A secure additive protocol for card players
考虑三个玩家Alice、Bob和Cath，他们分别持有a、b和c张牌，这三张牌来自一副d = a + b + c的牌。牌都是不同的，玩家只知道自己的牌。假设Alice和Bob希望在Cath不知道Alice或Bob是否持有特定卡片的情况下相互传递他们的卡片。把牌看作连续的自然数0，1，.我们研究了当Alice或Bob可以安全地宣布他们所持有的卡的总和模一个适当选择的整数时的一般条件。我们证明了这在a，b> 2和c = 1时成立。因为Cath只拿一张牌，这也意味着Alice和Bob会从其他玩家的公告中得知牌的处理。
2011-11-01 cs.CR cs.DM
Highly Scalable Beaver Triple Generator from Additive-only Homomorphic Encryption
在卷积神经网络中，线性标量积、非线性激活函数和最大池计算的组合被密集地调用。因此，为了设计和实现隐私保护、高效率的机器学习机制，人们高度需要用于安全算术计算的实用密码工具。SPDZ是一个有趣的安全多方计算框架，如果能够有效地离线生成Beaver（乘法）三元组，则它是部署用于工业规模机器学习开发的有前途的技术。本文研究了安全而有效的海狸三重生成器利用隐私保护的标量积协议，反过来可以构造从加法只同态加密（AHEs）。不同于国家的最先进的解决方案，其中一方首先将她的私人输入分割成一个共享向量，然后调用AHE计算由单个MPC服务器管理的共享向量的标量积，我们形式化海狸三元组生成器在2方共享标量积协议的上下文中，然后分配生成的份额到MPC服务器。因此，本文中提出的协议可以被看作是一个双重建设的国家的最先进的AHE为基础的解决方案。此外，而不是应用Paillier加密作为我们以前的建设的基础上，或继承从有点同态加密，我们提出了另一种建设的AHE从多项式环学习错误（RLWE）的结果在一个有效的实施海狸三重生成器。
2022-02-13 cs.CR
Chameleon: A Hybrid Secure Computation Framework for Machine Learning Applications
UC San Diego（加州大学圣迭戈分校）；TU Darmstadt（达姆施塔特工业大学）
我们提出了变色龙，一种新的混合（混合协议）框架的安全功能评估（SFE），使双方能够共同计算的功能，而不透露他们的私人输入。Chameleon结合了通用SFE协议的最佳方面和基于附加秘密共享的协议。特别地，该框架使用加性秘密共享值在环$\mathbb{Z}_{2^l}$中执行线性操作，并且使用姚的乱码电路或Goldreich-Micali-Wigderson协议执行非线性操作。Chameleon偏离了加性或线性秘密共享模型的常见假设，其中三方或多方需要在在线阶段进行通信：该框架允许具有私人输入的两方在离线阶段在第三方节点生成相关随机性的假设下在在线阶段进行通信。几乎所有繁重的密码操作都是在离线阶段预先计算的，这大大减少了通信开销。Chameleon是可扩展的，并且比它所基于的ABY框架（NDSS'15）更有效。我们的框架支持带符号的定点数。特别地，Chameleon的有符号定点数的向量点积提高了基于大量矩阵乘法的算法的加密数据的挖掘和分类的效率。我们在5层卷积深度神经网络上对Chameleon的评估显示，执行速度分别比Microsoft CryptoNets（ICML'16）和MiniONN（CCS'17）快133倍和4.2倍。
2018-01-10 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
A Survey on Limitation, Security and Privacy Issues on Additive Manufacturing
增材制造（AM）的发展速度之快超出了任何人的想象，它现在已经是一个价值数十亿美元的产业。增材制造在汽车、航空航天、生物医学和制药等各个领域都很流行，用于生产零件/组件/子系统。然而，当前的AM技术可能面临安全问题和隐私丢失的巨大风险。针对增材制造过程的安全问题，许多研究人员都在研究防御机制，以应对这些安全问题，并寻找有效的方法来消除这些风险。研究人员还一直在进行实验，为用户的隐私和安全组件建立一个安全框架。这项调查包括四个部分。在第一部分中，我们将探讨增材制造在打印能力、安全性和可能的解决方案方面的相关限制。第二部分将介绍对AM的不同类型的攻击及其影响。下一部分将分析和讨论AM设备的访问控制和认证机制和框架。最后一节审查了各个工业部门的安全问题，并提供了对增材制造过程安全性的观察。
