度的安全高效的分散训练框架。受同态加密技术最新发展的启发，我们设计了一个多方版本的Brakerski-Fan-Vercauteren（BFV），并使用它来实现用户局部模型的私有梯度更新。D-MHE可以将一般安全多方计算（MPC）任务的通信复杂性从用户数的二次方降低到线性，使其非常适合于大规模分散学习系统。此外，D-MHE提供严格的语义安全保护，即使大多数用户是不诚实的共谋。我们在MNIST和CIFAR-10数据集上进行了大量的实验，以证明D-MHE在模型精度，计算和通信成本方面的优越性。
2022-07-11 cs.CR
THRIVE: Threshold Homomorphic encryption based secure and privacy preserving bIometric VErification system
在本文中，我们提出了一个新的生物特征验证和模板保护系统，我们称之为THRIVE系统。该系统包括新的注册和认证协议的基础上的阈值同态密码系统的私钥之间的用户和验证者共享。在THRIVE系统中，只有加密的二进制生物特征模板存储在数据库中，并且通过同态随机化模板进行验证，因此，在认证阶段不会泄露原始模板。THRIVE系统是针对恶意模型而设计的，其中作弊方可以任意偏离协议规范。由于使用了门限同态加密方案，恶意数据库所有者无法对数据库中用户的加密模板执行解密。因此，使用涉及用户的私钥和生物特征数据的双因素认证方案来增强THRIVE系统的安全性。我们证明了该系统的安全性和隐私保护能力，在基于模拟的模型，没有任何假设。该系统适用于用户不想以简单的形式向验证者透露她的生物特征，但她需要通过使用生物特征来证明她的物理存在的应用。该系统可以与任何生物计量模态和生物计量特征提取方案一起使用，其输出模板可以被二进制化。对于在10 Mbit/s上行/下行链路连接速度下运行四核3.2 GHz CPU的台式PC上的256位biohash向量，所提出的THRIVE系统的总体连接时间估计为平均336 ms。因此，所提出的系统可以有效地用于现实生活中的应用。
2014-09-29 cs.CR
Faster CryptoNets: Leveraging Sparsity for Real-World Encrypted Inference
同态加密允许在数据保持加密的同时对数据进行任意计算。这种隐私保护特征对于机器学习是有吸引力的，但是由于加密方案的大开销而需要显著的计算时间。我们提出了更快的CryptoNets，一种使用神经网络进行有效加密推理的方法。我们开发了一种修剪和量化的方法，利用稀疏表示在底层密码系统，以加速推理。我们推导出一个最佳的近似流行的激活函数，实现最大稀疏编码，并尽量减少近似误差。我们还展示了如何通过利用迁移学习和差分隐私，使用隐私安全训练技术来减少对真实数据集进行加密推理的开销。我们的实验表明，我们的方法保持竞争力的准确性，并实现了显着的加速比以前的方法。这项工作增加了使用同态加密来保护用户隐私的深度学习系统的可行性。
2018-11-25 cs.CR
Homomorphic Encryption for Speaker Recognition: Protection of Biometric Templates and Vendor Model Parameters
Hochschule Darmstadt（达姆施塔特应用技术大学）
在处理生物识别数据时，数据隐私至关重要。考虑到最新的欧洲数据隐私法规和支付服务指令，生物识别模板保护对于任何商业应用都至关重要。确保生物识别服务运营商之间的不可链接性、泄露的加密模板的不可逆性以及例如语音模型遵循i-vector范式，基于生物识别语音的系统是为最新的欧盟数据隐私立法做准备的。采用Paillier密码系统，欧几里得和余弦比较器已知可确保数据隐私要求，而不会损失辨别力或校准性能。为弥补从模板保护到说话人识别的差距，提出了两种结构的双协方差比较器，作为本研究中的生成模型。第一种架构保护生物特征数据捕获主体的隐私。在第二架构中，比较器的模型参数也被加密，使得生物特征服务提供商可以向多个生物特征服务运营商提供采用不同密钥对的相同比较模块。对2013-2014年NIST i-vector机器学习挑战赛的数据进行了实验性概念验证和复杂性分析。
2018-03-09 cs.CR cs.SD eess.AS
