Benchmarking ZK-Friendly Hash Functions and SNARK Proving Systems for EVM-compatible Blockchains
本文在bn254曲线和circom-snarkjs框架下基准测试了三种SNARK证明系统与五种ZK友好哈希函数,并提出引入排序器的隐私保护交易方案,证明Poseidon2在EVM链上可降低73%链上成本。
2024-09-03 cs.CR
HEMET: A Homomorphic-Encryption-Friendly Privacy-Preserving Mobile Neural Network Architecture
Indiana University Bloomington(印第安纳大学伯明顿分校)
最近,同态加密(HE)被用于实现隐私保护神经网络(PPNN),该网络直接对加密数据执行推理而无需解密。以前的PPNN采用移动网络架构,如SqueezeNet,以减少计算开销,但我们发现,天真地将移动网络架构用于PPNN并不一定能实现更短的推理延迟。尽管具有较少的参数,但移动网络架构通常引入更多的层并增加PPNN的HE乘法深度,从而延长其推理延迟。在本文中,我们提出了一个\textbf{HE} -友好的隐私保护\textbf{M}神经n \textbf{ET}工作架构,\textbf{HEMET}。实验结果表明,与SOTA PPNN相比,HEMET的推理延迟降低了$59.3\%\sim 61.2\%$,推理精度提高了$0.4 \% \sim 0.5\%$ .
2021-05-31 cs.AI cs.CR
Opacus: User-Friendly Differential Privacy Library in PyTorch
Meta AI
我们介绍Opacus,这是一个免费的开源PyTorch库,用于训练具有差分隐私的深度学习模型(托管在opacus.ai)。Opacus旨在实现简单性、灵活性和速度。它提供了一个简单且用户友好的API,并使机器学习从业者能够通过在代码中添加两行代码来使训练管道私有化。它支持各种各样的层,包括多头注意力、卷积、LSTM、GRU(和通用RNN)和嵌入,开箱即用,并提供支持其他用户定义层的方法。Opacus计算每个样本的批量梯度,与传统的“微批量”方法相比,提供了更高的效率。在本文中,我们介绍了Opacus,详细介绍了推动其实现的原理和独特功能,并将其与其他具有差分隐私的训练模型框架以及标准PyTorch进行了比较。
2022-08-22 cs.CR cs.LG
Privacy-Friendly Collaboration for Cyber Threat Mitigation
跨组织边界共享安全数据通常被认为是增强网络威胁缓解的一种有前途的方法。然而,协作安全面临着许多重要的挑战,包括隐私,信任和责任问题与敏感数据的潜在披露。在本文中,我们专注于预测性黑名单的数据共享,即,根据过去的攻击信息预测攻击源。我们提出了一种新的隐私增强的数据共享方法,在该方法中,组织在不披露其数据集的情况下估计协作效益,组织成联盟组织的联盟,并在这些联盟内安全地共享数据。我们研究了不同的合作伙伴选择策略如何影响预测准确性,通过对20亿个IP地址的真实数据集进行实验,并观察到高达105%的预测改进。
2017-03-01 cs.CR cs.NI
GTree: GPU-Friendly Privacy-preserving Decision Tree Training and Inference
本文提出 GTree,首个利用 GPU 加速 MPC 保护的安全决策树训练与推理方案,设计了 GPU 友好的协议,在提升训练和推理效率的同时实现了更强的安全保证。
2025-04-01 cs.CR
LLMs Can Understand Encrypted Prompt: Towards Privacy-Computing Friendly Transformers
Tsinghua University(清华大学);Sudo Privacy(Sudo隐私公司)
针对大语言模型隐私推理框架开销过高的问题,本文提出用隐私计算友好的近似算子替换Transformer中密集型算子,相比Iron实现5倍计算加速与80%通信开销降低,且准确率几乎不变。
2023-12-15 cs.CL cs.CR cs.LG
FedP3: Federated Personalized and Privacy-friendly Network Pruning under Model Heterogeneity
KAUST(阿卜杜拉国王科技大学);Sony AI(索尼人工智能公司)
针对联邦学习中客户端系统异构性导致需定制个性化模型的问题,提出适配模型异构场景的联邦个性化隐私友好剪枝框架FedP3及其本地差分隐私变体DP-FedP3,并完成理论验证。
2024-04-15 cs.CR cs.LG
Privacy-Friendly Peer-to-Peer Energy Trading: A Game Theoretical Approach
The University of Manchester(曼彻斯特大学);KU Leuven(鲁汶大学);The University of British Columbia(不列颠哥伦比亚大学)
