BioZKFHE: Scalable Encrypted Biometric Identification via Verifiable Homomorphic Similarity Evaluation
Shenzhen University（深圳大学）；Lancaster University（兰卡斯特大学）；University of Technology Sydney（悉尼科技大学）
研究大规模外包环境下生物特征识别问题，提出BioZKFHE框架，结合BGV同态计算等技术。采用SCMV打包和PVSC方法，减少加密存储、避免旋转密集匹配、使证明生成可行。实验表明该框架能实现接近无损识别，减少加密存储，缩短运行时间。
2026-10-28 cs.CR
Private Embedding Lookup with Encrypted Compact Queries under Fully Homomorphic Encryption
Department of Mathematical Sciences, Seoul National University（首尔大学数学科学系）；CryptoLab Inc.（CryptoLab公司）
针对全同态加密中私有嵌入查找开销大的问题，提出独立向量评估方法，通过构建线性无关向量替代独热向量，将向量生成成本从O(p log p)降至O(p)，并利用离散余弦变换基变换恢复嵌入向量，实现高达78.4倍的加速。
2026-06-07 cs.CR
A First Practical Fully Homomorphic Crypto-Processor Design: The Secret Computer is Nearly Here
根据作者在2014年提出的一系列完全同态加密处理器的硬件设计-一种通用处理器，在寄存器和内存中的加密数据上原生运行加密的机器码，从而产生加密的机器状态-我们讨论了第一个的工作原型，即所谓的“伪同态”设计。该处理器原则上是安全的，可以防止处理器的所有者/操作员对在其中运行的用户进程进行物理或基于软件的攻击。该处理器旨在作为新兴计算范例的更安全的选择，这些计算范例需要信任在远程位置执行的计算或由不受信任的操作员监督。该原型具有单流水线超标量体系结构，以两种不同的模式运行OpenRISC标准机器码。处理器在加密模式（非特权，“用户”模式，具有长流水线）下以未加密模式（特权，“管理程序”模式，具有短流水线）下速度的60-70%运行，在实际试验中平均每1.67-1.8个周期发出一条完整的加密指令。
2016-03-02 cs.CR
FLSSM: A Federated Learning Storage Security Model with Homomorphic Encryption
School of Computer Science and Technology, Zhengzhou University of Light Industry（郑州轻工业大学计算机科学与技术学院）
FLSSM通过同态加密技术解决联邦学习中的计算效率、攻击追溯和贡献评估问题，提升模型隐私保护和安全性能。
2025-04-15 cs.CR
Two-Server Delegation of Computation on Label-Encrypted Data
Catalano和Fiore提出了一种方案，将线性同态加密转换为能够对密文进行二次计算的同态加密方案。他们的方案基于线性同态加密（如Goldwasser-Micali，Paillier和ElGamal），需要在服务器上进行大整数运算。然后，他们的方案在服务器上进行了大量的计算。同时，他们的方案不能验证计算，也不能评估超过4度的计算。为了解决这些问题，我们不再使用基于数论假设的线性同态加密。我们使用标签和伪随机函数来加密消息，这大大减少了服务器的计算量，使我们能够使用同态MAC技术自然地实现可验证的计算。我们还扩展的方法来构建$d$服务器计划，允许客户端委托度$d$计算外包数据。
2021-04-26 cs.CR
Encrypted Federated Search Using Homomorphic Encryption
本文提出一种基于同态加密的隐私保护联邦搜索系统，使执法机构能在不解密数据的情况下跨分布式加密犯罪数据库执行查询，并集成CKKS与BFV方案以兼顾实时性、安全性和可扩展性。
2025-05-05 cs.CR
Quantum Search on Encrypted Data Based on Quantum Homomorphic Encryption
我们提出了一个基于量子同态加密的同态搜索协议，在该协议中，一个量子能力有限的客户端Alice可以将她加密的数据交给一个功能强大但不可信的量子服务器，让服务器在不解密的情况下搜索她。通过将交互式密钥更新过程外包给可信密钥中心，Alice只需要在线性时间内准备和加密她的原始数据并解密密码搜索结果。此外，我们还提出了一个紧凑且完全安全的Cliford电路的量子同态求值协议，其中解密密钥可以由Alice计算，且开销为密钥长度的多项式.