Towards Scalable and Privacy-Preserving Deep Neural Network via Algorithmic-Cryptographic Co-design
Zhejiang University（浙江大学）；Ant Group（蚂蚁集团）；Macquarie University（麦考瑞大学）；JZTData Technology（金智塔科技）；Peking University（北京大学）；East China Normal University（华东师范大学）
深度神经网络（DNN）在各种现实世界的应用中取得了显著的进展，特别是当提供了丰富的训练数据时。然而，数据隔离已成为当前的一个严重问题。现有的工作建立隐私保护DNN模型从算法的角度或密码学的角度。前者主要将DNN计算图在数据持有者之间或数据持有者与服务器之间拆分，具有良好的可扩展性，但存在准确性损失和潜在的隐私风险。相比之下，后者利用耗时的密码技术，具有很强的隐私保证，但可扩展性差。在本文中，我们提出了SPNN-一个可扩展和隐私保护的深度神经网络学习框架，从算法-密码学的角度。从算法的角度来看，我们将DNN模型的计算图分为两部分，即，由数据持有者执行的私有数据相关计算，以及委托给具有高计算能力的服务器的其余繁重计算。从加密的角度来看，我们建议使用两种类型的加密技术，即，秘密共享和同态加密，用于隔离的数据持有者私下地和合作地进行与私有数据相关的计算。此外，我们在分散的设置中实现SPNN，并引入用户友好的API。在真实数据集上的实验结果表明了SPNN的优越性。
2022-02-21 cs.CR cs.LG
NN-EMD: Efficiently Training Neural Networks using Encrypted Multi-Sourced Datasets
IBM Research（IBM研究院）；University of Pittsburgh（匹兹堡大学）；Beijing Jiaotong University（北京交通大学）
在加密数据集上训练机器学习模型是解决隐私保护机器学习任务的现有有前途的方法，然而，由于两个原因，在加密数据上有效地训练深度神经网络（DNN）模型极具挑战性：首先，它需要在巨大数据集上进行大规模计算;第二，现有的用于对加密数据进行计算的解决方案（例如，同态加密）是低效的。此外，为了增强DNN模型的性能，我们还需要使用由来自多个数据源的数据组成的庞大训练数据集，这些数据源之间可能没有预先建立的信任关系。我们提出了一个新的框架，NN-EMD，训练DNN从多个来源收集的多个加密数据集。为此，我们提出了一套安全的计算协议，使用混合函数加密方案。我们评估了我们的框架在MNIST数据集上的训练时间和模型准确性方面的性能。与其他现有框架相比，我们提出的NN-EMD框架可以显着减少训练时间，同时提供可比的模型准确性和隐私保证，并支持多个数据源。此外，神经网络的深度和复杂性不影响训练时间，尽管引入了隐私保护NN-EMD设置。
2021-04-18 cs.CR cs.LG
Deep Neural Networks for Encrypted Inference with TFHE
Zama（Zama（扎马）公司（注：根据上下文，Zama 是一家从事相关技术研究的公司））
全同态加密（FHE）是一种允许对加密数据执行计算而无需解密的加密方法。FHE保护处理敏感数据（如健康数据、生物识别数据、信用评分和其他个人信息）的在线服务用户的隐私。对此类数据提供有价值服务的常见方式是通过机器学习，此时，神经网络是非结构化数据的主要机器学习模型。在这项工作中，我们将展示如何构建与TFHE（一种允许任意深度计算电路的FHE方案）的约束兼容的深度神经网络（DNN）。我们讨论的约束条件，并显示DNN的两个计算机视觉任务的架构。我们基准的架构使用混凝土栈，TFHE的开源实现。
2023-02-13 cs.AI cs.CR cs.LG
Privacy preserving distributed profile matching in mobile social network
在该文献中，在称为\emph{mobile social network}的特定网络上下文中提出了隐私保护分布式简档匹配协议。这些网络通常部署在或多或少敌对的环境中，需要严格的安全机制。与此同时，由于这些异构网络通常由平板电脑或手机等无线组件构成，因此能源和计算资源有限。这就是为什么本文提出了一种新的加密算法，具有较高的安全性，同时保留资源。该方法是基于椭圆曲线密码学，更具体地说，在一个几乎完全同态密码系统的超奇异椭圆曲线，导致一个安全和有效的保护隐私的分布式配置文件匹配。
