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
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
Fully Homomorphically Encrypted Deep Learning as a Service
University of Aberdeen（阿伯丁大学）；University of Lincoln（林肯大学）；Scotland’s Rural College（苏格兰乡村学院）
全同态加密（FHE）是隐私保护技术领域中相对较新的进展。FHE允许加法和乘法的任意深度计算，因此可以应用阿贝尔/多项式方程，如深度学习算法中的那些。该项目研究、推导并证明了如何以相对较低的时间复杂度大规模使用具有深度学习的FHE，以及这种系统所引发的问题，以及这些问题的缓解/解决方案。此外，我们还讨论了这将如何对数据隐私的未来产生影响，以及它如何能够在农业食品供应链中的各个参与者之间实现数据共享，从而允许开发基于机器学习的系统。最后，我们发现，虽然FHE招致高空间复杂度成本，时间复杂度是在预期的合理范围内，同时允许绝对私人的预测，在我们的情况下，牛奶产量预测。
2021-07-26 cs.CR cs.LG
Sharing Data Homomorphically Encrypted with Different Encryption Keys
在本文中，我们提出了第一个基于同态的代理重新加密（HPRE）解决方案，允许不同的用户共享他们外包同态加密使用各自的公钥与远程处理这些数据的可能性的数据。更清楚地，该方案使得在没有可信第三方的帮助下将公共加密密钥切换到另一个密钥成为可能。它的独创性在于我们提出的一种方法，以便计算两个加密数据之间的差异，而无需解密它们，也无需额外的通信。基本上，在我们的HPRE方案中，两个用户，委托者和被委托者，要求云服务器基于秘密密钥生成加密的噪声，这两个用户之前达成一致。基于我们用于比较加密数据的解决方案，云计算加密的噪声和委托者的加密数据之间的差异，从而获得盲数据。接下来，云使用代表的公钥加密这些差异。由于噪声也是代理已知的，所以这个代理只需要删除它就可以访问用他的公钥加密的数据。这种解决方案已经在外包到半诚实云服务器的图像共享的情况下进行了实验。
2017-06-06 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
Secure Multilayer Perceptron Based On Homomorphic Encryption
在这项工作中，我们提出了一个外包的安全多层感知器（SMLP）计划，在训练和分类阶段确保数据和模型的隐私和机密性。更清楚地说，这个SMLP：i）可以由云服务器基于用户先前以同态加密形式外包的数据来训练; ii）其参数是同态加密的，从而不给出云的线索;以及iii）其还可以用于对由用户发送的新的加密数据进行分类，用户向其返回加密的加密分类结果。这个计划的独创性有三个方面。据我们所知，它是第一个多层感知器（MLP）在同态加密数据的训练阶段没有收敛问题。它不需要服务器和用户之间的额外通信。它是基于整流线性单元（ReLU）激活函数，我们确保没有近似与实际SMLP解决方案。为此，我们利用两个半诚实的非串通服务器。在一个用Paillier密码系统加密的二进制数据库上进行的实验结果证明了我们方案的整体性能及其收敛性。
2018-06-07 cs.CR
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
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
Public-Decay Homomorphic State Space Models for Private Sequence Inference
School of Technology and Management (ESTG-IPVC) Polytechnic Institute of Viana do Castelo（技术与管理学院（ESTG-IPVC）葡萄牙维亚纳多卡斯托尔理工大学）
本文提出公共衰减同态状态空间模型（HSSMs），通过加密-明文公共衰减更新状态，实现隐私序列推断，在保持加密状态的同时提升效率和准确性。
2026-05-15 cs.CR cs.LG
HE-MAN -- Homomorphically Encrypted MAchine learning with oNnx models
MCI Management Center Innsbruck（因斯布鲁克管理中心）；Fraunhofer Austria Research GmbH（弗劳恩霍夫奥地利研究有限公司）；SCCH Software Competence Center Hagenberg（哈根贝格软件能力中心）
本文提出开源两方机器学习工具集HE-MAN，利用全同态加密在ONNX模型上实现隐私保护推理，支持Concrete和TenSEAL两种方案，在保证准确率与明文模型相当的同时无需用户具备密码学专业知识。