2021-03-11 cs.CR
Scalable and Private Federated Learning Using Distributed Differential Privacy and Secure Aggregation
Université Paris Cité（巴黎Cité大学）
本文提出DDP-SA框架，结合客户端侧本地差分隐私和全阈值加法秘密共享，实现安全聚合，提供更强的端到端隐私保障且计算可行。
2026-06-06 cs.CR cs.LG
AHSecAgg and TSKG: Lightweight Secure Aggregation for Federated Learning Without Compromise
针对联邦学习安全聚合计算开销高的问题，提出基于加法同态掩码的 AHSecAgg 协议及基于门限签名的 TSKG 密钥生成方法，在保证安全、掉线处理和模型精度的同时提升效率。
2023-12-11 cs.CR
Pure Differential Privacy from Secure Intermediaries
最近的工作在差分隐私探索了本地随机化与安全的中介相结合的前景。具体来说，在安全混洗模型（其中中介随机地置换消息）以及安全聚合模型（其中中介添加消息）中存在各种协议。这些协议大多局限于近似差分隐私。一个例外是Ghazi，Golowich，Kumar，Manurangsi，Pagh和Velingker的shuffle协议（arXiv：2002.01919）：它在纯差分隐私下计算有界和。它的加性误差是$\tilde{O}(1/\varepsilon^{3/2})$，其中$\varepsilon$是隐私参数。在这项工作中，我们给出了一个新的协议，确保$O(1/\varepsilon)$错误下纯差分隐私。我们还展示了如何使用它来测试均匀分布在$[d]$。测试人员的样本复杂度对$d$有最佳依赖性。我们的工作依赖于一类新的安全中介机构是独立的利益。
2021-12-27 cs.CR cs.DS
SePEnTra: A secure and privacy-preserving energy trading mechanisms in transactive energy market
本文提出SePEnTra模型，利用加法秘密共享和Pedersen承诺，在交易能源市场中实现安全隐私的能源数据共享与恶意活动检测，同时保持低计算复杂度和通信开销。
2023-04-12 cs.CR
The Poisson binomial mechanism for secure and private federated learning
Stanford University（斯坦福大学）；Google Research（谷歌研究院）
我们介绍了Poisson Binomial机制（PBM），这是一种用于分布式均值估计（DME）的离散差分隐私机制，可应用于联邦学习和分析。我们对其隐私保证进行了严格的分析，表明它实现了与连续高斯机制相同的隐私准确性权衡。我们的分析是基于一个新的约束上的两个泊松二项分布，可能是独立的利益的雷尼分歧。与以前的离散DP计划的基础上加性噪声，我们的机制编码到一个参数的二项分布的本地信息，因此输出分布是离散的有界支持。此外，支持度不像在需要添加更多噪声以实现更高隐私的加法方案的情况下那样随着隐私预算$\varepsilon \rightarrow 0$而增加;相反，支持度随着$\varepsilon \rightarrow 0$而变小。有界支持使我们能够将我们的机制与安全聚合（SecAgg），一个多方密码协议，而不需要执行模块化裁剪，从而导致在一个无偏估计的本地向量的总和。这反过来又允许我们在私有FL设置中应用它，并提供SGD算法收敛速度的上限。此外，由于输出分布的支持度随着$\varepsilon \rightarrow 0$的增大而减小，因此该方案的通信代价随着隐私约束$\varepsilon$的增大而减小，在高隐私或低通信条件下优于所有基于加性噪声的分布式DP方案.
