Secure Computation of Top-K Eigenvectors for Shared Matrices in the Cloud
随着传感器网络、移动计算和Web应用的发展，数据从多个分布式源收集形成大数据集。这些数据集可以托管在云中，以实现经济的处理。然而，这些数据可能是高度敏感的，需要安全的存储和处理。我们设想了一个基于云的数据存储和处理框架，使用户能够经济安全地共享和处理大数据集。在此框架下，我们研究了基于矩阵的数据采掘算法，重点研究了安全的top-k特征向量算法。我们的方法使用了一个迭代处理模型，在该模型中，授权用户与云进行交互以实现结果。在这个过程中，源矩阵和中间结果都是保密的，客户端的成本很低。该方法的安全性通过使用Paillier加密和随机扰动技术得到保证。我们在特定于云的威胁模型下仔细分析其安全性。我们的实验结果表明，该方法是可扩展的大矩阵，同时需要低客户端的成本。
2013-02-22 cs.CR
Secure IVSHMEM: End-to-End Shared-Memory Protocol with Hypervisor-CA Handshake and In-Kernel Access Control
Secure IVSHMEM通过通道分离、内核访问控制、虚拟机监控器握手及应用集成，为共享内存通信提供端到端认证与细粒度访问控制，性能开销极小，适用于汽车等安全关键场景。
2025-09-26 cs.CR
Secure and Trustable Electronic Medical Records Sharing using Blockchain
电子病历（EMR）是医疗保健领域的重要、高度敏感的私人信息，需要在同行之间频繁共享。区块链提供了所有交易的共享，不可变和透明的历史记录，以构建具有信任，问责制和透明度的应用程序。这为使用区块链开发安全可靠的EMR数据管理和共享系统提供了独特的机会。在本文中，我们提出了我们对基于区块链的医疗保健数据管理的看法，特别是医疗保健提供者之间的EMR数据共享和研究。我们提出了一个管理和共享癌症患者护理EMR数据的框架。通过与Stony Brook大学医院合作，我们在原型中实现了我们的框架，该框架确保了对EMR数据的隐私性、安全性、可用性和细粒度访问控制。建议的工作可以显着减少电子病历共享的周转时间，改善医疗决策，并降低整体成本
2017-08-02 cs.CR cs.CY
Secure Computation with Shared EPR Pairs (Or: How to Teleport in Zero-Knowledge)
本文利用共享 EPR 对构造随机接收方一次性字符串 OT，并据此实现安全量子隐形传态及 NIZK 等应用，还提出两轮最优、无条件安全的经典功能 MPC 协议。
2023-04-20 cs.CR quant-ph
Semantically Secure Private Set Intersection over Outsourced Multi-Owner Secret-Shared Databases
私有集合交集（PSI）的目的是让用户在不泄露其他成员信息的情况下，找出用户之间共同共享的项目。最近在数据库社区中提出的PSI方法是Prism，它建立在秘密共享和多个非合谋服务器可用的假设之上。Prism的一个局限性在于其语义安全性：服务器上的编码是确定性的，这意味着该方案在选择明文攻击（IND-CPA）下无法区分。本文通过两个正交原语，即Kaleido-RND和Kaleido-AES，对Prism的PSI方案进行了扩展：前者在随机编码下具有高效的性能，后者在CPA攻击下具有可证明的安全性，但计算开销较大。在一个34节点的SQLite实例集群上实现并部署了一个系统原型。在TPC-H基准测试和三个实际应用中的大量实验证实了所提出的Kaleido原语的有效性。
2023-03-13 cs.CR cs.DB
Let's shake on it: Extracting secure shared keys from Wi-Fi CSI
本文提出利用Wi-Fi CSI的互易性和位置敏感性，通过摇动设备引入随机性，结合子载波选择、多数规则、最小熵估计和Cascade协调算法，在室内环境中以每包1.2-1.6%的速率生成安全共享密钥，20秒摇动即可生成128位密钥。
2023-07-11 cs.CR
Secure Groupcast with Shared Keys
我们考虑一个发射机和$K$接收机，每个接收机与发射机共享一个密钥变量。通过无噪声广播信道，发射机希望将公共消息$W$安全地发送到$K$接收机中的$N$，而其余的$K-N$接收机不知道关于$W$的信息。我们感兴趣的是最大消息速率，即，每个密钥块可以安全地组播到合法接收机的$W$的最大比特数和最小广播带宽，即，安全地组播消息位所需的广播信息的最小位数。我们专注于组合密钥的设置，其中每个子集的$K$接收器共享一个独立的密钥的任意大小。在该组合密钥设置下，最大消息速率的特征在于以下场景：1）$N=1$或$N=K-1$，即，对具有$K-1$窃听者的1个接收机的安全单播或对具有$1$窃听者的$K-1$接收机的安全组播，2）$N=2, K=4$，即，安全组播到4个接收机中的$2$，以及3）对称设置，其中相同基数的任何子集的密钥大小对于任何$N,K$都相等。此外，对于后两种情况，表征了最大消息速率的最小广播带宽。