2023-02-16 cs.CR cs.LG
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
Computing Blindfolded on Data Homomorphically Encrypted under Multiple Keys: An Extended Survey
新的加密技术，如同态加密（HE），允许将计算外包给资源丰富的云中，并在资源丰富的云中进行盲评估。这些计算通常需要多个参与者拥有的私有数据，参与某些功能的联合评估。例如，全基因组关联研究（GWAS）由于最近基因组测序技术的激增而变得可行。由于基因组数据的敏感性，这些数据应该使用不同的密钥进行加密。然而，支持对在多个密钥下加密的密文进行计算是一项不平凡的任务。在本文中，我们提出了一个全面的调查不同的国家的最先进的密码技术和方案，是常用的。本文综述了基于属性的加密（ABE）、代理重加密（PRE）、门限同态加密（ThHE）和多密钥同态加密（MKHE）等技术和方案。我们基于不同的系统和安全模型分析它们，并研究它们的复杂性。我们分享经验教训，并提出意见，以设计更好的方案，减少间接费用。
2020-08-11 cs.CR
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
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
Homomorphic WiSARDs: Efficient Weightless Neural Network training over encrypted data
University of Campinas（坎皮纳斯大学）；IMDEA Software Institute（IMDEA软件研究所）；Aarhus University（奥胡斯大学）
本文提出对 WiSARD 及无权神经网络进行同态评估，实现加密数据上的高效训练与推理，在 MNIST 和 HAM10000 上相比现有方法 Glyph 实现最高 1200 倍加速且精度损失极小。
2024-03-29 cs.CR cs.LG
Revisiting Fully Homomorphic Encryption Schemes
本文综述了文献中的多种全同态加密方案，分析并比较了各方案的结果，并提供了相关应用与开源工具。
2023-05-10 cs.CR
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
HETAL: Efficient Privacy-preserving Transfer Learning with Homomorphic Encryption
University of California, Berkeley（加州大学伯克利分校）；CryptoLab Inc.（CryptoLab公司）；Inha University（仁荷大学）
本研究针对迁移学习在机器学习即服务场景下的隐私保护问题，提出基于CKKS同态加密的HETAL算法，实现了与非加密训练精度相当的加密训练，训练效率大幅提升。
2024-03-21 cs.CR cs.LG
CryptoEmu: An Instruction Set Emulator for Computation Over Ciphers
全同态加密（FHE）允许对加密数据进行计算。这项技术使隐私保护云计算成为现实。用户可以将加密的敏感数据发送到云服务器，获取返回的加密结果并对其进行解密，而无需担心数据泄露。本项目报告介绍了一个同态指令集仿真器CryptoEmu，它可以在加密数据上进行完全同态计算。基于软件的指令集仿真器建立在支持门级同态评估的开源、最先进的同态加密库之上。指令集架构支持属于ARMv8指令集架构子集的多个指令。指令集仿真器利用并行计算技术来仿真每个功能单元以实现最小延迟。该项目报告包括设计考虑、指令集仿真器体系结构、数据路径和控制单元实现的详细信息。我们在48核工作站上评估并演示了该指令集仿真器的性能和可扩展性。与HELib（一种最先进的同态加密库）相比，CryptoEmu在同态计算性能方面表现出了显著的加速。
2021-01-09 cs.CR
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
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
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
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
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
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 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
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