2015-02-24 cs.CR cs.IT math.IT
A lightweight Encryption Method For Privacy-Preserving in Process Mining
本文提出一种基于Haar变换和私钥的轻量级加密方法，用于流程挖掘中事件日志的隐私保护，相比同态加密和Walsh-Hadamard加密，具有更低复杂度和更高准确性。
2023-04-07 cs.CR eess.SP
PrivDNN: A Secure Multi-Party Computation Framework for Deep Learning using Partial DNN Encryption
The University of Kansas（堪萨斯大学）；Delft University of Technology（代尔夫特理工大学）；University of Missouri–Kansas City（密苏里大学堪萨斯城分校）
针对深度学习隐私保护需求，提出PrivDNN框架，通过共享加密模型将计算卸载到用户端，利用部分DNN加密提高效率，采用核心神经元选择和加密方案确保模型准确与隐私，实验证明其能大幅减少推理时间和内存需求。
2026-07-27 cs.CR
Privacy-Preserving Protocols for Eigenvector Computation
在本文中，我们提出了一个协议，用于计算属于多个半诚实的隐私约束的数据矩阵的集合的主特征向量。我们提出的协议是基于安全的多方计算与半诚实的仲裁者谁处理的数据加密的其他各方使用添加剂同态密码系统。我们用随机化和模糊化来增强协议，使任何一方都难以从中间步骤中估计属于其他方的数据的属性。以往的算法都是基于相关矩阵的QR分解，本文提出了一种基于幂迭代的快速算法。我们分析了协议的正确性，安全性和效率。
2010-07-28 cs.CR cs.DB
Polynomial Time Cryptanalytic Extraction of Neural Network Models
Technology Innovation Institute（技术创新研究院）；Weizmann Institute（魏茨曼研究院）
本文提出新技术，以多项式时间和查询次数高精度提取ReLU深度神经网络参数，并在CIFAR10数据集上验证，仅需30分钟即可完成。
2023-10-12 cs.CR cs.LG
HEAX: An Architecture for Computing on Encrypted Data
UC San Diego（加州大学圣迭戈分校）；Microsoft Research（微软研究院）
随着云计算的快速增长，围绕数据隐私、安全性和机密性的关注也显著增加。不仅云提供商容易受到内部和外部黑客的攻击，而且在某些情况下，由于GDPR，HIPAA或CCPA等隐私法，数据所有者无法外包计算。全同态加密（FHE）是密码学领域的一项突破性发明，与传统密码系统不同，它可以在不解密的情况下对加密数据进行计算，但大规模部署FHE的最大障碍是巨大的计算开销。在本文中，我们提出了HEAX，一种新的硬件架构FHE，实现了前所未有的性能提高。HEAX利用多个级别的并行性，从密文级别到细粒度的模块化算术级别。我们的第一个贡献是一个新的高度并行化的数论变换（NTT）的架构，可以独立的兴趣，因为NTT是经常使用的许多基于格的密码系统。在NTT引擎的基础上，我们设计了一种新的同态加密数据计算架构。我们还介绍了几种技术，以实现端到端，完全流水线设计，以及减少片内存储器的消耗。我们在可重构硬件上的实现表明，对于广泛的FHE参数，性能提高了164- 268倍。
2020-01-23 cs.AI cs.AR cs.CR
A Privacy-Preserving Traffic Monitoring Scheme via Vehicular Crowdsourcing