2022-07-09 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
Scalable Multi-Party Privacy-Preserving Gradient Tree Boosting over Vertically Partitioned Dataset with Outsourced Computations
由于隐私问题，多方梯度树提升算法已经在机器学习研究人员和从业者中变得广泛流行。然而，有限的现有作品集中在垂直分区的数据集，和少数现有的作品要么是不可扩展的或往往泄漏信息。因此，在这项工作中，我们提出了SSXGB，这是一个可扩展和安全的多方梯度树提升框架，用于部分外包计算的垂直分区数据集。具体地说，我们采用了一个加性同态加密（HE）的安全方案。我们设计了两个子协议的基础上的HE计划执行非线性操作与梯度树提升算法。接下来，我们在SSXGB框架下提出了一个安全的训练和预测算法。然后，我们提供了理论的安全性和通信分析所提出的框架。最后，我们使用两个真实世界的数据集的实验评估的框架的性能。
2022-02-07 cs.CR
PrivFL: Practical Privacy-preserving Federated Regressions on High-dimensional Data over Mobile Networks
联邦学习（FL）使大量用户能够共同学习由集中式服务器协调的共享机器学习（ML）模型，其中数据分布在多个设备上。这种方法使服务器或用户能够使用梯度下降来训练和学习ML模型，同时将所有训练数据保持在用户的设备上。我们考虑在移动网络上训练ML模型，其中用户辍学是一种常见现象。虽然联邦学习旨在降低数据隐私风险，但ML模型隐私并没有受到太多关注。在这项工作中，我们提出了PrivFL，这是一个隐私保护系统，用于训练（预测）线性和逻辑回归模型以及联邦设置中的不经意预测，同时保证数据和模型隐私，并确保用户退出网络的鲁棒性。基于加性同态加密（HE）方案和聚合协议，设计了两种隐私保护协议用于训练线性和逻辑回归模型。利用联邦学习的训练算法，在我们的训练协议的核心是一个安全的多方全局梯度计算活用户的数据。我们分析了我们的训练协议对半诚实的对手的安全性。只要聚合协议在聚合隐私博弈下是安全的，并且加性HE方案是语义安全的，PrivFL保证了用户对服务器的数据隐私，以及服务器对用户的回归模型隐私。我们展示了PrivFL在真实数据集上的性能，并展示了它在联邦学习系统中的适用性。
2020-04-05 cs.CR
SLIP-SEC: Formalizing Secure Protocols for Model IP Protection
Microsoft（微软）
本文提出SLIP混合推理协议的形式化框架与安全基础，通过权重矩阵加法分解、掩码及概率验证技术构建安全推理协议，证明其对诚实但好奇敌手的信息论安全与对恶意敌手的低误差鲁棒性，为大语言模型知识产权保护提供理论支撑。
2025-10-28 cs.CR
NFSA: Non-Forward Secure Aggregation with One Server via Two Layer Secret Sharing
Sun Yat-sen University（中山大学）
研究针对联邦学习中模型更新致数据泄露问题，提出基于两层秘密共享的安全聚合协议，结合多种技术消除用户直接通信与服务器数据转发，设计新编码方法减少开销，实验表明该方案在多方面显著优于现有方法。
2026-07-17 cs.CR
Loss-tolerant quantum secure positioning with weak laser sources
量子位置验证（QPV）是验证不可信方的地理位置的技术。最近，它已被证明，广泛研究的Bennett & Bennard 1984（BB84）QPV协议是不安全的3 dB损失点后，假设本地操作和经典通信（LOCC）的对手。在这里，我们提出了一个时间反转的纠缠交换QPV协议（基于测量设备无关的量子密码），对量子信道损失是高度鲁棒的。首先，假设理想的量子比特源，我们表明，该协议是安全的，对LOCC对手的任何量子信道损失，从而克服了3 dB的损失限制。然后，我们分析了协议的安全性，在一个更实际的设置，涉及弱激光源和线性光学。在这种设置中，我们发现，安全性只降低了一个附加常数和协议能够验证位置高达47 dB的信道损耗。
