Privacy of federated QR decomposition using additive secure multiparty computation
University of Southern Denmark（南丹麦大学）
联邦学习（FL）是一种隐私感知的数据采掘策略，它将私有数据保存在所有者的机器上，从而对其保密。客户端计算本地模型并将其发送到计算全局模型的聚合器。在混合FL中，使用安全聚合对本地参数进行额外屏蔽，使得仅全局聚合统计数据以明文形式可用，而不是客户端特定更新。联邦QR分解尚未在跨筒仓联邦学习的上下文中得到广泛研究。在这篇文章中，我们调查了三个QR分解算法的适用性跨筒仓FL，并提出了一个隐私感知QR分解方案的基础上，Gram-Schmidt算法，不公然泄漏原始数据。我们应用该算法以联邦方式计算线性回归。
2022-10-12 cs.CR cs.LG
Fast Privacy-Preserving Text Classification based on Secure Multiparty Computation
University of Campinas（坎皮纳斯大学）；University of Washington Tacoma（华盛顿大学塔科马分校）；Monash University（莫纳什大学）；Aarhus University（奥胡斯大学）
我们提出了一个隐私保护的朴素贝叶斯分类器，并将其应用于私人文本分类问题。在此设置中，一方（Alice）持有文本消息，而另一方（Bob）持有分类器。在协议结束时，Alice只会学习应用于她的文本输入的分类器的结果，而Bob什么也不会学到。我们的解决方案是基于安全多方计算（SMC）。我们的Rust实现为非结构化文本的分类提供了一个快速安全的解决方案。将我们的解决方案应用于垃圾邮件检测的情况（该解决方案是通用的，并且可以在可以采用朴素贝叶斯分类器的任何其他场景中使用），在Bob的模型的字典大小包括所有单词（n = 5200）并且Alice的SMS具有至多m = 160个一元词的情况下，我们可以在小于340 ms内将SMS分类为垃圾邮件或火腿。在n = 369和m = 8（数据库中垃圾短信的平均值）的情况下，我们的解决方案只需要21毫秒。
2021-06-08 cs.CR cs.LG
Secure and Private Vickrey Auction Protocols: A Secure Multiparty Computation Approach
针对去中心化场景下维克里拍卖的信息保密与正确性保障需求，提出基于安全多方计算（SMPC）的私密拍卖协议，实现无额外信息泄露的价格计算，具备抗共谋、结果可公开验证特性，明确了两阶段计算复杂度。
2023-04-28 cs.CR
Training Differentially Private Models with Secure Multiparty Computation
School of Engineering and Technology, University of Washington Tacoma（华盛顿大学塔科马分校工程与技术学院）；University of Brasilia（巴西利亚大学）；Monash University（莫纳什大学）；Ghent University（根特大学）；Mila – Quebec AI Institute（米拉-魁北克人工智能研究所）
本文提出结合安全多方计算与差分隐私的模型训练方案，在保持形式化隐私保证的同时提升精度，并在iDASH2021竞赛中获第一名。
2025-03-11 cs.CR cs.LG
Generation and Distribution of Quantum Oblivious Keys for Secure Multiparty Computation
不经意传输原语足以实现安全多方计算。然而，仅基于经典密码学的安全多方计算受到不经意传输实现的安全性和效率的严重限制。我们提出了一种方法来有效地和安全地生成和分发不经意的密钥交换量子比特和执行承诺使用经典的哈希函数。利用所提出的量子和经典的混合方法，我们得到了一个实用的和高速的不经意传输协议，即使对量子计算机攻击也是安全的。不经意的分布式密钥允许实现一个快速和安全的不经意传输协议，这可以铺平道路，广泛的应用基于安全的多方计算。
2020-06-17 cs.CR quant-ph
Secure Multiparty Computation for Synthetic Data Generation from Distributed Data
Microsoft（微软）；University of Washington Tacoma（华盛顿大学塔科马分校）；Universidade de Brasilia（巴西利亚大学）；Ghent University（根特大学）
访问相关数据的法律和道德限制阻碍了健康、金融和教育等关键领域的数据科学研究。具有隐私保证的合成数据生成算法正在成为打破这种数据僵局的范例。然而，现有的方法假设数据持有者将其原始数据提供给可信的管理者，管理者将其用作生成合成数据的燃料。这严重限制了其适用性，因为世界上许多有价值的数据都被锁在孤岛中，由无法在不引起隐私问题的情况下向彼此或中央聚合器显示数据的实体控制。为了克服这一障碍，我们提出了第一个解决方案，其中数据持有者只共享加密数据，用于差分私有合成数据生成。数据持有者将共享发送到执行安全多方计算（MPC）计算的服务器，同时原始数据保持加密。我们在MPC协议中实例化这个想法，用于具有指数机制的乘法权重（MWEM）算法，以基于源自许多数据持有者的真实数据生成合成数据，而不依赖于单个故障点。