2020-03-26 cs.CR cs.IT math.IT
Secrecy: Secure collaborative analytics on secret-shared data
我们提出了一个关系MPC框架，用于在没有信息泄漏的情况下对私有数据进行安全的协作分析。我们的工作目标是具有挑战性的用例，其中数据所有者可能没有私人资源参与计算，因此，他们需要将数据分析安全地外包给不受信任的第三方。我们定义了一组不经意的运营商，解释他们所依赖的安全原语，并分析其成本方面的操作和各方之间的通信。我们展示了如何组成这些运营商可以形成端到端的不经意的查询，我们引入逻辑和物理优化，大大减少了查询执行过程中的空间和通信需求，在某些情况下，从二次到线性或从线性到对数相对于基数的输入。我们实现了我们的框架上的复制秘密共享在一个名为Secondary的系统，并评估它使用真实的查询从几个MPC应用领域。我们的实验表明，与基线方法相比，所提出的优化可以减少超过1000倍的执行时间，使Secondary能够超越最先进的框架，并在数百万个输入行上计算MPC查询，每方只有一个线程。
2022-02-03 cs.CR cs.DB
Obscure: Information-Theoretically Secure, Oblivious, and Verifiable Aggregation Queries on Secret-Shared Outsourced Data -- Full Version
尽管密码学取得了令人兴奋的进展，但外包数据的安全和高效查询处理仍然是一个公开的挑战。我们开发了一个通信效率和信息理论上的安全系统，题为模糊的聚合查询与合取或析取谓词，使用秘密共享。模糊是强安全的（即，无论对手的计算能力如何都是安全的），并防止网络以及（对抗）服务器学习用户的查询、结果或数据库。此外，Obscure还提供了额外的安全功能，例如隐藏访问模式（即，隐藏满足查询的元组的身份）和隐藏查询模式（即，隐藏哪两个查询是相同的）。此外，Obscure不需要在查询执行之前/期间/之后存储秘密共享数据的任何两个服务器之间的任何通信。此外，我们的技术处理由单个或多个数据库所有者外包的秘密共享数据，以及允许可能不是数据库所有者的用户对秘密共享数据执行查询。我们进一步开发了（非强制性的）隐私保护结果验证算法，用于检测恶意行为，并通过实验验证了Obscure在大型数据集上的效率，而之前的秘密共享或多方计算系统的方法还没有扩展到这种规模。
2020-04-27 cs.CR cs.DB cs.IR
Unconditionally secure device-independent quantum key distribution with only two devices
设备无关的量子密钥分发是指使用未表征的量子设备在两个用户之间建立共享密钥。如果一个协议是安全的，不管设备的行为如何，它都可以用来生成共享密钥，即使设备的供应商是恶意的。迄今为止，所有已知安全的设备无关的量子密钥分发协议都需要用于每个纠缠对的单独的隔离设备，这是一个显著的实际限制。我们引入一个协议，要求Alice和Bob每个人只有一个设备。虽然效率低下，我们的协议是无条件的安全对敌对供应商仅限于本地强制执行的信令约束。
2012-10-11 cs.CR quant-ph
Secure Comparison Without Explicit XOR
我们提出了一个有效的协议，安全比较整数时，两个整数之间共享的两方。这样的协议对于实现安全拍卖是有用的。所提出的协议的计算复杂性大约是最知名的有效协议的复杂性的一半。所提出的协议的效率源于删除XOR计算，这是一个耗时的操作。
2012-04-12 cs.CR
Provably-secure symmetric private information retrieval with quantum cryptography
私有信息检索（PIR）是一种提供用户隐私的数据库查询协议，因为用户可以学习他感兴趣的数据库的特定条目，但他的查询将对数据中心隐藏。对称私有信息检索（SPIR）通过额外提供数据库隐私来进一步实现PIR，其中用户无法了解数据库的任何其他条目。具有多个数据库的无条件安全的SPIR解决方案是经典的，但是是不现实的，因为它们需要各方之间的长时间共享密钥以用于安全通信和协议中的共享随机性。在这里，我们建议使用量子密钥分发（QKD），而不是一个实际的实现，它可以实现安全通信和共享的随机性要求。我们证明了量子密钥分配保持了SPIR协议的安全性，并且对任何外部窃听者也是安全的。我们还展示了如何在实际中实现这样的经典量子系统，使用两个数据库的SPIR协议与测量设备无关的QKD产生的密钥的例子。通过密钥速率计算，我们表明，这样的实现是可行的，在城市一级与当前的QKD技术。