2016-07-27 cs.CR quant-ph
Post-Quantum Secure Aggregation via Code-Based Homomorphic Encryption
Technical University of Munich（慕尼黑工业大学）
本文提出了一种基于编码的后量子安全聚合方案，利用LPN假设和CRT优化，实现更高效的通信和安全性。
2026-10-16 cs.CR cs.IT math.IT
A Novel Effective, Secure and Robust CDMA Digital Image Watermarking in YUV Color Space Using DWT2
本文将CDMA数字图像水印技术应用于所有权验证和图像认证中，为了提高水印的安全性，将水印W转换为一个序列，然后采用一个随机二进制序列R对水印进行加密，其中n为水印的大小。该采用过程使用伪随机数发生器来确定要在给定键上使用的像素。该方法将宿主图像转换到YUV颜色空间，然后对Y通道进行小波分解，利用加性伪随机噪声模式的相关性将水印嵌入到Y通道的选定子带系数中。实验结果表明，与同类方法相比，该方法具有更好的不可见性、安全性和鲁棒性，能够抵抗JPEG压缩和各种噪声攻击。此外，该方法不需要原始图像来提取水印。
2012-06-19 cs.CR cs.MM
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
A Distributed Computing Perspective of Unconditionally Secure Information Transmission in Russian Cards Problems
考虑了$A$通过被窃听者$C$偷听到的公共通告向$B$秘密发送信息的问题。为了通过确定性协议来实现这一点，它们的输入必须是相关的。相关输入使用一副牌来表示。存在公知的签名$(a,b,c)$，其中$n = a + b + c + r$和$A$得到一副$n$卡中的$a$卡，$B$得到$b$卡，而$C$得到$c$卡。使用确定性协议，$A$根据她的手来决定其通告。利用编码理论、Johnson图和加法数论中的技术，从分布式计算理论出发，分析了$A$需要发送的信息量，同时防止$C$学习到一手牌.在一个极端，即广义的俄罗斯牌问题中，$B$希望学习$A$的所有牌，而在另一个极端，$B$希望学习$A$的牌。
2020-09-28 cs.CR cs.DC cs.DM
Secure Over-the-Air Computation using Zero-Forced Artificial Noise
Technical University of Munich（慕尼黑工业大学）
空中计算有可能提高数据依赖的分布式无线系统的通信效率，但容易受到窃听。我们考虑在块衰落加性高斯白噪声信道中存在一个被动窃听的空中计算。我们的目标是设计一个安全的空中计算方案。我们提出了一个方案，实现MSE的安全性对窃听者采用零强迫人工噪声，同时保持在合法的接收器小的失真。与以前的方法相比，安全性不依赖于外部帮助节点来干扰窃听者的接收信号。我们彻底设计了该方案的系统参数，提出了一种利用未使用的发射功率来保证安全的人工噪声设计，并给出了一个明确的构造规则。我们的设计方法是适用于这两种情况下，如果窃听者的信道系数是已知的，如果他们是未知的信号设计。仿真结果表明，我们的噪声设计的性能优于其他方法。
2022-12-22 cs.CR cs.IT cs.LG
Information-Theoretic Distributed Point Functions with Shorter Keys
Institute of Mathematical Sciences, ShanghaiTech University（上海科技大学数学科学学院）；School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）
本文提出一种基于PIR的完美安全1-私密信息理论分布式点函数，输出群为Z_p，密钥更短且更高效。
2026-04-27 cs.CR
Secure and Energy-Efficient Data Aggregation in Wireless Sensor Networks