2022-10-28 cs.CR cs.LG
Efficient Simulation of Quantum Secure Multiparty Computation
针对现有量子安全多方求和协议采用$(n,n)$门限存在的安全与效率问题，提出基于$(t,n)$门限、结合经典与量子特性的QSMS协议，仅需t个诚实参与方即可完成计算，更经济实用且安全。
2025-01-17 cs.CR quant-ph
Multiparty computation unconditionally secure against Q^2 adversary structures
我们在这里提出一个概括的工作所做的拉宾和本-奥尔。我们给出了一个多方计算协议，它容忍任何Q^2主动攻击结构，基于广播信道的存在，每对参与者之间的安全通信，和一个单调的跨度程序与乘法容忍的结构。实现的保密性是无条件的，虽然我们允许一个指数级的小概率错误。这是可能的，由于一个协议，用于计算产品的两个值已经共享的手段，一个同态承诺计划，最初出现在一份文件的Chaum，Evertse和范德格拉夫。
1999-02-08 cs.CR
Experimental Secure Multiparty Computation from Quantum Oblivious Transfer with Bit Commitment
本文实验实现了基于比特承诺的量子不经意传输协议，并首次将其应用于私有集合交集，证明了两家银行可在不泄露其他数据的情况下识别共同可疑账户，展示了其实际商业价值。
2024-11-07 cs.CR quant-ph
Quantum Secure Protocols for Multiparty Computations
针对现有安全多方计算协议易受量子攻击的问题，本文提出量子安全的OLE协议qOLE，并以其为模块构建了抗量子攻击的MPSI协议。
2024-07-17 cs.CR quant-ph
Secure multiparty quantum key agreement against collusive attacks
针对环形多方量子密钥协商中的合谋攻击，提出通用安全模型以消除漏洞，不依赖具体物理实现。
2023-06-21 cs.CR quant-ph
A Secure Multiparty Quantum Least Common Multiple Computation Protocol
本文提出一种基于Shor量子周期查找算法的安全多方最小公倍数计算协议，利用周期函数连接原理，并辅以一票否决投票验证，在半诚实模型下实现高概率安全且多项式复杂度的计算。
2023-07-26 cs.CR quant-ph
Frequency Estimation Under Multiparty Differential Privacy: One-shot and Streaming
Hong Kong University of Science and Technology（香港科技大学）；University of Warwick（华威大学）
我们研究了隐私和通信约束下的频率估计的基本问题，其中数据分布在$k$各方之间。我们考虑两种应用场景：（1）单次，其中数据是静态的，聚合器进行一次性计算;（2）流式传输，其中每一方随着时间的推移接收项目流，聚合器不断监控频率。我们采用多方差分隐私（MDP）模型，它比局部差分隐私（LDP）和（集中式）差分隐私更具有一般性。我们的协议实现最优性（对数因子）允许的两个约束条件中更严格的。特别是，当专用于$\varepsilon$ -LDP模型时，我们的协议使用$O(k\max\{ \varepsilon, \frac{1}{\varepsilon} \})$通信位和$O(k \log u)$公共随机位实现了$\sqrt{k}/(e^{Θ(\varepsilon)}-1)$的错误，其中$u$是域的大小.
2021-05-29 cs.CR cs.DS cs.LG
(Unconditional) Secure Multiparty Computation with Man-in-the-middle Attacks
在安全多方计算$n$中，各方在存在对手的情况下联合评估$n$变量函数$f$，所述对手可以破坏直到$t$方。迄今为止，几乎所有出现在文献中的作品都假定当事人之间存在经过认证的渠道。这种假设是不现实的。从放松这个（强）假设已经承担了两个方向的研究：（a）对手是几乎无所不能的，可以控制所有的通信信道在网络中，（b）只有部分连接的拓扑结构的认证通道是保证和对手控制的一个子集的通信信道在网络中。这项工作介绍了一个新的设置（无条件）安全多方计算问题，这是一个有趣的中间模型，相对于上述研究模型的文献（通过共享一个显着的特点，从上述两个模型）。我们认为（无条件）安全多方计算的问题时，“一些”的通信渠道连接各方可以被动地以及主动地被损坏。对于这种设置，一些诚实方可能通过损坏的信道连接到其他几个诚实方，并且可能无法与他们进行真实通信。这些当事人可能无法得到正确性或隐私的规范保证。我们提出了这个新的无条件多方计算的中间模型的安全性的定义。我们将展示如何适应协议（无条件）安全多方计算实现的定义，并认为我们取得的结果的紧密性。