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
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
CaRENets: Compact and Resource-Efficient CNN for Homomorphic Inference on Encrypted Medical Images
卷积神经网络（CNN）在医学图像分类任务中实现了显著的性能飞跃。然而，由于数据隐私问题，将神经网络模型转换为临床应用仍然具有挑战性。全同态加密（FHE）有可能解决这一挑战，因为它可以在加密图像上使用CNN。然而，当前的HE技术造成巨大的计算和存储器开销，特别是对于高分辨率图像，例如在临床背景下看到的那些。我们提供CareNet：紧凑且资源高效的CNN，用于在实际应用中对高分辨率加密图像进行高性能和资源高效的推理。在核心，CareNet包括一个新的FHE紧凑包装方案，与CNN功能紧密集成。与标准交错打包方案相比，CaRENets提供了内存效率（由于图像和CNN激活的紧凑打包）和推理速度（由于创建的密文数量和相关数学运算的减少）的双重优势。我们应用CaRENets在两种临床条件下执行具有80位安全级别的同态异常检测-早产儿视网膜病变（ROP）和糖尿病视网膜病变（DR）。ROP数据集包括96 x 96灰度图像，而DR数据集包括256 x 256 RGB图像。我们展示了超过4-5倍的内存效率和4 - 5倍的推理加速比交错包装方案的改善。由于我们的方法能够实现存储器高效的低延迟HE推断而不施加额外的通信负担，因此它对临床成像中的实用和安全的深度学习推断具有影响。
2019-01-29 cs.CR
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
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
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
A brief history on Homomorphic learning: A privacy-focused approach to machine learning
密码学和数据科学研究随着互联网的繁荣而呈指数级增长。传统的加密技术迫使用户在可用性、便利性和安全性之间做出权衡。加密使有价值的数据无法访问，因为每次执行任何操作都需要对其进行解密。可以节省数十亿美元，数百万人可以从加密方法中受益，这些方法不会在可用性，便利性和安全性之间妥协。同态加密就是这样一种范例，它允许对加密数据运行任意操作。它使我们能够运行任何复杂的机器学习算法，而无需访问底层原始数据。因此，同态学习提供了从由于各种政府和组织隐私规则而被忽视的敏感数据中获得见解的能力。本文追溯了Ronald L. Rivest和Len Alderman：“我们可以计算加密数据吗？”在1978年的论文中。然后，我们逐步遵循沙菲·戈德瓦瑟、克里斯汀·劳特、丹·邦奇、托马斯·桑德、唐纳德·比弗和克雷格·金特里的想法来解决这个至关重要的问题。经过30多年的集体努力，终于找到了这个重要问题的答案“是”。
2020-09-11 cs.CR cs.LG
PRISM: Privacy-preserving Inference System with Homomorphic Encryption and Modular Activation
针对机器学习模型部署中数据隐私与非线性激活函数不兼容同态加密的问题，提出PRISM框架，用同态兼容近似函数替代非线性激活并重构CNN架构，在CIFAR-10上实现94.4%准确率，平衡了隐私保护与计算效率。
2025-11-11 cs.AI cs.CR cs.LG
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
EVA: An Encrypted Vector Arithmetic Language and Compiler for Efficient Homomorphic Computation
University of Texas at Austin（德克萨斯大学奥斯汀分校）；EPFL（洛桑联邦理工学院）；Microsoft Research（微软研究院）
全同态加密（FHE）通过实现存储和计算的安全卸载而提供强大的能力，并且方案和实现中的最新创新使其更具吸引力。与此同时，FHE是出了名的难以与非常受约束的编程模型、非常不寻常的性能配置文件和许多加密约束一起使用。现有的FHE编译器要么针对更简单但效率较低的FHE方案，要么只支持特定的域，在这些域中，它们可以依赖于专家提供的高级运行时来隐藏复杂性。本文提出了一种新的FHE语言称为加密向量算术（EVA），它包括一个优化编译器，生成正确的和安全的FHE程序，同时隐藏所有的复杂性的目标FHE计划。在我们优化编译器的支持下，程序员可以直接在EVA中开发高效的通用FHE应用程序。例如，我们已经开发了使用EVA的图像处理应用程序，只有很少的几行代码。EVA也被设计为一种中间表示，可以作为编译更高级别的领域特定语言的目标。为了证明这一点，我们重新定位CHET，现有的特定领域的编译器神经网络推理，EVA。由于EVA中的新颖优化，其程序平均比CHET生成的程序快5.3倍。我们相信EVA将使FHE更容易开发FHE应用程序和特定领域的FHE编译器，从而使FHE得到更广泛的采用。