中间结点（称为聚合节点）的数据聚合是无线传感器网络（WSNs）中优化带宽和能量等稀缺资源消耗的有效方法。然而，网络内处理对传感器数据的隐私提出了问题，因为在可以执行聚合过程之前，聚合器节点需要知道传感器节点的各个数据。在无线传感器网络的应用中，由于传感器数据的敏感性，隐私保护的数据聚合已成为一个重要的要求。研究人员为此提出了许多协议和方案。He等人（INFOCOM 2007）提出了一种称为CPDA的协议，用于以隐私保护的方式进行附加数据聚合，以应用于无线传感器网络。该计划相当受欢迎和众所周知。尽管该协议的流行，它已被发现，该协议是容易受到攻击，它也不是能源效率。在本文中，我们首先提出了一个简短的国家的最先进的调查目前的隐私保护数据聚合协议的WSNS。然后，我们描述了CPDA协议，并确定其安全漏洞。最后，我们展示了如何协议可以安全和能源效率。
2012-03-04 cs.CR cs.NI
One-Shot Secure Aggregation: A Hybrid Cryptographic Protocol for Private Federated Learning in IoT
Department of Computer Science, University of Arkansas at Little Rock, USA（计算机科学系，阿肯色州立大学拉斐特分校）
Hyb-Agg通过结合多密钥CKKS加密和ECDH加法掩码，实现轻量且高效的隐私保护联邦学习，在物联网中解决通信瓶颈问题。
2025-11-28 cs.AI 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
SSNet: A Lightweight Multi-Party Computation Scheme for Practical Privacy-Preserving Machine Learning Service in the Cloud
Northeastern University（东北大学）；Indiana University Bloomington（印第安纳大学伯明顿分校）；University of Connecticut（康涅狄格大学）；University of Massachusetts Dartmouth（马萨诸塞大学达特茅斯分校）；North Carolina State University（北卡罗来纳州立大学）
提出SSNet，首次采用Shamir秘密共享作为基于MPC的机器学习框架骨干，通过开发适配的安全深度学习原语、计算正确性验证策略及非线性操作掩码策略，在Amazon AWS上实现3至44倍加速，并首次支持五方安全推理。
2024-06-04 cs.CR cs.LG
A Secure Self-synchronized Stream Cipher
我们遵循本文的两个主要目标。一方面，我们引入了一个安全模型称为LORBACPA $^+$的自同步流密码，这是强于分块LOR-IND-CPA，在这里我们表明，标准的建设，延迟CBC或类似的现有的自同步操作模式是不安全的，在这个更强的模型。另一方面，在G.~ Millérioux等人，提出了一种新的自同步流密码，并在LORBACPA $^+$模型下证明了其安全性。
2017-09-25 cs.CR
Automated Composition of Security Protocols
确定两个协议是否可以安全地组合，不仅需要分析它们的附加属性，还需要分析它们的破坏属性。在本文中，我们提出了一种新的组合方法，用于构建协议的基础上，现有的文献中发现，可以完全自动化。通过协议前提条件和效果的组合来确保组合协议的附加属性，所述协议前提条件和效果分别表示对于要执行的协议必须保持的条件和在执行协议之后保持的条件。最后，通过分析所涉及协议的独立性，验证了最终合成协议的非破坏性，这是作者在以前的工作中提出的方法。通过构建一个丰富的协议模型，包含明确的描述协议的先决条件，效果，产生的条款和交换的消息，确保了完全自动化的属性。通过组合17个协议对，并使用现有工具验证组合协议的正确性，对所提出的方法进行了验证。
2009-08-29 cs.CR cs.NI
SANNS: Scaling Up Secure Approximate k-Nearest Neighbors Search
Microsoft Research（微软研究院）；imec-COSIC KU Leuven & Zama（IMEC-COSIC 鲁汶大学及 Zama）；Microsoft（微软）；Simons Institute（西蒙斯研究所）；UC San Diego（加州大学圣地亚哥分校）