2010-05-27 cs.CR
A Performance and Resource Consumption Assessment of Secure Multiparty Computation
近年来，安全多方计算（SMC）从一种理论技术发展成为一种实用技术。提出了几个框架，其中一些仍在积极制定中。我们进行了第一次全面的研究SMC协议的性能特点，使用一个有前途的实现秘密共享的基础上，一个共同的和国家的最先进的基础。因此，我们分析了它的可扩展性与环境参数的对等体的数量，网络属性-即传输速率，数据包丢失，网络延迟-和并行计算作为参数和执行时间，CPU周期，内存消耗和传输的数据量作为变量。我们对资源消耗的见解表明，这样的解决方案实际上适用于内部网环境和-限制-在互联网设置。
2018-04-10 cs.CR cs.PF
Secure Multiparty Computation with Partial Fairness
一个用于计算函数的协议是安全的，如果在这个协议中的对手不能造成比在理想计算中更多的伤害，在理想计算中各方将他们的输入给可信方，可信方将函数的输出返回给所有各方。特别是，在理想模型中，这样的计算是公平的--所有各方都得到了输出。Cleve（STOC 1986）证明，一般来说，没有诚实的多数，公平是不可能的。为了克服这种不可能性，Gordon和Katz（Eurocrypt 2010）提出了一个宽松的定义- 1/p-安全计算-保证部分公平性。对于两方，他们构造1/p-安全协议的功能，其域或范围的大小是多项式（在安全参数中）。Gordon和Katz询问他们的结果是否可以扩展到多方协议。我们研究1/p-安全协议在多方设置的一般功能。我们的主要结果是1/p-安全协议的建设时，缔约方的数量是恒定的，只要不到2/3的缔约方是腐败的。我们的协议要求（1）功能是确定性的，域的大小是多项式（在安全参数中），或者（2）功能可以是随机的，范围的大小是多项式。如果域的大小是恒定的，功能是确定性的，那么我们的协议是有效的，即使当各方的数量是O（log log n）（其中n是安全参数）。在消极的一面，我们表明，当缔约方的数量是超常数，1/p-安全协议是不可能的，当域的大小是多项式。
2010-11-25 cs.CR
FMPC: Secure Multiparty Computation from Fourier Series and Parseval's Identity
FMPC是一种新型的基于秘密共享的运算电路多方计算协议，无需在线通信就能计算秘密的乘法，因此在电路规模上具有恒定的在线通信延迟。FMPC基于傅立叶级数对Parseval恒等式的应用，并介绍了适用于任意数量输入的傅立叶级数的Parseval恒等式的第一个推广。FMPC在用户希望通过将计算提交给一组节点来计算一些秘密输入的函数的设置中运行，但仅适用于低深度算术电路的评估。FMPC依赖于由SPDZ等既定协议引入的传统预处理组成的离线阶段，并在在线阶段进行创新，主要包括每个节点本地评估特定功能。FMPC为一种新的多方计算协议铺平了道路，该协议能够计算秘密的乘法，作为电路混淆和Donald Beaver在1991年引入的传统代数的替代方案。
2019-12-05 cs.CR
A Management Framework for Secure Multiparty Computation in Dynamic Environments
安全多方计算是一种很有前途的隐私保护协同计算技术。在过去几年中，一些可行性研究表明，它在不同领域的实际适用性。然而，人们认识到，SMC解决方案的行政和管理开销仍然是一个问题。至关重要的下一步是将SMC纳入物联网和（智能）动态环境的新兴领域。在这些环境中，这些背景的属性使得SMC的利用更具挑战性，因为其关于环境稳定性和初步配置的一些重要前提最初没有得到满足。我们通过提供FlexSMC来弥合这一差距，FlexSMC是SMC的管理和编排框架，它支持节点的发现，支持它们之间的信任建立，并通过处理节点故障和通信中断来实现SMC会话的鲁棒性。FlexSMC的实际评估表明，它使SMC在动态环境中的应用具有合理的性能损失和计算持续时间，允许软实时和交互式用例。
2018-04-11 cs.CR
Privacy-Preserving Multiparty Learning For Logistic Regression
近年来，机器学习技术被广泛应用于天气预报、金融数据分析、垃圾邮件过滤和医疗预测等众多应用中。与此同时，从多个来源生成的海量数据进一步提高了机器学习工具的性能。然而，来自多个源的数据共享为这些源带来隐私问题，因为在此过程中可能泄漏敏感信息。在本文中，我们提出了一个框架，使多方能够在分布式数据集上协作且准确地训练学习模型，同时保证数据源的隐私。具体地说，我们考虑逻辑回归模型的数据训练，并提出了两种方法来扰动目标函数，以保持ε-差分隐私。所提出的解决方案在真实数据集上进行了测试，包括银行营销和信用卡违约预测。实验结果表明，提出的多方学习框架是高效和准确的。
2018-10-04 cs.CR
Achieving Secure and Differentially Private Computations in Multiparty Settings