2020-03-22 cs.CR quant-ph
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
On the Weakness of Fully Homomorphic Encryption
全同态加密（FHE）允许任何人对加密数据执行计算，尽管没有秘密解密密钥。自Gentry于2009年开展工作以来，原始模型引起了许多研究人员的兴趣。在本文中，我们强调，加密数据上执行的任何计算都被约束到加密域（有限域或环）。这种限制使得原语对于涉及常见算术表达式和关系表达式的大多数计算都是无用的。它只适用于与模算术有关的计算。我们想重申，密码学大量使用模运算是为了掩盖和消除明文消息中的冗余，而不是执行任何数值计算。我们认为，FHE对客户端-服务器计算或云计算非常重要的说法可能言过其实。
2015-11-17 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
k-Anonymously Private Search over Encrypted Data
在本文中，我们比较了各种同态加密方法的性能上的私人搜索方案，可以实现$k$ -匿名隐私。为了使我们的基准测试公平，我们使用由专家编写并经过严格审查的开源加密库。我们发现Goldwasser-Micali加密在实际应用中达到了足够好的性能，而完全同态加密比部分加密（如Goldwasser-Micali和Paillier）慢得多。
2017-03-24 cs.CR
Fully Homomorphic Encryption Encapsulated Difference Expansion for Reversible Data hiding in Encrypted Domain
提出了一种全同态加密封装差分扩展（FHEE-DE）的加密域可逆数据隐藏（RDH-ED）方案。在该方案中，我们使用密钥交换和自举技术来控制密文扩展和解密失败。为了实现在不需要私钥的情况下直接从加密域中提取数据，设计了一种基于密钥交换的最低有效位（KS-LSB）数据隐藏方法。在应用中，用户首先对明文进行加密，然后将密文上传到服务器。然后服务器通过FHEE-DE和KS-LSB进行数据隐藏，获得标记后的密文。附加数据可以由服务器直接从标记的密文中提取，而无需私钥。用户可以解密标记的密文以获得标记的明文。然后，通过使用标准DE提取或恢复，可以从标记的明文中获得额外的数据或明文。引入差分进化算法的保真度约束，以减少标记明文的失真。FHEE-DE使服务器能够对标记的密文进行FHEE-DE恢复或提取，将原始明文或附加数据的密文返回给用户。此外，我们简化了所提出的通用FHEE-DE的同态运算，以获得一个有效的版本。实验结果表明，该方案的嵌入容量、保真度和可逆性均优于现有的RDH-ED方法，在不降低加密安全性的前提下实现了完全可分性.
2019-04-29 cs.CR
On the Security of Fully Homomorphic Encryption and Encrypted Computing: Is Division safe?