2021-01-18 cs.CR cs.IR quant-ph
Trusted Credentials, Untrusted Behavior: Benchmarking LLM-Agent Security in High-Performance Computing
Texas Tech University（德克萨斯技术大学）
研究高性能计算中语言模型代理安全性，定义其威胁模型，识别攻击面及当前控制不足，提出研究议程和TaskBound实证基准测试计划，以应对代理按用户凭证运行时可能出现的劫持授权代理问题。
2026-07-22 cs.AI cs.CR
An efficient and provably secure arbitrated quantum signature scheme
结合量子密码技术和经典密码学的思想，提出了一种高效的仲裁量子签名方案。在该方案中，签名者和接收者可以与仲裁者共享一个长期密钥，该密钥与一个随机数一起使用。而在以往的量子签名方案中，签名者和仲裁者之间或者接收者和仲裁者之间共享的密钥只能使用一次，因此每次签名时，签名者和接收者都必须通过量子密钥分发协议获得与仲裁者共享的新密钥。详细的理论分析表明，该方案是有效的和可证明安全的。
2020-06-15 cs.CR quant-ph
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
ShieldShare: Building a VPN-backed Android Hotspot for Secure Internet Sharing with Per-User Traffic Accounting
Khoury College of Computer Sciences Northeastern University Vancouver, Canada
本文提出ShieldShare，一种无需root权限的Android应用，通过代理实现安全VPN热点共享，并支持按用户计费。系统采用模块化架构，包含VPN检测、热点管理、代理流量转发及流量计量功能。
2026-05-02 cs.CR cs.NI
High Capacity, Secure (n, n/8) Multi Secret Image Sharing Scheme with Security Key
高安全性的秘密图像共享需求的不断增长导致了包含重要和机密信息的重要图像的有利可图的交换的巨大进步。多秘密图像共享系统（MSIS）是一种高效、鲁棒的秘密图像安全传输方法。在最近的研究中，n个秘密图像被加密成n个或n+ 1个共享图像并存储在不同的数据库服务器中。解码器必须接收所有n或n+1个加密图像以再现秘密图像。从n-1个或更少的共享图像中可以恢复部分秘密信息，这对加密的机密信息构成了风险。在本文中，我们提出了一种新的算法，以增加共享容量使用（n，n/8）多秘密共享方案的安全性增加，通过产生一个唯一的安全密钥。一个未公开的比较图像被用来产生份额，这使得秘密图像对黑客来说是无懈可击的
2017-10-26 cs.CR
A fingerprint based crypto-biometric system for secure communication
为了确保数据的安全传输，密码学被视为最有效的解决方案。密钥是该过程中的重要实体。一般来说，随机生成的密钥（256位）很难记住。然而，这种密钥需要存储在受保护的地方或通过共享通信线路传输，这实际上对安全性构成了另一种威胁。作为替代方案，研究人员主张在通信会话期间使用发送者和接收者的生物特征生成密钥，从而避免密钥存储，同时又不损害安全性。然而，基于生物特征的密码密钥生成具有很少的问题，诸如生物特征的隐私、通信用户之间的生物特征数据的共享（即，发送方和接收方），以及从不可撤销的生物特征生成可验证密钥。这项工作解决了上述问题。在这项工作中，已经提出了一个框架，用于两个用户之间的安全通信，使用基于指纹的密码生物识别系统。为此，Diffie-Hellman（DH）算法用于从发送方和接收方的私钥生成公钥，该公钥被共享并进一步用于在两端产生对称的加密密钥。该方法利用不可撤销指纹生成对称密码系统的可撤销密钥。生物特征数据既不存储也不共享，保证了生物特征数据的安全性，并使用会话密钥实现了完美的前向保密。这项工作还确保了两个用户之间通信的消息的长期安全性。通过对FVC 2002和NIST专用数据库的四个数据集的实验评估，证明该框架具有隐私保护功能，可以应用于实际的访问控制系统中。
2018-05-22 cs.CR
Supporting Socially Constrained Private Communications with SecureWhispers