由于安全和隐私问题，在从医疗保健到金融的分布式环境中共享和处理敏感数据是一项重大挑战。安全多方计算（SMC）是一个可行的灵丹妙药，它允许分布式各方进行计算，而各方对他们的数据一无所知，但最终的结果。尽管SMC在此类分布式环境中发挥着重要作用，但它并不能保证不向对手泄露有关个人的任何信息。差分隐私（DP）可以用来解决这个问题;然而，实现SMC与DP也不是一个微不足道的任务。在本文中，我们提出了一种新的安全多方分布式差分私有（SM-DDP）协议，以实现安全和私有的计算在多方环境中。具体来说，我们的协议，我们同时实现SMC和DP在分布式设置集中在线性回归水平分布的数据。也就是说，各方看不到彼此的数据，并且进一步地，不能从最终构建的统计模型推断关于个人的信息。任何允许独立计算局部统计的统计模型函数都可以通过我们的协议计算。该协议实现了SMC的同态加密和DP的功能机制，以达到预期的安全性和隐私保证。在这项工作中，我们首先介绍了SM-DDP协议的理论基础，然后在两个不同的数据集上评估其有效性和性能。我们的研究结果表明，一个可以实现个人级别的隐私，通过建议的协议与分布式DP，这是独立地适用于每一方在一个分布式的方式。此外，我们的研究结果还表明，SM-DDP协议产生的计算开销最小，是可扩展的，并提供安全和隐私保证。
2017-07-06 cs.CR
Self-Adaptation and Secure Information Flow in Multiparty Structured Communications: A Unified Perspective
我们提出了一个全面的结构化通信模型，其中自适应和安全问题共同解决的初步结果。更具体地说，我们提出了一个模型的自适应，多方通信的安全信息流的保证。在此模型中，当进程试图在定向交换中读取或写入不适当的安全级别的消息时，就会发生安全违规。这样的违反触发适配机制，该适配机制防止违反发生和/或在编排中传播它们的影响。我们的模型配备了本地和全局机制，用于对安全违规行为做出反应;类型可靠性结果确保全局协议仍然正确执行，同时系统自适应以保持安全性。
2014-08-26 cs.CR cs.LO cs.PL
Zone-Based Privacy-Preserving Billing for Local Energy Market Based on Multiparty Computation
针对本地能源市场投标偏差计费中的隐私问题，提出结合电网分区与多方计算的去中心化账单协议，并通过安全分析和5000用户实验验证其效率与部署可行性。
2023-07-17 cs.CR
Fear Not, Vote Truthfully: Secure Multiparty Computation of Score Based Rules
我们提出了一个安全的投票协议的评分为基础的投票规则，独立的talliers执行理货程序。该协议输出获胜的候选人，同时保护选民的隐私和选票的保密性。它提供了完美的保密性，在这个意义上，除了期望的输出，所有其他信息-选票，中间值，以及每个候选人收到的最终分数-不会向任何一方透露，包括计票人。这种完美的保密性可以增加选民的信心，从而鼓励他们根据自己的真实偏好投票。该协议是非常轻量级的，因此它可以很容易地部署在现实生活中的投票场景。
2022-01-27 cs.CR cs.HC
Private Multiparty Perception for Navigation
Columbia University（哥伦比亚大学）
我们引入了一个框架，通过将多个摄像头连接在一起，同时保护隐私，在混乱的环境中导航。大型环境中的遮挡和障碍物对于导航代理来说通常是具有挑战性的情况，因为环境不能从单个相机视图完全观察到。给定环境的多个摄像机视图，我们的方法学习生成只能用于导航的多视图场景表示，可以证明防止一方推断输出任务之外的任何内容。在我们将公开发布的一个新的导航数据集上，实验表明，私人多方表示允许在复杂场景和障碍物周围导航，同时共同保护隐私。我们的方法可以扩展到任意数量的相机视点。我们认为，开发保护隐私的视觉表示对于导航等许多应用越来越重要。
2022-12-02 cs.CR cs.CV cs.LG
Performance Evaluation of Multiparty Authentication in 5G IIoT Environments
随着工业物联网（IIoT）等各种新兴技术的快速发展，需要保护这些设备之间的通信。通信系统延迟是对认证系统的性能产生不利影响的因素之一。5G网络可以实现更大的数据吞吐量和更低的延迟，这为IIoT设备之间的业务交易安全认证提供了新的机会。我们评估了一种开发灵活安全模型的方法，用于在动态5G环境中验证IIoT组件。
2020-01-16 cs.CR cs.PF
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
Multiparty quantum key agreement protocol secure against collusion attacks