由于全同态加密和同态加密计算保留了诸如2*2=2+2的代数恒等式，因此自然的问题是，这种极其实用的特征是否也建立了使用加密的算术运算符来生成或识别已知常数的乘积的密码攻击。特别是，软件或硬件可能使用加密的加法和乘法来进行加密的除法，并传递x/x=1的加密。然后可以使用它来生成1+1=2等，直到获得完整的码本。这篇论文表明，没有公式或计算使用32位乘法x*y和三输入加法x+y+z，从未知的输入产生一个已知的常数。我们讨论了什么样的操作是类似的“安全”单独或在公司，并表明，32位除法在这个意义上是不安全的，但也有一些微不足道的修改，使之成为这样。
2014-11-18 cs.CR cs.DM
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
Privacy-Preserving Credit Card Approval Using Homomorphic SVM: Toward Secure Inference in FinTech Applications
本文提出PP-FinTech方案，利用CKKS同态加密SVM、混合核和自适应阈值机制，在信用卡审批中实现隐私保护且性能接近明文模型的安全金融机器学习推理。
2025-05-09 cs.CR
Enabling Secure Database as a Service using Fully Homomorphic Encryption: Challenges and Opportunities
至少在过去的十年里，数据库社区一直在努力查询加密数据，这将使安全的数据库作为服务解决方案。密码学界最近（2009年）的一项突破与全同态加密（FHE）有关，表明对加密数据的任意计算是可能的。然而，成功地采用FHE进行查询处理仍然是一个遥远的梦想，并且必须解决许多挑战。一个挑战是如何执行加密数据的代数查询处理，其中我们产生加密的中间结果，并且可以组合对加密数据的操作。在本文中，我们描述了加密数据的代数查询处理的解决方案，还概述了其他几个需要解决的挑战，同时还描述了可以从数据库社区查询加密数据的十年工作中吸取的教训。
2013-02-11 cs.CR cs.DB
Privacy Preserving Anomaly Detection on Homomorphic Encrypted Data from IoT Sensors
Technical University of Cluj-Napoca（克卢日-纳波卡理工大学）
本文提出一种在同态加密数据上高效检测异常值的隐私保护异常检测方法，通过改进TFHE方案中的直方图异常检测技术，克服输入大小和计算深度限制，实现无需解密的异常检测，具有鲁棒性和高效性。
2024-03-14 cs.CR
Towards the AlexNet Moment for Homomorphic Encryption: HCNN, theFirst Homomorphic CNN on Encrypted Data with GPUs
深度学习即服务（DLaaS）是基于云的推理应用程序的一个有前途的解决方案。在这种设置中，云具有预先学习的模型，而用户具有她想要运行模型的样本。如果输入样本是敏感数据，DLaaS最大的问题是用户隐私。我们在这里提供了一个高效的隐私保护系统，通过采用高端技术，如全同态加密（FHE），卷积神经网络（CNN）和图形处理单元（GPU）。FHE以其在加密数据上计算的众所周知的特性，为广泛的隐私相关应用提供了支持。这需要很高的成本，因为它需要巨大的计算能力。在本文中，我们展示了如何使用GPU加速在加密数据上运行CNN的性能。我们评估了两个CNN对MNIST和CIFAR-10数据集进行同态分类。我们的解决方案实现了足够的安全级别（> 80位）和合理的分类精度（99%）和（77.55%）MNIST和CIFAR-10，分别。在延迟方面，MNIST和CIFAR-10分别可以在5.16秒和304.43秒内对图像进行分类。我们的系统还可以对一批图像（> 8，000）进行分类，而无需额外的开销。
2020-08-18 cs.CR cs.LG
A review of homomorphic encryption and software tools for encrypted statistical machine learning
University of Oxford（牛津大学）
密码学的最新进展有望实现对加密数据的安全统计计算，从而可以在不需要首先解密的情况下执行有限的一组操作。我们审查这些同态加密方案的统计学家和机器学习者访问的方式，专注于相关的固有的局限性，在当前的最先进的状态。这些限制限制的统计和机器学习算法，可以实现，我们回顾那些已成功应用于文献。最后，我们记录了一个高性能的R包实现最近的同态计划的一般框架。
2015-08-26 cs.CR cs.LG stat.ML
TenSEAL: A Library for Encrypted Tensor Operations Using Homomorphic Encryption