在本文中,我们提出了一个分散的,隐私友好的能源交易平台(PFET)的基础上博弈论的方法-特别是Stackelberg竞争。与现有的交易方案不同,PFET提供了一个竞争性市场,其中价格和需求是基于竞争确定的,并且计算以分散的方式进行,不依赖于可信的第三方。它采用同态加密密码体制对买卖双方的敏感信息进行加密,如卖方$'$价格和买方$'$需求。买家使用加密数据计算特定卖家的总需求,敏感的买家个人资料数据对卖家隐藏。因此,卖家和买家的隐私都得到了保护。通过隐私分析和性能评估,我们表明,PFET保护用户$'$隐私的有效方式。
2022-05-29 cs.AI cs.CR cs.GT
You Shall Not Pass into Ring-0! A User Privacy-Friendly Anti-Cheat Architecture for Personal Computers
Nokia of America Corporation(诺基亚美国公司);New York University(纽约大学);National University of Singapore(新加坡国立大学);Microsoft Research(微软研究院);Arizona State University(亚利桑那州立大学)
针对内核级反作弊的隐私问题,提出Tirith架构,通过受保护虚拟机运行游戏并利用可信虚拟化监视器监控,无需内核级组件,兼顾检测与性能。
2026-09-16 cs.CR
Speranza: Usable, privacy-friendly software signing
Speranza 利用证书和零知识身份共同承诺,在验证软件签名真实性的同时保护签名者匿名性,并以极低的签名、验证和带宽成本实现大规模软件仓库的实用部署。
2023-09-16 cs.CR
CFE-PPAR: Compression-friendly encryption for privacy-preserving action recognition leveraging video transformers
Graduate School of Informatics(信息研究生院);Faculty of System Design(系统设计学部);Chiba University(千叶大学);Tokyo Metropolitan University(东京 Metropolitan 大学)
本文提出CFE-PPAR,一种压缩友好的加密方法,通过视频变换器实现加密视频的高效识别,优于现有方法。
2026-05-07 cs.AI cs.CR cs.CV
HFIPay: Privacy-Preserving, Cross-Chain Cryptocurrency Payments to Human-Friendly Identifiers
Yeah LLC(耶和有限公司)
HFIPay通过中继协助协议实现隐私保护的标识符路由加密货币支付,通过随机意图标识符和盲绑定rho_i确保支付信息不被枚举,利用零知识证明保证支付授权的不可链接性。
2026-06-21 cs.CR cs.DC
Detecting fraudulent activity in a cloud using privacy-friendly data aggregates
Cisco(思科)
越来越多的用户和企业每天都在使用云服务。他们都希望有一个完美的表现,任何问题都对他们保持透明。最后这句话的执行非常具有挑战性。用户在我们云中的活动可能会影响我们服务器的整体性能,从而影响其他资源。我们可以把这类行为视为欺诈。它们可以是非法活动,例如发起DDoS攻击,也可以是云提供商不希望的活动,例如比特币挖矿,它使用大量的电力,减少硬件的寿命,并可能减缓其他用户的活动。本文讨论了一种通过使用非侵入性的、隐私友好的数据来检测此类活动的方法:账单数据。我们以OpenStack为例,使用Telemarket提供的数据,Telemarket是负责测量资源使用情况以进行计费的组件。结果将证明这种方法的效率和方法,以提高它将提供以及它的优点和缺点。
2014-11-25 cs.AI cs.CR cs.DC
Reduce to the MACs -- Privacy Friendly Generic Probe Requests
针对Wi-Fi探测请求易泄露用户隐私的问题,提出移除信息元素冗余内容的通用探测请求方案,实验证明仅保留支持速率可使82.55%设备同属一个匿名集,提升无线网络隐私保护能力。
2024-05-15 cs.CR cs.NI
FheFL: Fully Homomorphic Encryption Friendly Privacy-Preserving Federated Learning with Byzantine Users
Institute for Digital Technologies, Loughborough University London(拉夫堡大学伦敦分校数字技术研究所);WMG, University of Warwick(华威大学WMG学院)
针对联邦学习中梯度泄露隐私且加密后无法识别拜占庭恶意用户的问题,提出基于全同态加密的FheFL算法,通过多密钥同态加密和加密域内基于非投毒率的聚合方案兼顾隐私保护与投毒防御,在合理成本下实现可比精度。
2024-10-06 cs.AI cs.CR