安全多方量子密钥协商（MQKA）协议的公平性要求所有参与方完全是对等实体，并且可以平等地影响协议的结果以建立共享密钥，其中没有人可以单独决定共享密钥。然而，发现现有MQKA协议的部分对共谋攻击敏感，即，一些不诚实的参与者可以协作以预先确定最终密钥而不被检测到。提出了一种抗合谋攻击的多方QKA协议。与以往的抗$N-1$合谋者或抗$1$合谋者的QKA协议不同，本文研究了一种能抵抗$t$不诚实参与者合作的广义圈型MQKA协议.给你，$t < N$。我们希望本文的研究结果将有助于进一步研究公平MQKA协议。
2016-04-05 cs.CR quant-ph
Quorums Quicken Queries: Efficient Asynchronous Secure Multiparty Computation
我们描述了一个异步算法来解决安全多方计算（MPC）在n个球员，当严格小于1/8的分数的球员是由一个静态对手控制。对于域上的任何函数f，可以由具有m个门的电路计算，我们的算法要求每个参与者发送多个域元素，并执行O（m/n + \sqrt{n}）的计算量。这比传统算法有了显著的改进，传统算法需要每个玩家发送大量消息并执行Ω（nm）的计算。此外，我们定义了阈值计数问题，并提出了一个分布式算法来解决它在异步通信模型。我们的算法是负载平衡的，计算，通信和延迟的O（log n）的复杂性，并可能是独立的利益，其他应用程序的负载均衡的目标。
2013-10-13 cs.CR cs.DC cs.DS
PPCA: Privacy-preserving Principal Component Analysis Using Secure Multiparty Computation(MPC)
隐私保护数据采掘已成为一个重要的课题。人们已经建立了一些基于多方计算（MPC）的框架来提供理论上有保证的隐私，但现实世界中的算法性能不佳一直是一个挑战。使用主成分分析（PCA）作为一个例子，我们表明，通过考虑MPC平台的独特的性能特征，我们可以设计高效的算法级优化，如更换昂贵的运营商和级联。我们实现了约200 $\times$性能提升现有的隐私保护PCA算法具有相同的隐私保证水平。此外，使用真实世界的数据集，我们表明，通过结合多方数据，我们可以获得更好的训练结果。
2021-05-17 cs.CR cs.DS
Cryptographically secure multiparty evaluation of system reliability
系统的精确设计可能被视为应受保护的商业机密，而同时组件制造商有时不愿发布完整的测试数据（可能仅提供平均故障时间数据）。在这种情况下，既要进行准确的可靠性评估，又要满足各方的隐私要求，这似乎是不切实际的。然而，我们提出了密码学的最新发展，当结合最近开发的生存签名的可靠性理论，允许几乎完全的隐私，以保持在一个密码强大的方式，正是在这种设置。因此，系统设计者不必透露他们的商业秘密设计，并且组件制造商可以在内部保留组件测试数据。
2016-04-18 cs.CR stat.ME
Secure multiparty quantum computations for greatest common divisor and private set intersection
本文提出一种计算最大公约数的安全多方量子计算协议，通过构建精确量子周期查找算法改进最小公倍数协议，并基于此构建了私有集合交集协议，证明了其在半诚实模型下的正确性、无条件安全性和多项式复杂度。
2023-04-03 cs.CR quant-ph
Data Querying and Access Control for Secure Multiparty Computation
在物联网和智能环境中，从分布式传感器收集的数据通常由中央中间件存储和处理。这允许应用程序查询它们提供进一步服务所需的数据。然而，数据的集中化导致了一些隐私威胁：中间件成为必须信任的第三方，来自不同上下文的数据的链接和关联成为可能，数据主体失去了对数据的控制。因此，应考虑集中处理以外的其他办法。在这里，安全多方计算是一个有前途的候选人，安全和隐私保护的计算发生在接近数据源。为了使SMC适合在这些情况下的应用程序，我们扩展SMC作为一个服务：我们提供的元素，允许第三方查询计算数据从一组同行执行SMC。此外，我们建立细粒度的访问控制的个人数据查询的水平，产生数据保护的计算结果。通过添加措施来通知数据源有关请求及其数据的使用情况，我们展示了如何在SMC的基础上构建完全隐私保护的服务。
2019-01-09 cs.CR cs.NI
Unlinkable content playbacks in a multiparty DRM system
针对多方数字版权管理方案中的隐私侵犯问题，提出了一种解决方案。（漫游）用户从内容提供方购买内容许可证，并在任何附近的内容分发者处执行。我们的方法不需要任何可信的第三方-与大多数保护隐私的DRM相关工作相反-基于在任何移动Android设备上运行的重新加密方案。只有一个次要的安全关键部分需要在设备的SIM卡上执行，例如，SIM卡。
2013-04-30 cs.CR
Private Speech Classification with Secure Multiparty Computation
University of Washington Tacoma（华盛顿大学塔科马分校）；Ghent University（根特大学）；Monash University（莫纳什大学）