École Supérieure en Informatique, Sidi Bel Abbès（西迪贝勒阿巴斯高等信息学院）；OpenMined
机器学习算法已经取得了令人瞩目的成果，并在各个领域得到了广泛的应用。这些算法通常依赖于敏感和私人数据，如医疗和财务记录。因此，必须进一步关注应用于机器学习模型的隐私威胁和相应的防御技术。在本文中，我们介绍了TenSEAL，一个使用同态加密的隐私保护机器学习的开源库，可以很容易地集成到流行的机器学习框架中。我们使用MNIST对我们的实现进行基准测试，并表明加密的卷积神经网络可以在不到一秒的时间内进行评估，使用不到半兆字节的通信。
2021-04-28 cs.CR cs.LG
CryptoUNets: Applying Convolutional Networks to Encrypted Data for Biomedical Image Segmentation
本文提出首个完全基于同态加密的隐私保护U-Net推理框架CryptoUNets，通过Double Volley Revolver编码方案支持跳跃连接与上采样，采用平方激活、平均池化及ConvTranspose2d等HE友好设计，在HEAAN库上实现加密生物医学图像分割。
2025-04-30 cs.CR
High-Resolution Convolutional Neural Networks on Homomorphically Encrypted Data via Sharding Ciphertexts
The Johns Hopkins University Applied Physics Laboratory（约翰霍普金斯大学应用物理实验室）
本研究拓展同态加密下的深度卷积神经网络评估方法，通过密文分片、优化行优先矩阵打包及训练正则化，实现高分辨率图像高效隐私推理，在ImageNet和CIFAR-10上分别取得80.2%和98.3%的准确率。
2024-01-29 cs.CR cs.LG
HERS: Homomorphically Encrypted Representation Search
Michigan State University（密歇根州立大学）
我们提出了一种方法来搜索一个探针（或查询）的图像表示对一个大的画廊在加密域。我们要求探针和图库图像以固定长度的表示形式表示，这对于从学习网络中获得的表示是典型的。我们的加密方案是不可知的固定长度的表示是如何获得的，因此可以应用于任何应用领域中的任何固定长度的表示。我们的方法，被称为HERS（同态加密表示搜索），操作通过（i）压缩表示向其估计的固有维数与最小的准确性损失（ii）加密压缩表示使用建议的完全同态加密计划，和（iii）有效地搜索直接在加密域中的加密表示的画廊，而不解密它们。在ImageNet等大型人脸、指纹和对象数据集上的数值结果表明，在加密域内进行准确和快速的图像搜索首次在规模上是可行的（500秒; $275\times$在加密搜索1亿个图库时的速度超过了最先进的技术）。代码可在https://github.com/human-analysis/hers-encrypted-image-search上获得
2022-06-18 cs.CR cs.CV cs.LG
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
Cachemir: Fully Homomorphic Encrypted Inference of Generative Large Language Model with KV Cache
Columbia University（哥伦比亚大学）；Peking University（北京大学）；Virginia Tech（弗吉尼亚理工大学）
Cachemir通过整合KV缓存优化同态加密推理，实现高效生成式大语言模型推理。
2026-02-12 cs.CR
Precise Approximation of Convolutional Neural Networks for Homomorphically Encrypted Data
同态加密是隐私保护机器学习（PPML）分类的代表性解决方案之一，使得服务器能够在保证隐私的同时对客户端的隐私数据进行分类。本文主要研究了基于全同态加密（FHE）的PPML。为了在逐字同态加密（HE）上实现深度学习，ReLU和最大池化函数应该由用于同态运算的一些多项式来近似。以前的大多数研究都集中在HE友好的网络上，其中ReLU和最大池函数使用低次多项式近似。然而，对于CIFAR-10数据集的分类，使用低次多项式需要设计新的深度学习模型和训练。此外，这种通过低次多项式的近似由于大的近似误差而不能支持更深的神经网络。因此，我们为ReLU和max-pooling函数提出了一种精确的多项式近似技术。使用单个多项式的精确近似需要指数高次多项式，这导致大量的非标量乘法。因此，我们提出了一种方法，使用小次数的极小极大近似多项式的组合来精确地近似ReLU和最大池化函数。如果我们用提出的近似多项式替换ReLU和最大池化函数，那么经过充分研究的深度学习模型（如ResNet和VGGNet）仍然可以在FHE上使用，而无需进一步修改PPML。即使是预训练的参数也可以使用，无需重新训练。我们使用次数为15、27和29的极大极小近似多项式的组合来近似ResNet-152中的ReLU和最大池化函数。然后，我们成功地对明文ImageNet数据集进行了分类，准确率为77.52%，非常接近原始模型的准确率78.31%。