Immutable Autobiography of Smart Cars
智能汽车在全球范围内越来越受欢迎,因为它们提供了广泛的服务和便利。这些智能汽车配备了各种传感器,可生成大量数据,其中许多是敏感的。此外,智能汽车的使用寿命涉及多方,例如制造商、车主、政府机构和第三方服务提供商,他们也会产生有关车辆的数据。除了以安全和隐私友好的方式在这些实体之间管理和共享数据之外,这本身就是一个巨大的挑战,对于某些类型的数据存在信任赤字,因为它们仍然由车主保管(例如卫星导航和里程数据),并且很容易被操纵。在本文中,我们提出了一种区块链支持的架构,使智能汽车的所有者能够为每一个数据创建一个不可变的记录,称为汽车的汽车传记,在其使用寿命内生成。我们还解释了如何通过区块链的不变性特征来保证对该记录的信任。此外,本文还描述了所提出的架构如何以安全且隐私友好的方式在不同方之间实现安全且隐私友好的智能汽车数据共享。
2018-10-19 cs.CR
Encryption-Friendly LLM Architecture
Seoul National University(首尔大学);CryptoLab Inc(CryptoLab公司);UCLA(加利福尼亚大学洛杉矶分校)
针对大语言模型隐私保护需求,提出适配同态加密的Transformer架构,结合LoRA微调与高斯核实现显著计算加速且性能接近明文模型,为隐私保护LLM服务提供概念验证。
2025-02-21 cs.CR cs.LG
Threshold KNN-Shapley: A Linear-Time and Privacy-Friendly Approach to Data Valuation
Princeton University(普林斯顿大学);University of California, Santa Barbara(加州大学圣巴巴拉分校);Virginia Tech(弗吉尼亚理工大学)
本文针对KNN-Shapley数据估值方法的隐私风险,提出其改进变体TKNN-Shapley,支持差分隐私保证,在识别数据质量时提供更优的隐私-效用权衡,且非私有版本性能与原方法相当。
2023-11-26 cs.CR cs.GT cs.LG
Privacy-Friendly Mobility Analytics using Aggregate Location Data
University College London(伦敦大学学院)
位置数据对于研究通勤模式和中断以及预测实时交通量非常有用。然而,与此同时,用户位置的细粒度收集引起了严重的隐私问题,因为这可能泄露关于用户的敏感信息,诸如生活方式、政治和宗教倾向、或甚至身份。在本文中,我们研究了在聚合位置信息上进行众包移动性分析的可行性:用户定期报告他们的位置,使用隐私保护聚合协议,以便服务器只能恢复聚合-即,在给定的时间,有多少用户而不是哪些用户在一个区域中。我们的实验与现实世界的流动性数据集从伦敦交通局和旧金山出租车网络,并提出了一种新的方法,基于时间序列建模,是面向预测交通量的兴趣区域,并检测移动异常。在存在异常的情况下,我们还通过为我们的模型提供来自相关区域的额外信息来增强交通量预测。最后,我们提出并评估了一个移动应用程序原型,称为移动数据捐赠者(MDD),在计算,通信和能源开销方面,展示了我们的技术在现实世界中的可部署性。
2016-10-09 cs.CR cs.CY cs.LG
A Secure and Privacy-Friendly Logging Scheme
针对审计追踪日志易遭攻击者破坏、企业需满足GDPR合规要求的问题,提出一种将加密记录存入不可篡改数据库的审计追踪方案,保障记录永久安全留存并实现合规。
2024-05-18 cs.CR cs.DC
Practical Schemes For Privacy & Security Enhanced RFID
RFID系统中适当的隐私保护非常重要。然而,许多已知的方案是不切实际的,因为它们使用散列函数而不是更硬件有效的对称加密方案作为有效的密码原语,或者因为它们在读取器处招致相当昂贵的密钥搜索时间惩罚。此外,它们不允许对标签进行动态的、细粒度的访问控制,以满足更复杂的使用场景。在本文中,我们调查这样的情况下,并提出了一个模型和相应的隐私友好的协议,有效和细粒度的管理访问权限的标签。特别是,我们提出了标签和阅读器之间的高效相互认证协议,该协议仅使用标签上的对称密钥加密技术,同时不需要阅读器端昂贵的密钥搜索算法,从而实现合理的隐私级别。此外,我们的协议能够从被盗的读卡器中恢复。
2010-02-25 cs.CR
SocialGenPod: Privacy-Friendly Generative AI Social Web Applications with Decentralised Personal Data Stores
University of Edinburgh(爱丁堡大学);University of Oxford(牛津大学)
SocialGenPod利用Solid去中心化规范,将用户数据与生成式AI应用解耦,实现隐私友好的Web应用,支持用户控制数据访问并实现跨服务可移植性。
2024-03-15 cs.CR cs.CY cs.IR
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