音频信号处理中的深度学习，如人类语音音频信号分类，是机器学习的一个丰富应用领域。合法的用例包括语音认证、枪声检测和情感识别。虽然自动人类语音分类有明显的优势，但应用程序开发人员可以从未受保护的音频信号处理中获得超出专业范围的知识。在本文中，我们提出了第一个基于深度学习的音频分类的隐私保护解决方案，该解决方案可证明是安全的。我们的方法基于安全多方计算，允许用另一方（鲍勃）的深度神经网络对一方（爱丽丝）的语音信号进行分类，而鲍勃不会以未加密的方式看到爱丽丝的语音信号。作为威胁模型，我们考虑被动安全性，即遵循密码协议指示的半诚实方，以及主动安全性，即偏离协议的恶意方。我们评估了所提出的解决方案在使用卷积神经网络从语音中进行隐私保护情感检测的用例中的效率-安全性-准确性权衡。在半诚实的情况下，我们可以在0.3秒内对语音信号进行分类;在恶意的情况下，它需要$\sim$ 1.6秒。在这两种情况下，都没有信息泄漏，并且我们实现了与在未加密数据上进行计算时相同的分类精度。
2021-01-28 cs.CR cs.LG cs.SD
Secure multiparty computations in floating-point arithmetic
本文证明仅用标准浮点算术即可实现隐私保护机器学习的安全多方计算，其信息泄露小于舍入误差且具备最坏情况界与数值稳定性证明，并在多种广义线性模型上验证了高性能。
2020-01-09 cs.CR cs.IT cs.LG
On Unconditionally Secure Multiparty Computation for Realizing Correlated Equilibria in Games
在博弈论中，一个受信任的中介代表参与者可以实现相关的均衡，这可能提供比纳什均衡更好的回报。我们探讨的方法，取代可信的调解人与无条件安全的采样协议，共同产生的球员的行动。我们的联合分布的特点，可以安全地采样恶意玩家通过协议使用无差错通信。这类分布取决于玩家是否可以同时说话（“廉价谈话”）或必须轮流说话（“礼貌谈话”）。在应用采样协议实现相关的均衡与理性的球员，我们观察到，对恶意方的安全性可能比必要的强得多。我们提出了合理的球员的安全抽样的概念，并证明了更多的分布是可行的给定一定的效用函数。然而，恶意玩家通过安全抽样可获得的收益是理性可获得收益的主要子集。
2013-11-06 cs.CR cs.GT cs.IT
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
Characterization of Secure Multiparty Computation Without Broadcast
密码学研究中的一个主要挑战是描述执行给定密码任务所需的必要和充分假设。这项工作的重点是一个广播信道的必要性，安全计算对称功能（所有各方收到相同的输出）时，三分之一的缔约方，或更多，可能会被损坏。假设所有各方都通过对等网络连接，但没有广播信道（也没有一个安全的设置阶段）是可用的，我们证明了以下特征：1）对称$n$ -党的功能可以安全地计算面临$n/3\le t<n/2$腐败（\ie诚实多数），当且仅当它是\emph{$(n-2t)$-dominated} ;一个功能是$k$主导的，如果\emph{any} $k$大小的子集，它的输入变量可以被设置为\emph{determine}它的输出。2)假设存在单向函数，当且仅当对称$n$方功能性是$1$主导的并且可以用广播安全地计算时，对称$n$方功能性可以面对$t\ge n/2$破坏（\ie没有诚实的多数）安全地计算.由此可见，在三分之一的参与方可能被破坏的情况下，广播对于安全地计算非支配函数（其中输入的“小”子集不能确定输出）是必要的，包括作为有趣的特殊情况的布尔XOR和硬币翻转函数。
2021-05-04 cs.CR
Confidential Consortium Framework: Secure Multiparty Applications with Confidentiality, Integrity, and High Availability
针对云环境下多方应用难以同时保证机密性、完整性和高可用性的问题，提出机密联盟框架（CCF），结合集中计算与去中心化信任，利用可信执行环境和不可变账本，支持透明治理和自定义应用逻辑，实现安全有状态应用。
2023-10-17 cs.CR cs.DC
CryptDough: A Unified Analytics Engine for Secure Multiparty Computation
Boston University（波士顿大学）
研究提出统一分析引擎CryptDough，支持多参与方安全分析，通过分层设计与虚拟向量概念提升扩展性，性能优于现有系统2倍以上。
2026-08-19 cs.CR cs.OS
Secure Aggregation in Federated Learning using Multiparty Homomorphic Encryption
本文提出一种基于多方同态加密（MPHE）的联邦学习安全聚合方法，通过在设置阶段引入秘密共享步骤实现部分节点可用时的解密，并结合梯度压缩方案，在保证安全性的同时显著降低了基线方案的额外开销。
2025-03-01 cs.CR
Towards Vertical Privacy-Preserving Symbolic Regression via Secure Multiparty Computation