2021-06-14 cs.CR
HE-LRM: Encrypted Deep Learning Recommendation Models using Fully Homomorphic Encryption
New York University（纽约大学）；LG Electronics USA, Inc.（LG电子美国公司）
HE-LRM通过全同态加密实现高效隐私保护的嵌入查找，提升神经推断性能。
2026-07-21 cs.CR
Homomorphically encrypted gradient descent algorithms for quadratic programming
本文评估同态加密方案，提出并数值分析CKKS方案下梯度下降算法求解二次规划的可行性，强调乘法深度限制与步长选择，首次展示同态加密梯度下降的可行性。
2023-09-04 cs.CR cs.SY eess.SY
Collaborative Homomorphic Computation on Data Encrypted under Multiple Keys
Rochester Institute of Technology（罗切斯特理工学院）；Taif University（塔伊夫大学）
同态加密（HE）是一种很有前途的加密技术，用于实现云中的安全协作机器学习。然而，在多个密钥下对密文的同态计算的支持是低效的。目前的解决方案通常需要在任何计算之前设置密钥，或者产生很大的密文大小（最多线性增长到所涉及的密钥的数量）。在本文中，我们提出了一种新的方法，利用阈值和多密钥HE支持不同密钥下的密文计算。我们的新方法消除了在每个客户端和模型所有者之间设置密钥的需要。同时，这种方法减少了要卸载到云评估器的加密模型的数量，并且密文大小从（N+1）x2减少到2x2。我们介绍了每个步骤的细节，并讨论了我们方法的复杂性和安全性。
2019-11-11 cs.CR cs.LG
An End-to-End Homomorphically Encrypted Neural Network
INTELI - Institute of Technology and Leadership（INTELI技术与领导力学院）
提出基于同态加密的端到端神经网络架构，实现加密数据上的隐私保护推理，并引入可微Soft-Argmax层提升安全性，在SST-2上达到普通模型82.5%的准确率。
2025-02-27 cs.AI cs.CR
Privacy-preserving Similarity Calculation of Speaker Features Using Fully Homomorphic Encryption
机器学习技术的最新进展使自动语音识别（ASR）更加准确和实用。这一点的证据可以从越来越多的具有语音处理功能的智能设备中看出。我们身边越来越多的设备都内置了ASR技术。这构成了严重的隐私威胁，因为语音包含独特的生物特征和个人数据。然而，如果在加密域中处理语音特征，则可以减轻隐私问题。在此背景下，本文提出了一种算法，重新设计的后端说话人确认系统使用全同态加密技术。该解决方案利用全同态加密方案来获得实时和非交互式的解决方案。所提出的解决方案包含一种基于Newton Raphson方法的新方法，以克服CKKS方案的局限性（即，计算加密数的平方根倒数）。这提供了一种有效的解决方案，具有较少的乘法深度，精度损失可忽略不计。使用一个著名的语音数据集验证所提出的算法。该算法进行了验证在实时（小于1.3秒的延迟）为2.8%的等错误率损失相比，平面域验证。
2022-03-14 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
CHEM: Efficient Secure Aggregation with Cached Homomorphic Encryption in Federated Machine Learning Systems
虽然同态加密可以被合并到神经网络层中以保护机器学习任务，例如在联邦学习中对加密数据样本和加密本地模型的机密推断，但计算开销一直是致命弱点。本文提出了一种缓存协议，即CHEM，张量密文可以从一个池的缓存的基数，而不是执行昂贵的加密操作构建。从理论的角度来看，我们证明了CHEM是语义安全的，并可以在实际的假设下进行简单的分析参数化。在三种常用的公共数据集上的实验结果表明，采用CHEM算法仅产生亚秒级的加密开销，但在机密推理中对输入数据样本进行编码时，加密代价降低了48%~ 89%，在联邦学习中对局部模型进行编码时，加密代价降低了67%~ 87%.