本文提出SecureWhispers方法，通过共同摇动手机在不依赖第三方基础设施的情况下生成设备间共享秘密，并实现消息混淆、信任委托和加密信标三种私密通信应用。
2025-08-18 cs.CR
Boosting Communication Efficiency of Federated Learning's Secure Aggregation
本文提出通信高效的安全聚合协议CESA，每个客户端仅用两个共享密钥掩码模型，在稳定网络中显著降低联邦学习安全聚合的通信开销，同时防止诚实但好奇的服务器获取未掩码模型。
2024-05-02 cs.CR
The Secure Machine: Efficient Secure Execution On Untrusted Platforms
在这项工作中，我们提出了安全机器，SeM的短，CPU架构的安全计算扩展。SeM使用少量的片内附加硬件来监控CPU芯片内的关键通信通道，并仅在需要时才采取行动。SeM为安全程序提供机密性和完整性，而无需信任平台软件或任何片外硬件。SeM支持在单核或多核、多CPU上运行的单线程和多线程应用程序的现有二进制文件。它导致的性能下降只有百分之几，其中大部分是由于在许多安全架构中常用的内存加密层。我们还开发了SeM-Prepare，这是一种软件工具，可以自动使用附加指令对现有应用程序（二进制文件）进行检测，以便它们可以在我们的架构上安全地执行，而无需任何编程工作或所需程序源代码的可用性。为了在共享内存环境中实现安全的数据共享，我们开发了安全分布式共享内存（SDSM），这是一种高效的（时间和内存）算法，允许数千个计算节点在不受信任的计算环境中运行时安全地共享数据。SDSM在性能上的降低可以忽略不计，并且它需要的硬件资源可以忽略不计。我们开发了分布式内存完整性树，一种增强单节点完整性树的方法，用于保持运行在不可信计算环境中的分布式应用程序的完整性。我们表明，我们的方法是适用于现有的单节点完整性树，如Merkle树，盆景Merkle树，英特尔的SGX内存完整性引擎。所有这些构建块可以一起使用以形成实用的安全系统，并且一些可以与其他安全系统结合使用。
2018-03-11 cs.AR cs.CR cs.DC
Partitioned Tags, Shared Data: Reconciling Strict Cache Isolation with Write-Shared Coherence
University of Minnesota（明尼苏达大学）
提出SCP方法，通过仅分区标签、共享数据池并调整大小避免容量驱逐，结合时序混淆和写泄漏阈值，在严格隔离下实现写共享一致性，有效防御Prime+Probe和Flush+Reload攻击。
2026-06-11 cs.AR cs.CR
BlockLoc: Secure Localization in the Internet-of-Things using Blockchain
一些物联网应用程序紧密依赖于设备的位置。然而，定位算法可以很容易地通过注入错误的位置而受到损害。在本文中，我们提出了一种基于区块链的物联网（IoT）安全定位算法。该算法使用一个公共账本（区块链），其中包含节点位置及其邻居节点列表。该分类账在IoT设备之间共享。一旦物联网设备被定位，其新位置和邻居节点列表就会被添加到区块链中。这些共享的本地化数据稍后将被其他物联网设备用于其本地化过程。为了避免恶意节点发送虚假位置的攻击，在将其添加到区块链之前，需要验证所声称位置的正确性。此外，节点（物联网设备）之间交换的数据经过签名，以保证其真实性和完整性。将这些安全机制集成到本地化过程中可以排除错误数据，从而减少本地化错误。仿真结果表明，在存在恶意节点的情况下，加入安全机制后，算法的定位精度得到了提高。
2019-04-30 cs.CR
Distributed and Secure ML with Self-tallying Multi-party Aggregation
隐私保护多方计算在医学、在线广告等领域有着广泛的应用。在这项工作中，我们提出了一个在不受信任的个人之间进行分布式、安全的机器学习的框架。该框架由两部分组成：基于同态加法的两步训练协议和用于数据有效性的零知识证明。通过结合这两种技术，我们的框架提供了每个用户数据的隐私，防止恶意用户贡献损坏的数据的共享池，使每个用户能够自行计算的算法的结果，而不依赖于外部可信的第三方，并要求用户组之间没有私人通道。我们展示了不同的ML算法，如潜在狄利克雷分配，朴素贝叶斯，决策树等，适合我们的分布式，安全计算的框架。
2018-11-26 cs.CR
Efficient decision tree training with new data structure for secure multi-party computation