汽车数量的爆炸式增长引发了一系列交通问题，如交通拥堵、道路安全、燃油浪费等。采集车辆的速度信息是监控交通状况、避免车辆拥堵的有效手段，但这可能会对车辆的位置和轨迹隐私造成威胁。出于这样一个事实，即交通监控不需要知道每个单独的车辆的速度和平均速度将是足够的，我们提出了一个隐私保护的交通监控（PPTM）计划，汇总车辆的速度在不同的位置。在PPTM中，路边单元（RSU）收集多个路段的车辆速度信息，并进一步与服务提供商合作以计算每个路段的平均速度信息。为了保护车辆的隐私，采用了同态Paillier密码体制和超增序列。一个全面的安全分析表明，建议PPTM可以保护车辆的身份，速度，位置和轨迹隐私被披露。此外，大量的模拟进行验证的有效性和效率的建议PPTM计划。
2019-02-12 cs.CR
MOSAIC-FL, a micro-service based privacy-preserving framework with application to genomics
Université Paris-Saclay（巴黎-萨克雷大学）；CEA（法国原子能和替代能源委员会）；CNRGH（国家人类基因组研究中心）
该研究针对联邦学习在医疗保健和基因组学等领域的安全隐私挑战，提出MOSAIC-FL框架，集成gRPC通信层等，用CKKS同态加密系统变体实现盲模型聚合，经多种用例验证其有效性，能确保安全并减轻密钥恢复攻击。
2026-07-29 cs.CR cs.LG
PrivaMatch: A Privacy-Preserving DNA Matching Scheme for Forensic Investigation
提出PrivaMatch方案，结合不经意传输、零知识证明与同态加密技术，在法医调查中实现DNA匹配的同时保护嫌疑人隐私与调查敏感信息。
2024-09-23 cs.CR
Artemis: HE-Aware Training for Efficient Privacy-Preserving Machine Learning
University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对同态加密隐私保护机器学习计算成本高的问题，提出Artemis对角剪枝技术，结合组Lasso正则化训练减少旋转操作，实现1.2-6倍的卷积模型推理加速。
2023-10-02 cs.AI cs.CR cs.LG
Security for Distributed Deep Neural Networks Towards Data Confidentiality & Intellectual Property Protection
SAP Security Research, SAP Global Security（SAP全球安全事业部SAP安全研究院）；Hasso Plattner Institute, University of Potsdam（波茨坦大学哈索·普拉特纳研究所）；SAP Portfolio Strategy & Technology Adoption, SAP SE（SAP SE SAP产品组合战略与技术采纳部）；Logistic & IT Services, City of Antibes Juan-les-Pins（昂蒂布-朱安雷宾市物流与信息技术服务部）
企业系统的当前发展观察到一种范式转变，将针从后端移动到边缘部门;通过分发数据，分散应用程序并将新组件无缝集成到中央系统。分布式部署的AI能力将推动这一转变。随着这些发展，出现了一些非功能性需求，安全性是讨论的中心。考虑到这些要求，我们在此提出了一种方法来全面保护基于/增强的分布式深度神经网络（DNN）的软件资产，即其输入和输出数据流的机密性以及保护其知识产权。利用全同态加密（FHE），我们的方法能够保护分布式神经网络，同时处理加密数据。在这方面，我们评估的卷积神经网络（CNN）的图像分类部署在分布式基础设施上的解决方案的可行性。
2019-07-09 cs.CR cs.LG
A Privacy-Preserving and Accountable Billing Protocol for Peer-to-Peer Energy Trading Markets
本文提出PA-Bill协议，通过同态加密与区块链技术结合通用成本分摊和争议解决机制，解决点对点能源交易中承诺与实际交付不符时的隐私保护与可问责计费问题。
2023-09-11 cs.CE cs.CR
PP-LEM: Efficient and Privacy-Preserving Clearance Mechanism for Local Energy Markets