2022-12-22 cs.CR
Secure Inference for Vertically Partitioned Data Using Multiparty Homomorphic Encryption
针对垂直分区数据，提出基于多方同态加密的安全推理协议，通过打包方案聚合密文实现加密域推理，避免传输模型权重。
2024-07-22 cs.CR
Towards Homomorphic Inference Beyond the Edge
超边缘设备可以在没有电池的情况下脱离电网运行，使它们能够在难以进入的地区运行。然而，报告结果或卸载计算所需的能量昂贵的长距离通信成为限制。在这里，我们通过开发一个超越边缘的设备来减少这种开销，该设备可以有效地充当附近的服务器来卸载计算。出于安全原因，该设备必须对加密数据进行操作，这会产生很高的开销。我们使用节能和安全的内存计算来实现这种加密计算，使其能够在几毫瓦的功率预算内为超越边缘的应用提供加速。
2021-12-10 cs.CR
Encrypted Value Iteration and Temporal Difference Learning over Leveled Homomorphic Encryption
我们考虑了一种基于同态加密（HE）的机密云控制合成架构。我们的研究是由最近激增的数据驱动控制，如深度强化学习，其繁重的计算需求往往需要外包给第三方服务器。为了实现比部分同态加密（PHE）更大的灵活性和比完全同态加密（FHE）更少的计算开销，我们考虑了基于分层同态加密（LHE）的强化学习（RL）架构。我们首先表明，在基于模型的表格值迭代（VI）的收敛性的千金金宋（CKKS）加密方案的加密噪声的影响，可以解析有界。我们还考虑了TD（0）、SARSA（0）和Z-学习算法在CKKS方案上的安全实现，其中我们用数值方法证明了加密噪声对这些算法的影响也是最小的。
2021-03-20 cs.CR cs.SY eess.SY
HE-Guardrail: A Homomorphic Guardrail Against Jailbreak Attacks for Encrypted Large Language Model Inference
Pohang University of Science and Technology (POSTECH)（浦项科技大学）；Inha University（仁荷大学）；Daegu Gyeongbuk Institute of Science and Technology (DGIST)（大邱庆北科学技术院）
针对HE-LLM推理中恶意客户端越狱攻击难以检测的问题，提出HE-Guardrail框架，在加密数据上同态运行防护栏并控制响应返回，实验复现明文防护栏决策，实现安全-效率-效用权衡。
2026-09-21 cs.AI cs.CR
Input-Output History Feedback Controller for Encrypted Control with Leveled Fully Homomorphic Encryption
针对全同态加密下动态控制器因溢出导致系统失稳或性能下降的问题，提出基于输入-输出历史数据的加密控制器表示方法，通过批处理优化实现无失稳与性能保持，并理论分析与仿真验证了其可行性与稳定性。
2023-05-19 cs.CR cs.SY eess.SY
A Survey on Homomorphic Encryption Schemes: Theory and Implementation
传统加密系统依赖于在交换加密消息时所涉及的对等体之间共享密钥（公共或私有）。然而，这种方法带来了隐私问题。特别是在流行的云服务中，对敏感数据隐私的控制将丢失。即使不共享密钥，加密材料也会与不一定需要访问内容的第三方共享。此外，不受信任的服务器、提供商和云运营商可以在用户结束与服务的关系后很长一段时间内继续识别用户的元素。事实上，同态加密（HE），一种特殊的加密方案，可以解决这些问题，因为它允许任何第三方对加密的数据进行操作，而无需提前解密。虽然HE方案的这个非常有用的特征已经被知道超过30年，但是第一个合理且可实现的全同态加密（FHE）方案，其允许任何可计算函数对加密数据执行，是由Craig Gentry在2009年引入的。尽管这是一项重大成就，但到目前为止的不同实现表明，FHE仍然需要显着改进，才能在每个平台上实用。首先，我们介绍了HE的基础知识和众所周知的部分同态加密（PHE）和部分同态加密（SWHE）的细节，这是实现FHE的重要支柱。在此基础上，介绍了FHE的主要族系，为后续FHE方案的研究奠定了基础。此外，Gentry型FHE方案的实现和最近的改进也进行了调查。最后，对今后的研究方向进行了展望。本调查旨在为有兴趣了解、应用和扩展最先进的HE、PHE、SWHE和FHE系统的研究人员和从业人员提供明确的知识和基础。