$k$ -最近邻搜索（$k$ -NNS）是几种基于云的服务的支柱，例如推荐系统，人脸识别以及文本和图像的数据库搜索。在这些服务中，客户端将查询发送到云服务器并接收响应，在这种情况下，查询和响应被揭示给服务提供商。由于数据和/或隐私法的敏感性，在某些情况下，此类数据披露是不可接受的。在本文中，我们介绍了SANNS，一个系统的安全$k$ -NNS，保持客户端的查询和搜索结果保密。SANNS包括两个协议：一个优化的线性扫描和一个新的次线性时间聚类算法的基础上的协议。我们证明了这两个协议的安全性在标准的半诚实模型。该协议是建立在几个国家的最先进的密码原语，如基于格的加法同态加密，分布式不经意RAM，和乱码电路。我们提供了一些贡献，这些原语适用于其他安全计算任务。我们的两个协议都依赖于一个新的电路，用于从$n$数中选择近似的顶部$k$，该$n$数是从$O(n + k^2)$比较器构建的。我们已经实现了我们提出的系统，并在两种不同的计算环境中的四个数据集进行了广泛的实验结果，证明了超过$18-31\times$更快的响应时间相比，最佳实现的协议，从以前的工作。此外，SANNS是第一个扩展到1000万条目的数据库的工作，将限制提高了两个数量级以上。
2020-03-08 cs.CR cs.DB cs.DS
SecurePay: Enabling Secure and Fast Payment Processing for Platform Economy
SecurePay结合许可区块链与央行数字货币，实现安全高效支付处理，抵抗中介串通，支持审计与监管，吞吐量256.4笔/秒，延迟4.29秒，安全显著提升。
2025-05-23 cs.CR
A Brain-Inspired Trust Management Model to Assure Security in a Cloud based IoT Framework for Neuroscience Applications
University of Padova（帕多瓦大学）；Jahangirnagar University（贾汉吉尔纳加尔大学）；American International University - Bangladesh（孟加拉美国国际大学）；University of Sheffield（谢菲尔德大学）；Anglia Ruskin University（安格利亚鲁斯金大学）；Saitama University（埼玉大学）；University of Stirling（斯特灵大学）
物联网（IoT）和云计算的迅速普及使神经科学家能够收集多层次和多通道的大脑数据，以更好地了解大脑功能，诊断疾病和设计治疗方法。为了确保当前物联网和云基础设施支持的端到端（E2E）设备之间安全可靠的数据通信，需要在物联网和用户端进行信任管理。本文介绍了一种基于神经模糊的大脑启发信任管理模型（TMM），以保护物联网设备和中继节点，并确保数据可靠性。该模型利用自适应神经模糊推理系统和加权加法方法分别估计节点的行为信任和数据信任来评估节点的可信度。与现有的基于模糊的TMM相比，NS2仿真结果证实了所提出的TMM在识别通信网络中的恶意节点方面的鲁棒性和准确性。随着基于云的物联网框架在神经科学研究中的使用越来越多，将所提出的TMM集成到现有基础设施中将确保E2E设备之间的安全可靠的数据通信。
2018-01-11 cs.AI cs.CR q-bio.NC
Computer-aided proofs for multiparty computation with active security
安全多方计算（MPC）是一种通用的加密技术，它允许不信任方计算他们各自输入的函数，而只显示函数的输出。它已经在拍卖、电子邮件过滤和安全电话会议等领域得到了应用。鉴于其重要性，正确指定和实现协议至关重要。在程序设计语言社区中，使用计算机证明助手来验证正确性证明已经成为一种良好的实践。在密码学领域，EasyCrypt是最先进的证明助手。它为概率编程提供了一种嵌入式语言，以及嵌入到环境通用高阶逻辑中的专用逻辑。它允许我们方便地表达密码学性质。EasyCrypt已成功应用于许多应用，包括公钥加密、签名、乱码电路和差分隐私。在这里，我们第一次表明，它也可以用来证明MPC对恶意对手的安全性。我们正式添加和复制的秘密共享计划，并将其应用到毛雷尔的MPC协议的安全加法和乘法。我们的方法扩展到一般的多项式函数。我们遵循EasyCrypt的见解，即安全证明通常可以简化为关于程序等价性的证明，这是一个在程序设计语言验证中很好理解的主题。特别是，我们表明，在被动的情况下，基于非干扰的定义是相当于一个标准的基于游戏的安全定义。对于主动情况，我们提供了一个新的NI定义，我们称之为输入独立性。