Privacy-Friendly Cohort Determination: Sealed, CSP-Independent In-Browser ML Inference of Professional Segments for Identity-Less Advertising
Google(谷歌);Snowflake Inc.(雪花公司);TikTok(抖音国际版);LinkedIn(领英)
针对B2B广告中的隐私问题,提出SIF框架,在设备端通过WebAssembly推断职业群体,采用本地差分隐私和k-匿名规则,仅发送分类编码标签,实现无身份广告投放。
2026-09-30 cs.CR cs.LG
OConsent -- Open Consent Protocol for Privacy and Consent Management with Blockchain
在当前的互联世界中-网站,移动应用程序,物联网设备收集大量用户的个人可识别活动数据。这些收集的数据用于分析、营销、服务个性化等各种目的。数据通过网站cookie、跟踪设备ID、嵌入式JavaScript、像素等进行同化。许多这些跟踪和使用收集的数据发生在幕后,对普通用户来说并不明显。因此,许多国家和地区制定了立法(例如,GDPR(欧盟)-允许用户能够控制其个人数据,以可理解和用户友好的方式知情并同意其处理。本文提出了一种基于区块链技术的协议和平台,可以在从捕获,沿袭到编辑的整个生命周期中透明地处理个人数据。该解决方案旨在帮助服务多个利益相关者,从个人最终用户到数据控制器和隐私官。它旨在提供关于如何以及何时捕获、访问和处理数据点的整体和明确的视图。该框架还设想了如何通过公共区块链创建和执行不同的访问控制策略,包括针对隐私数据泄露的实时的警报。
2022-01-04 cs.CR
Statistics-Friendly Confidentiality Protection for Establishment Data, with Applications to the QCEW
Pennsylvania State University(宾夕法尼亚州立大学);National Institute of Statistical Sciences(国家统计科学研究所)
本文提出一种面向政策制定者的新型企业数据保密框架,通过定义不确定性区间带来保护属性推断,而非会员推断,并在QCEW数据集上评估了两种查询回答机制。
2026-03-20 cs.CR cs.DS stat.AP
A Pervasive, Efficient and Private Future: Realizing Privacy-Preserving Machine Learning Through Hybrid Homomorphic Encryption
本文针对同态加密在资源受限边缘场景下的高开销问题,提出以混合同态加密 HHE 为核心构建资源友好型 PPML 协议,并通过 BFV 对比实验与 ECG 心脏病分类应用验证其效率和实用性。
2024-09-10 cs.CR
Bicoptor: Two-round Secure Three-party Non-linear Computation without Preprocessing for Privacy-preserving Machine Learning
提出Bicoptor协议族,通过两轮无预处理的符号判定实现高效三方非线性计算,在ReLU和Maxpool上性能优于现有方案一至两个数量级。
2024-04-19 cs.CR
A Multidisciplinary Definition of Privacy Labels: The Story of Princess Privacy and the Seven Helpers
隐私目前正处于困境,需要救援,就像所有熟悉的童话故事中的公主一样。我们采用童话故事中的故事和隐喻,使读者友好,并简化我们的论点如何隐私标签(“闪亮盔甲的骑士”)的复杂概念可以解决当前的隐私状态(“公主在困境中”)。我们给出了隐私标签(PL)的精确定义,从七个不同的角度(“七个助手”)绘制了全景图:商业,法律,监管,可用性和人为因素,教育,技术和多学科。我们描述了一个共同的愿景,提出了PL的几个重要的“性格特征”,并确定了“未开发的潜力”,即,社区可以关注的开放问题。更具体地说,这份立场文件确定了PL的利益相关者及其在隐私方面的需求,描述了PL应该是什么样子,以满足这些需求。在整个文件中,我们强调的目标,特点,开放的问题,并为创建出发点,我们认为是,理想的PL。最后,我们提出了三种方法来建立和管理PL,通过:自我评估,认证,或社区的努力。在此基础上,我们勾勒出未来发展的路线图。
2021-05-09 cs.CR cs.CY
Breaking Euston: Recovering Private Inputs from Secure Inference by Exploiting Subspace Leakage
本文指出埃斯顿框架中的子空间泄露问题,揭示了通过随机掩码恢复私有样本的隐私风险,并通过实验验证了攻击的有效性。
2026-04-25 cs.CR
How Safe Is Your Data in Connected and Autonomous Cars: A Consumer Advantage or a Privacy Nightmare ?