2017-10-06 cs.CR
Encrypt What Matters: When Selective Homomorphic Inference Is Efficient
Massachusetts Institute of Technology（麻省理工学院）
本文研究选择性同态推理，仅加密敏感区域，发现局部性架构可大幅加速，全局混合架构无加速，局部性是关键属性。
2026-09-10 cs.CR cs.LG
Compressed Oblivious Encoding for Homomorphically Encrypted Search
全同态加密（FHE）为安全搜索提供了一个简单、有吸引力的框架。与其他安全搜索系统相比，不需要昂贵的设置过程;客户端只需将加密的数据库上传到服务器就足够了。提供机密性是因为服务器只对加密的查询和记录进行操作。而搜索功能由加密方案的完全同态来实现。因此，这一问题越来越受到研究者的关注。自从Akavia等人（CCS 2018）提出了一个在FHE加密数据上进行安全搜索的框架，并给出了一个名为SPiRiT的工作实现以来，已经提出了几种更有效的实现。在本文中，我们确定了这个框架的主要瓶颈，并展示了如何显着提高性能的FHE为基础的安全搜索。特别地，1.为了检索$\ell$匹配项，现有框架需要顺序地重复协议$\ell$次。在我们的新框架中，所有匹配项都在单个协议执行中并行检索。2. Wren等人的最新工作（CCS 2020）需要$O(n)$乘法来计算第一个匹配索引。我们的解决方案不需要同态乘法，而是只使用加法和标量乘法来编码所有匹配的索引。3.我们的实现和实验表明，获取16个匹配的记录，我们的系统提供了一个1800倍的速度比最先进的在获取查询结果，导致在一个26倍的速度为完整的搜索功能。
2021-09-16 cs.CC cs.CR
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
Hyena: Optimizing Homomorphically Encrypted Convolution for Private CNN Inference
针对隐私CNN推理中卷积层延迟占比过高的问题，本文提出Hyena框架，通过基于Walsh-Hadamard矩阵的明文乘法算法、最优加密参数选择与懒约简优化同态卷积，在多个深度CNN模型上实现了延迟、内存与通信成本的显著降低。
2025-03-24 cs.CR
PrivFT: Private and Fast Text Classification with Homomorphic Encryption
A*STAR（新加坡科技研究局）；Inferati Inc（Inferati公司）；Microsoft Research（微软研究院）
由于隐私风险的严重性，对隐私保护分析的需求比以往任何时候都要高，并且要遵守新的隐私法规，这导致对试图在隐私和实用性之间取得平衡的隐私保护技术的兴趣被放大。在这项工作中，我们提出了一种有效的方法，文本分类，同时保护隐私的内容使用全同态加密（FHE）。我们的系统（命名为\textbf{Priv} ate \textbf{F} ast \textbf{T} ext（PrivFT））执行两个任务：1）使用明文模型对加密的用户输入进行推理，2）使用加密的数据集训练有效的模型。对于推理，我们训练一个监督模型，并概述了一个系统的同态推理加密用户输入的预测精度为零损失。在第二部分中，我们展示了如何使用完全加密的数据来训练模型以生成加密模型。我们提供了一个GPU实现的千金金宋（CKKS）FHE计划，并将其与现有的CPU实现，以实现1至2个数量级的加速在各种参数设置。我们在GPU中实现PrivFT，以实现每次推理的运行时间小于0.66秒。在相对较大的加密数据集上进行训练的计算量更大，需要5.04天。
2019-11-18 cs.CR cs.LG
Homomorphic-Encrypted Volume Rendering
计算要求高的任务通常在专用数据中心进行计算，实时可视化也遵循这一趋势。但是，某些渲染任务需要最高级别的机密性，以便除所有者外，任何其他方都无法读取或查看敏感数据。在这里，我们提出了一个直接的体渲染的方法，执行体渲染直接加密体数据上使用同态Paillier加密算法。这种方法确保体数据和渲染图像对于渲染服务器是不可解释的。我们的体渲染管道引入了新的方法，用于加密数据合成，插值和不透明度调制，以及简单的传递函数设计，其中每个例程都保持最高级别的隐私。我们提出的性能和内存开销分析，是与我们的隐私保护计划。我们的方法是开放和安全的设计，而不是通过默默无闻的安全。数据的所有者只需要对他们的安全密钥保密，以保证他们的体积数据和渲染图像的隐私。据我们所知，我们的工作是第一个隐私保护的远程体绘制方法，不需要任何服务器是值得信赖的;即使在服务器被泄露的情况下，也不会有敏感数据泄露给外国。