2018-06-19 cs.CR cs.LO
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
Distributed Differential Privacy in Multi-Armed Bandits
Boston University（波士顿大学）；Wayne State University（韦恩州立大学）
我们考虑了标准的$K$ -武装强盗问题下的分布式信任模型的差分隐私（DP），这使得能够保证隐私，而无需一个值得信赖的服务器。在这种信任模型下，以前的工作主要集中在使用shuffle协议实现隐私，其中一批用户数据在发送到中央服务器之前被随机排列。该协议通过在$T$步累积后悔中牺牲额外的附加$O\!\left(\!\frac{K\log T\sqrt{\log(1/δ)}}ε\!\right)\!$成本来实现（$ε,δ$）或近似DP保证。相比之下，在广泛使用的中央信任模型下，实现更强（$ε,0$）或纯DP保证的最佳隐私成本仅为$Θ\!\left(\!\frac{K\log T}ε\!\right)\!$，然而，需要可信服务器。在这项工作中，我们的目标是在分布式信任模型下获得一个纯DP保证，同时牺牲不超过中央信任模型下的遗憾。我们实现这一点，通过设计一个通用的强盗算法的基础上连续的手臂消除，隐私是保证腐败的奖励与一个安全的计算协议，确保一个等效的离散拉普拉斯噪声。我们还表明，我们的算法，实例化时，与噪音和安全协议，确保\emph{Rényi differential privacy} -一个更强的概念比近似DP -分布式信任模型下的隐私成本$O\!\left(\!\frac{K\sqrt{\log T}}ε\!\right)\!$。
2022-06-12 cs.CR cs.LG
Efficient Controlled Quantum Secure Direct Communication Protocols
本文研究了受控量子安全直接通信（CQSDC），它是一种发送方可以向接收方发送一个秘密比特串的加密方案，而不需要任何安全的经典信道，接收方只有在控制方的许可下才能获得完整的比特串。我们报告了一个有效的协议，实现CQSDC使用集群状态，然后继续构建一个（2-3）-CQSDC使用布朗状态，其中的任何两个控制器的联盟需要检索完整的消息。我们认为这两个协议是无条件安全的，并分析了协议的效率，以显示它优于现有的计划，同时保持相同的安全规格。
2015-10-06 cs.CR quant-ph
Potentially Information-theoretic Secure Y00 Quantum Stream Cipher with Limited Key Lengths beyond One-Time Pad
已有的工作表明，在量子存储的无限长已知明文攻击下，Y00协议能够保持安全，窃听者对密钥的猜测概率严格小于1.然而，假设至少快速相关攻击被不规则映射完全禁用。研究表明，只要Y00系统设计合理，Y00协议在任何量子计算密码分析下都是信息论安全的。Y00协议使用扩展为伪随机运行密钥的短密钥直接加密消息，这与一次性密码不同。然而，它可以提供超出密码学香农极限的信息理论安全性。
2019-02-14 cs.CR quant-ph
Perfectly Secure Synchronous MPC with Asynchronous Fallback Guarantees Against General Adversaries