我们提出了一个安全的多方计算（MPC）协议，构造一个秘密共享的决策树为一个给定的秘密共享数据集。先前基于MPC的决策树训练方案（Abspoel et al. 2021）需要$O(2^hmn\log n)$比较，树高$h$为指数，$n$和$m$分别为数据集中的行数和属性数。$h$中的指数比较次数的原因是决策树训练算法基于分治范式，其中在每次拆分之后添加虚拟行以隐藏数据集中的行数。我们通过安全的数据结构来解决这个问题，该结构使我们能够在隐藏分组信息的同时计算每个组的聚合值。通过使用这种数据结构，我们可以训练一棵决策树，而不添加哑行，同时隐藏中间数据的大小。我们具体描述了一个决策树训练协议，只需要$O(hmn\log n)$比较时，输入属性是连续的，输出属性是二进制的。请注意，顺序现在是树高度$h$中的\emph{linear}。为了证明我们的协议的实用性，我们实现了它在MPC框架的基础上的三方秘密共享方案。我们的实现结果表明，我们的协议在33秒内训练了一个高度为5的决策树，数据集为10万行和10个属性。
2021-12-24 cs.CR
Secure Cloud Computing through Homomorphic Encryption
去云，一直是人的梦想.云计算提供了许多好处和服务，其客户谁支付使用的硬件和软件资源（服务器托管在数据中心，应用程序，软件.）他们可以通过互联网访问，而不需要昂贵的计算机或大容量的存储系统，也不需要支付任何设备维护费用。但是，这些云提供商必须保证使用虚拟化概念在多个客户端之间共享存储在其数据中心中的隐私和敏感数据。
2014-09-02 cs.CR
Secure Data Sharing With Flow Model
Duke University（杜克大学）；Tsinghua University（清华大学）
在经典的多方计算设置中，多方联合计算函数，而不暴露它们自己的输入数据。我们考虑这个问题的一个变体，其中输入数据可以共享用于机器学习训练目的，但数据也被加密，以便其他方无法恢复。我们提出了一种基于旋转的方法使用流模型，并从理论上证明了其安全性。我们证明了我们的方法在不同场景下的有效性，包括监督安全模型训练和无监督生成模型训练。我们的代码可以在https://github.com/ duchenzhuang/flowencrypt上找到。
2020-09-24 cs.CR cs.LG stat.ML
Synchronized DNA sources for unconditionally secure cryptography
Gulliver CNRS, ESPCI Paris, Université PSL（Gulliver CNRS，巴黎ESPCI学院，巴黎文理研究大学）；IMT Atlantique, Inserm, LaTIM（大西洋高等理工学院，法国国家健康与医学研究院，LaTIM）；LIMMS, CNRS-Institute of Industrial Science, The University of Tokyo（日本理化学研究所-CNRS联合实验室，东京大学工业科学研究所）；Institute of Industrial Science, The University of Tokyo（东京大学工业科学研究所）；XLIM, University of Limoges（XLIM，利摩日大学）
本文提出利用合成DNA随机池实现同步熵源，用于长距离无条件安全加密。通过本地测序生成二进制掩码，实现OTP加密，满足NIST标准并抵抗两种对抗干扰。
2026-03-17 cond-mat.other cs.CR q-bio.OT
Differentially Private Secure Multi-Party Computation for Federated Learning in Financial Applications
Georgia Institute of Technology（佐治亚理工学院）；J.P. Morgan AI Research（摩根大通人工智能研究院）
联邦学习使一群客户端能够与受信任的服务器一起协作学习共享的机器学习模型，同时将每个客户端的数据保存在自己的本地系统中。这降低了暴露敏感数据的风险，但仍然有可能从通信的模型参数中对有关客户端私有数据集的信息进行逆向工程。因此，大多数联邦学习系统使用差分隐私来将噪声引入参数。这增加了任何试图揭示私人客户端数据的不确定性，但也降低了共享模型的准确性，限制了隐私保护噪声的有用规模。一种系统，通过还包括安全多方计算，可以进一步降低协调服务器恢复私人客户端信息的能力，而没有额外的准确性损失。结合这两种技术的方法与金融公司特别相关，因为它为协作学习提供了新的可能性，而不会暴露敏感的客户数据。这可以为重要任务（如最佳交易执行、信贷发放或欺诈检测）生成更准确的模型。本文的主要贡献是：我们提出了一个隐私保护的联邦学习协议的非专业观众，证明它使用逻辑回归在现实世界中的信用卡欺诈数据集，并评估它使用一个开源的模拟平台，我们已经适应了联邦学习系统的发展。
2020-10-12 cs.AI cs.CR cs.MA