BITS-Pilani(比拉尼印度理工学院);Brno University of Technology(布尔诺理工大学);Carleton University(卡尔顿大学)
本文探讨了联网和自动驾驶汽车中数据安全与隐私问题,分析了数据共享的利弊,并呼吁建立更严格的监管框架以保护用户隐私。
2026-01-18 cs.CR cs.CY
CryptGPU: Fast Privacy-Preserving Machine Learning on the GPU
University of Virginia(弗吉尼亚大学);Facebook AI Research(Facebook AI研究院)
我们介绍CryptGPU,这是一个用于隐私保护的机器学习系统,它在GPU(图形处理单元)上实现所有操作。正如GPU在现代深度学习的成功中发挥了关键作用一样,它们对于实现可扩展的隐私保护深度学习也至关重要。在这项工作中,我们首先引入了一个新的接口,以将秘密共享值(在离散域中)上的加密操作有损嵌入到浮点运算中,这些运算可以由高度优化的CUDA线性代数内核处理。然后,我们确定了一系列的“GPU友好”的加密协议,使隐私保护评估的线性和非线性运算的GPU。我们的微基准测试表明,我们基于GPU的私有卷积协议比类似的基于CPU的协议快150倍以上;对于ReLU激活函数等非线性操作,我们基于GPU的协议比其CPU模拟快10倍左右。借助CryptGPU,我们支持在具有超过6000万个参数的卷积神经网络上进行私有推理和私有训练,并处理ImageNet等大型数据集。与以前的最先进技术相比,当考虑大型模型和数据集时,我们的协议在私有推理方面实现了2倍至8倍的改进,在私有训练方面实现了6倍至36倍的改进。我们的工作不仅展示了完全在GPU上执行安全多方计算(MPC)以实现快速隐私保护机器学习的可行性,而且还强调了设计可以充分利用GPU计算能力的新MPC原语的重要性。
2021-04-22 cs.CR cs.LG
How Does a Deep Learning Model Architecture Impact Its Privacy? A Comprehensive Study of Privacy Attacks on CNNs and Transformers
University of Technology Sydney(悉尼科技大学);Data 61;City University of Macau(澳门城市大学)
该研究对比CNN与Transformer的隐私脆弱性,发现Transformer更易受隐私攻击,明确激活层等微观设计及注意力模块对隐私性的影响,为隐私友好的模型架构设计提供参考。
2024-02-02 cs.AI cs.CR cs.LG
Is Homomorphic Encryption Feasible for Smart Mobility?
本文利用SEAL实现并测量智慧出行中的三类FHE分布式计算,证明当前FHE可在约100毫秒、低于3微美分开销下保护事务隐私。
2023-06-07 cs.CR cs.PF
APINT: A Full-Stack Framework for Acceleration of Privacy-Preserving Inference of Transformers based on Garbled Circuits
针对Transformer隐私保护推理中乱码电路延迟瓶颈及现有优化缺乏系统级方案的问题,提出全栈框架APINT,通过协议优化、适配电路生成、网表调度及软硬件协同,实现显著的延迟与能耗降低。
2025-02-24 cs.AR cs.CR