针对本地能源市场结算问题，本文提出PP-LEM机制，将其建模为斯塔克伯格博弈，结合部分同态密码系统实现隐私保护，秒级完成200用户结算，在保障社会福利的同时提升计算效率。
2024-11-26 cs.CR cs.GT
Optimizing Privacy-Preserving Primitives to Support LLM-Scale Applications
本文通过硬件、软件与算法协同设计优化 MPC、ZKPs 和 FHE，降低隐私保护原语的计算与通信开销，以支持 LLM 规模应用。
2025-09-29 cs.AI cs.CR cs.LG
Privacy-Preserving Aggregate Queries for Optimal Location Selection
如今，各种服务提供商收集了大量的位置数据。这些位置数据所有者很清楚他们的用户大部分时间在哪里。其他企业也希望使用这些信息进行位置分析，例如为新分支机构找到最佳位置。然而，位置数据所有者不能与其他企业共享他们的数据，主要是出于隐私和法律方面的考虑。在本文中，我们提出了隐私保护的解决方案，其中基于位置的查询可以回答数据所有者不与其他企业共享他们的数据，而不访问敏感信息，如发送查询的企业的客户列表。我们利用一个部分同态密码系统作为所提出的协议的构建块。在半诚实威胁模型下证明了协议的安全性。我们还解释了如何实现差分隐私在建议的协议，并讨论其效用的影响。我们用真实和合成数据集评估了协议的性能，并表明所提出的解决方案是非常实用的。拟议的解决方案将促进实体之间有效共享敏感数据，并在广泛的应用程序中进行联合分析，而不会侵犯客户的隐私。
2018-01-06 cs.CR
Cloud-based Privacy-Preserving Collaborative Consumption for Sharing Economy
云计算已经成为各种信息处理平台的主导范例，特别是用于实现共享经济的各种流行应用。然而，这些基于云的平台上的数据隐私存在重大问题。这项工作提出了新的基于云的隐私保护解决方案，以支持共享经济的协作消费应用程序。在典型的协同消费中，信息处理平台需要在多个用户之间实现公平的成本分摊，以使用某些共享设施和公共服务。基于同态Paillier密码系统的基于云的隐私保护协议可以确保基于云的运营商只能获得设施共享中所有用户的聚合时间表，或者在公共服务共享中符合服务提供规则的服务时间表，但无法跟踪个人用户的个人时间表或需求。更重要的是，参与的用户仍然能够以公平的方式解决费用分摊问题，而不知道对方的私人时间表或需求。我们的隐私保护协议不涉及任何可能损害隐私的第三方。我们还提供了一个广泛的评估研究和我们的协议的概念验证系统原型。
2020-07-15 cs.CR cs.MA cs.NI
Vectorized Secure Evaluation of Decision Forests
随着对基于机器学习的推理的需求与对隐私的担忧一起增加，人们越来越认识到对安全机器学习的需求，其中秘密模型可以用于对私有数据进行分类，而模型或数据不会泄露。全同态加密（FHE）允许在加密数据上进行任意计算，提供了提供这种安全推断的有吸引力的方法。虽然这种计算通常比其明文对应物慢几个数量级，但FHE密码系统执行\emph{ciphertext packing}的能力-即加密整个明文向量，以便在向量上按元素计算操作-有助于减轻这种开销，有效地创建SIMD架构，其中计算可以向量化以进行更有效的计算。这一领域的最新研究针对的是规则的、易于向量化的神经网络模型。将类似的技术应用于不规则的ML模型，如决策森林，由于其复杂的，难以向量化的结构，仍然没有探索。在本文中，我们提出了COPSE，第一个系统，利用密文包装进行决策森林推理。COPSE由一个分段编译器组成，它自动重新构造决策森林模型并将其编译为一组新的可向量化原语，以进行安全推理。我们发现，COPSE的编译模型在一系列决策森林模型中的表现优于最先进的模型，通常超过一个数量级，同时仍然具有良好的扩展性。
2021-04-19 cs.CR cs.PL
ComputeFHE: A Privacy-Preserving General-Purpose Computation Library