2020-10-15 cs.CR cs.GR
Encrypted Vector Similarity Computations Using Partially Homomorphic Encryption: Applications and Performance Analysis
Vorboss Limited（沃博斯有限公司）；Ibn Haldun University（伊本·赫勒敦大学）
本文提出利用部分同态加密结合向量预归一化实现加密余弦相似度搜索，在LFW人脸识别等任务上验证其相比全同态加密更快、更省资源，适合隐私保护场景。
2025-03-07 cs.CR cs.CV cs.LG
A Review on Searchable Encryption Functionality and the Evaluation of Homomorphic Encryption
本文综述2019至2023年云服务中可搜索加密的功能进展，并评估全同态加密方案，指出通过功能聚合提升效率是当前研究趋势。
2023-12-22 cs.CR
FHE-SQL: Fully Homomorphic Encrypted SQL Database
FHE-SQL提出一种全同态加密数据库系统，在加密状态下执行通用SQL查询，消除泄漏渠道，无需可信硬件，并通过间接架构降低密文开销，实现端到端隐私保护。
2025-10-17 cs.CR cs.DB
Privacy-Preserving Cyberattack Detection in Blockchain-Based IoT Systems Using AI and Homomorphic Encryption
提出一种结合AI与同态加密的隐私保护攻击检测框架，部署于区块链节点，通过SIMD打包和FedAvg分布式学习实现高效加密训练，检测精度损失仅0.01%。
2024-12-18 cs.CR
GoldenRetriever: Non-Interactive Homomorphic Encrypted Retrieval for Privacy-Preserving RAG
University of Central Florida（中佛罗里达大学）；Florida International University（佛罗里达国际大学）；University of Florida（佛罗里达大学）
针对现有隐私保护RAG检索方案延迟高、易泄露的问题，提出基于阈值选择的非交互式同态加密检索框架，通过CKKS同态计算与掩码极化方法实现高效安全的检索，性能优于排名式加密方法。
2026-08-03 cs.CL cs.CR cs.IR
NSHEDB: Noise-Sensitive Homomorphic Encrypted Database Query Engine
UC Riverside（加州大学河滨分校）；Meta
NSHEDB通过字级分层同态加密和噪声感知查询计划器，实现了高效安全的同态加密数据库查询，显著提升性能并减少存储需求。
2026-02-27 cs.CR cs.DB
I can't see it but I can Fine-tune it: On Encrypted Fine-tuning of Transformers using Fully Homomorphic Encryption
Georgia State University（佐治亚州立大学）；Old Dominion University（老道明大学）
针对隐私法规限制下的数据共享难题，本文提出隐私保护微调系统 BlindTuner，支持仅在同态加密数据上训练 transformer 进行图像分类，准确率媲美未加密模型，速度较先前工作提升 1.5 至 600 倍。
2024-02-14 cs.AI cs.CR cs.LG
Blind-Touch: Homomorphic Encryption-Based Distributed Neural Network Inference for Privacy-Preserving Fingerprint Authentication
本文提出Blind-Touch系统，通过同态加密和分布式神经网络推理实现隐私保护指纹认证，在保持高准确率的同时显著提升云端处理效率。
2024-04-01 cs.CR
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