针对纵向数据划分场景下符号回归的隐私保护空白，提出基于安全多方计算的联合建模方法，实现与集中式方案相当的性能同时保障数据隐私。
2023-07-22 cs.CR stat.ML
A Formal Model for Secure Multiparty Computation
本文提出一种针对带注解C程序的安全多方计算形式化模型，支持私有分支、可变数组和私有指针等特性，用于刻画正确性与非干扰安全属性，并在PICCO编译器中实现和评估。
2023-06-01 cs.CR cs.PL
Multiparty Routing: Secure Routing for Mixnets
匿名通信网络是在线隐私保护的重要组成部分。实现匿名的一种方法是通过多个路由器中继消息，其中每个路由器独立地混洗消息。为了实现匿名，至少有一个路由器需要是诚实的。在存在控制路由器子集的对手的情况下，无偏路由对于保证匿名性是重要的。然而，路由策略也影响其他因素，如系统的可扩展性和性能。一种解决方案是使用固定路由来将所有消息中继到多个路由器。如果路由不固定，则路由决定可以由通信发起者或中间路由器做出。然而，现有的路由类型各自具有局限性。例如，当增加具有固定路由的系统的吞吐量时，人们面临可伸缩性问题。此外，当路由决策留给发起者时，发起者需要始终保持系统的最新视图，这也不能扩展。如果路由决策留给中间路由器，则通信的路由可能会受到对手的影响。在这项工作中，我们提出了一种新的多方匿名通信路由方法，解决了这些缺点。我们分发路由决策，并验证路由的正确性，以实现路由的完整性。更具体地说，我们提供了一个混合网络设计，使用我们的路由方法，此外，地址负载均衡。我们表明，我们的系统是安全的，对全球活跃的对手。
2017-11-09 cs.CR
Inherit Differential Privacy in Distributed Setting: Multiparty Randomized Function Computation
如何在分布式环境中实现差分隐私，其中数据集分布在不信任的各方，是一个重要的问题。我们考虑在什么条件下协议可以继承它计算的函数的差分隐私性质。问题的核心是随机函数的安全多方计算。引入了\emph{obliviousness}的概念，它捕获了在分布式环境中从确定性函数计算随机化函数时的关键安全问题。通过这一观察，给出了由确定性函数计算随机化函数的一个充要条件。上述结果不仅可以用来判断计算差分私有函数的协议是否安全，而且可以用来构造安全的差分私有函数协议。证明了如果协议秘密地计算一个函数，则计算该函数的协议可以继承该函数的差分隐私性质，并给出了差分隐私协议的合成定理。我们还构造了一些协议，以产生随机变量的分布设置，如均匀随机变量和反演方法。利用这些基本协议，我们构造了高斯机制、拉普拉斯机制和指数机制的协议。重要的是，所有这些协议都满足遗忘性，因此可以通过基于模拟的方式证明是安全的。给出了分布情形下计算随机函数的复杂性界。最后，为了证明我们的研究结果对多方差分隐私协议的有效性，我们构造了一个差异隐私的经验风险最小化协议。
2016-04-11 cs.CR cs.DB
From Fairness to Full Security in Multiparty Computation
在安全多方计算（MPC）环境中，一组互不信任的多方希望联合计算一个函数，同时保证其输入的隐私性和输出的正确性。如果没有敌手可以阻止诚实方获得其输出，则MPC协议被称为\emph{fully secure}。如果攻击者可以提前中止计算，则称为\emph{fair}，但是，仅在学习任何新信息之前。我们提出了从公平计算到完全安全计算的高效转换，假设诚实方的比例是恒定的（例如，当事人的$1\%$是诚实的）。与以前的转换，需要线性调用（在党的数量）的公平计算相比，我们的转换需要超对数，有时甚至是超常数，这样的调用。其主要思想是将计算委托给随机选择的委员会，这些委员会调用公平计算。除了提高安全性的好处外，减少政党的数量也是有用的，因为只有委员会成员需要工作，而其余的政党只需通过广播频道“收听”计算。
2021-05-06 cs.CR
Multiparty Authorization for Secure Data Storage in Cloud Environments using Improved Attribute-Based Encryption
Birla Institute of Technology, Mesra（梅斯拉比尔拉理工学院）；School of Computer Science, UPES Dehradun（德里敦尤皮斯大学计算机学院）
本文提出了一种改进的属性加密方法，通过抛物线和秘密共享技术实现多方授权，以提高云环境中的数据存储安全性和效率。
2025-12-29 cs.CR
Symphony: Expressive Secure Multiparty Computation with Coordination