在这项工作中，我们研究了完全安全的多方计算（MPC）对一般（非阈值）的对手。同步网络中的已知协议对于$Q^{(3)}$对手结构是安全的，而在异步网络中，已知协议对于$Q^{(4)}$对手结构是安全的。一个自然的问题是是否存在一个单一的协议，该协议分别在同步和异步网络中对$Q^{(3)}$和$Q^{(4)}$对手结构保持安全，其中各方不知道网络类型。我们设计了第一个这样的两全其美的协议来对抗一般的对手。我们的结果推广了Appan，Chandramouli和Choudhury（PODC 2022）的结果，该结果提出了一个两全其美的完全安全协议。为了设计我们的协议，我们提出了两个重要的积木是独立的利益。第一个构建块是用于$Q^{(3)}$对手结构的两全其美的完全安全的拜占庭协议（BA）协议，该协议在同步和异步网络中都保持安全。第二个构建块是一个两全其美的完全安全的可验证秘密共享（VSS）协议，该协议分别在同步网络和异步网络中对$Q^{(3)}$和$Q^{(4)}$攻击结构保持安全。
2022-08-12 cs.CR cs.DC cs.IT
Private Computation of Polynomials over Networks
本研究集中在保护隐私的代理网络中，每个代理寻求评估一个一般的多项式函数的私人值，她的近邻。我们提供了一个算法，这些功能的准确评估，同时保护隐私的参与代理。解决方案是基于多项式的重新表述和采用两个密码原语：Paillier作为一个部分同态加密计划和乘加秘密共享。该算法是完全分布式的，轻量级的通信，鲁棒的代理脱落，并可以容纳广泛的功能。此外，系统理论和安全的多方条件，保证对一组串通代理的代理人的私人价值的隐私保护。补充的理论发展的数值研究，说明了算法的准确性和由此产生的计算成本。
2022-06-07 cs.CR cs.SY eess.SY
MPC Protocol for G-module and its Application in Secure Compare and ReLU
Ant Group（蚂蚁集团）；Tongji University（同济大学）
安全比较和安全选择是安全多方计算（MPC）的两个基本协议。这些协议的一个重要应用是隐私保护深度学习中的安全ReLU和DReLU计算。在本文中，我们引入G-模块，一个数学工具，重新设计这样的协议。在数学中，给定一个群G，G-模是一个阿贝尔群M，G在其上的作用与M上的阿贝尔群结构相容。我们设计了三个G-模操作的安全协议。即“G模块动作”、“跨G模块动作”和“G模块恢复”。据我们所知，这是第一个关于安全G-模运算的工作。在此基础上，我们设计了安全的比较、选择、ReLU和DReLU协议，与现有技术相比，通信效率提高了2倍到10倍。我们的协议也是非常有效的计算。它们不需要公钥操作或任何其他昂贵的操作。
2021-02-04 cs.CR cs.LG math.GR
Expand-and-Randomize: An Algebraic Approach to Secure Computation
我们认为在一个最小的模型中的安全计算问题，其中爱丽丝和鲍勃每个持有一个输入，并希望安全地计算他们的输入在卡罗尔的功能，而不透露任何额外的信息的输入。对于这个最小的安全计算问题，我们提出了一个新的编码方案，从两个步骤。首先，要计算的函数被扩展，使得它可以被恢复，而额外的信息可能会泄露。其次，将随机化步骤应用于扩展函数，使得泄露的信息受到保护。我们实现了这种扩展和随机化编码方案与两个代数结构-有限域和整数的模环，其中扩展步骤是实现与加法运算和随机化步骤是实现与相应的代数结构上的乘法运算。
2020-01-02 cs.CR cs.IT math.IT
Strongly Secure Quantum Ramp Secret Sharing Constructed from Algebraic Curves over Finite Fields
Zhang和Matsumoto首先构造了强安全的量子斜坡秘密共享方案，该方案的一个不可取的特点是量子份额的维数必须大于量子份额的数目。利用有限域上的代数曲线，我们提出了一种新的构造，在这种构造中，对于固定的份额维数，份额的数目可以变得任意大。
2014-10-20 cs.CR cs.IT math.AG
SecureVibeBench: Benchmarking Secure Vibe Coding of AI Agents via Reconstructing Vulnerability-Introducing Scenarios
University of Science and Technology of China（中国科学技术大学）
本文提出SecureVibeBench，一个包含105个C/C++安全编码任务的基准测试，旨在评估AI代理在真实场景中生成安全代码的能力，发现现有方法在评估人类与AI代理对比时的不足。
2026-06-06 cs.AI cs.CL cs.CR