Department of Computer Engineering, Çankaya University, Ankara, Turkey（计算机工程系，恰纳卡大学，安卡拉，土耳其）；Computer Programming Program, Çankaya University, Ankara, Turkey（计算机编程项目，恰纳卡大学，安卡拉，土耳其）
提出基于TFHE的开源C++库ComputeFHE，通过加密整数和定点数类型及优化ALU架构，降低引导操作次数，性能提升达3.9倍。
2026-06-24 cs.CL cs.CR
Security and Privacy Issues in Deep Learning
Seoul National University（首尔大学）；Ehwa University（梨花大学）
为了促进安全和私有的人工智能（SPAI），我们回顾了DNN的模型安全和数据隐私的研究。模型安全性允许系统按预期运行，而不受可能损害其完整性和效率的恶意外部影响。安全攻击可以根据它们发生的时间来划分：如果攻击发生在训练期间，则称为中毒攻击，如果它发生在推理期间（训练后），则称为逃避攻击。中毒攻击通过使用恶意示例破坏数据来破坏训练过程，而规避攻击使用对抗性示例来破坏整个分类过程。针对这种攻击提出的防御包括识别和删除恶意数据的技术，训练模型对这种数据不敏感，以及屏蔽模型的结构和参数以使攻击更难以实现。此外，模型训练中涉及的数据隐私也受到模型反演攻击等攻击的威胁，或者受到AI应用程序的不诚实服务提供商的威胁。为了维护数据隐私，已经提出了几种结合现有数据隐私技术的解决方案，包括差分隐私和现代密码技术。在本文中，我们描述了一些方法的概念，例如，同态加密，并回顾它们在深度学习模型中实现时的优势和挑战。
2021-03-10 cs.CR cs.LG stat.ML
Cloud-based MPC with Encrypted Data
University of Pennsylvania（宾夕法尼亚大学）
本文研究了线性系统中带有输入约束的云外包模型预测控制（MPC）的隐私问题，提出了一种部分同态加密系统来保护客户端数据隐私，并设计了两种云-MPC架构协议，分别由单个服务器和两个独立非合谋服务器计算控制输入，同时分析了加密引入的误差和通信、MPC性能与隐私之间的权衡。
2018-09-19 cs.CR cs.SY eess.SY
OPAF: Optimized Secure Two-Party Computation Protocols for Nonlinear Activation Functions in Recurrent Neural Network
针对两方半诚实场景下 RNN 非线性激活函数的安全计算，本文利用分治、对称性和输入微调优化 SIRNN，在保持最先进精度的同时显著降低运行时间。
2024-03-01 cs.CR
Federated Deep Learning with Bayesian Privacy
WeBank（微众银行）；Hong Kong University of Science and Technology（香港科技大学）；Shanghai Jiao Tong University（上海交通大学）
联邦学习（FL）旨在通过协作学习模型而不在用户之间共享私有数据来保护数据隐私。对于具有数十亿模型参数的深度神经网络的联邦学习，现有的隐私保护解决方案不能令人满意。基于同态加密（HE）的方法提供安全的隐私保护，但是遭受极高的计算和通信开销，使得其在实践中几乎无用。具有差分隐私（DP）的深度学习被实现为以可管理的复杂度成本的实用学习算法。然而，DP是容易受到侵略性的贝叶斯恢复攻击，在文献中公开，并在这项工作的实验结果中证明。为了解决上述困惑，我们提出了一种新的贝叶斯隐私（BP）框架，使贝叶斯恢复攻击被制定为从观察到的公共信息重建私人数据的概率。具体地，所提出的BP框架通过Kullback-Leibler（KL）关于隐私数据的先验分布与基于暴露信息的恢复隐私数据的后验分布之间的分歧来准确地量化隐私损失。据我们所知，这种贝叶斯隐私分析是第一个提供安全的隐私保护能力对贝叶斯恢复攻击的理论依据。作为一个具体的用例，我们证明了一种使用私有护照层的新型联邦深度学习方法能够同时实现高模型性能，隐私保护能力和低计算复杂性。理论分析是根据信息泄漏的经验测量广泛实验了各种DNN网络的图像分类MNIST，CIFAR 10和CIFAR 100数据集。
2021-09-27 cs.AI cs.CR cs.LG