内容：安全多方计算（MPC）是指一系列密码技术，其中相互不信任的各方可以计算其私有输入的函数，同时仅显示函数输出。询价：使用现有的语言和框架很难正确有效地对MPC进行编程，特别是当它们需要协调不同的计算角色时。我们怎么能让这更容易？方法：我们提出Symphony，一种新的功能性程序设计语言，用于两方或多方之间的MPC。Symphony从先前MPC语言的单指令多数据（SIMD）语义开始，其中每一方都执行对称的责任，并使用可以协调多方的结构来概括它。Symphony引入了 ** 一流的分享 ** 和 ** 一流的派对集 **，以高效率提供无与伦比的语言级表现力。知识：开发一个核心的形式语言称为$λ$ -交响乐，我们证明了直观的，广义的SIMD视图的程序符合其实际的分布式语义。因此，程序员可以通过从上到下阅读程序来推理，即使实际上程序是以协调的方式运行的，分布在许多机器上。我们为Symphony实现了一个利用多个加密后端的原型解释器。我们用它编写了各种MPC程序，发现Symphony可以表达其他语言无法表达的优化协议，并且一般来说Symphony程序运行效率很高。[完整摘要见https://doi.org/10.22152/programming-journal.org/2023/7/14]
2023-02-20 cs.CR cs.PL
A Secure and Privacy-preserving Protocol for Smart Metering Operational Data Collection
在本文中，我们提出了一种新的协议，允许供应商和电网运营商收集用户的聚合计量数据在一个安全和隐私保护的方式。我们使用安全多方计算来确保隐私保护。此外，我们提出了三种不同的数据聚合算法，提供不同的隐私保护和性能之间的平衡。我们的协议是专为一个现实的情况下，数据需要发送到不同的方，如电网运营商和供应商。此外，它还有助于以保护隐私的方式准确计算输电、配电和电网平衡费用。我们还提出了我们的协议的安全性分析和性能评估的基础上著名的多方计算算法实现的C++。
2019-03-14 cs.CR
Dynamic Multiparty Authentication of Data Analytics Services within Cloud Environments
业务分析流程通常由经过编排的协作服务组成，这些服务由来自多个云系统（在不同的安全领域）的用户使用，需要在运行时动态参与。如果位于不同安全领域的异构云系统没有直接的身份验证关系，那么实现安全协作是一个相当大的技术挑战。为了解决这一安全挑战，需要一个新的身份验证框架，通过向会话的所有参与者分发公共会话密钥，在业务分析服务实例和用户之间建立信任。我们通过设计和实现一个安全的多方身份验证框架的动态交互，为不同的安全领域的成员表示需要访问编排的服务的情况下，这一挑战。这种新颖的框架利用了不同安全领域中的会话成员之间的信任关系，使用户能够获得访问远程领域中的云资源的安全凭证。该机制帮助云会话用户验证其会话成员身份，从而提高多方会话中验证过程的性能。我们看到这个框架的适用性超越了多个云基础设施，适用于任何可能存在多个安全领域的场景，例如新兴的物联网（IoT）。
2019-01-10 cs.CR
Lightweight Self-Bootstrapping Multiparty Computations of Time-Series Data with Custom Collusion Tolerance
在这项工作中，我们比较了两个最近的多方计算（MPC）协议的私人求和的性能。这两个协议都允许从各方在初始阶段生成的同一组公钥进行多轮聚合。我们实例化的协议与一个快速的椭圆曲线，并提供了一个实验比较其性能的不同阶段的协议。此外，我们引入了一种技术，允许这两个协议的计算负载减少的代价，防止合谋容忍。我们证明了这两个协议仍然是安全的，这种技术，并评估其对共谋容忍度和支持的轮数的影响。
2014-02-28 cs.CR
Secure Multiparty Generative AI
Block Entropy Inc（布洛克熵公司）
本文提出一种基于去中心化网络和机密可验证多方计算的安全生成式人工智能方法，通过修改transformer并引入分片机制，在保护用户输入和模型隐私的同时降低单节点计算负担，并证明只要存在一个诚实节点或多数节点成功即可保证安全性和推理成功。
2024-09-27 cs.AI cs.CR
How to Securely Shuffle? A survey about Secure Shufflers for privacy-preserving computations
University of Twente（特文特大学）；Inria（法国国家信息与自动化技术研究院）
本文综述了26种安全洗牌协议，分析其分类、比较及隐私保护技术，提供选择指南和未来研究方向。
2025-12-01 cs.CR cs.LG
Supporting Multiparty Signing over Named Data Networking
现代数控系统需要多方认证和授权，以满足所需的安全要求。本文介绍了NDN-MPS的设计和开发，这是一个自动化的解决方案，用于支持NDN应用程序的多方签名和验证。NDN-MPS建议对现有的NDN安全解决方案进行一些更改和扩展。首先，它引入了一种新的信任模式，以支持在复杂的策略，如阈值方案下的多个签名者的签名和验证。其次，它扩展了NDN签名格式，以适应多重签名方案，如BLS签名。第三，它引入了一个签名收集协议，从多个签名者安全地征求签名。我们通过评估其安全属性和测量其性能来进一步评估NDN-MPS。
2021-06-08 cs.CR cs.NI