2020-06-26 cs.CR cs.LG cs.PL
CryptoGCN: Fast and Scalable Homomorphically Encrypted Graph Convolutional Network Inference
Lehigh University（理海大学）；Microsoft（微软）；Florida International University（佛罗里达国际大学）
最近，基于云的图卷积网络（GCN）在许多隐私敏感的应用（如个人医疗保健和金融系统）中表现出巨大的成功和潜力。尽管其在云上具有很高的推理准确性和性能，但在GCN推理中维护数据隐私对这些实际应用至关重要，但在很大程度上尚未探索。在本文中，我们采取了初步的尝试，并开发了$\textit{CryptoGCN}$ -一个同态加密（HE）的GCN推理框架。我们的方法成功的关键是减少HE操作的巨大计算开销，这可能比明文空间中的对应操作高出几个数量级。为此，我们开发了一种方法，可以有效地利用GCN推理中矩阵运算的稀疏性，以显着降低计算开销。具体而言，我们提出了一种新的AMA数据格式化方法和相关的空间卷积方法，它可以利用复杂的图形结构，并在HE计算中执行高效的矩阵-矩阵乘法，从而大大减少HE操作。我们还开发了一个协同优化框架，可以探索的准确性，安全级别和计算开销之间的权衡，明智的修剪和多项式近似的激活模块的GCN。基于NTU-XVIEW骨骼关节数据集，即，就我们所知，同态评估的最大数据集，我们的实验结果表明，$\textit{CryptoGCN}$在等待时间和同态操作的数量方面优于现有技术的解决方案，即，在等待时间上实现多达3.10 $\times$的加速，并且将总同态操作计数减少77.4%，具有1-1.5 $\%$的小准确度损失。
2022-10-26 cs.AI 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
Revisiting ML Training under Fully Homomorphic Encryption: Convergence Guarantees, Differential Privacy, and Efficient Algorithms
University of Maryland, College Park, MD（马里兰大学 College Park 分校）；AlgoCRYPT CoE（算法密码学中心）
本文首次对全同态加密下的机器学习训练进行理论收敛性分析，结合适用于加密计算的差分隐私训练算法，通过多项式近似激活函数和损失函数实现近似梯度下降的收敛，并采用无逐样本梯度裁剪的差分隐私机制提升计算效率。
2026-05-27 cs.CR cs.LG
UniHENN: Designing Faster and More Versatile Homomorphic Encryption-based CNNs without im2col
UniHENN提出一种无需im2col的基于同态加密的CNN架构，通过一维展平与增量旋转执行卷积，显著提升推理速度与模型兼容性。
2024-08-25 cs.CR
CipherFace: A Fully Homomorphic Encryption-Driven Framework for Secure Cloud-Based Facial Recognition
Vorboss Limited（沃博斯有限公司）；Ibn Haldun University（伊本·赫勒敦大学）
针对云端人脸识别中嵌入向量的隐私安全问题，提出基于全同态加密的CipherFace框架，支持加密距离计算，并实验验证其可扩展性与有效性。
2025-02-22 cs.CR cs.CV cs.LG
Exploiting Unstructured Sparsity in Fully Homomorphic Encrypted DNNs
University of Glasgow（格拉斯哥大学）；AMD（超威半导体公司）
本文提出利用FHE矩阵乘法中的非结构化稀疏性，设计三种稀疏乘法方案，在保持模型精度下实现2.5倍平均加速，64核多线程达32.5倍提升并降低内存需求。
2025-04-03 cs.CR cs.DC cs.LG
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
Efficient Implementation of Reinforcement Learning over Homomorphic Encryption
School of Aeronautics and Astronautics, Purdue University（普渡大学航空航天学院）
针对云端加密控制策略合成的隐私保护需求，聚焦相对熵正则化强化学习以规避加密数据比较操作难题，实现线性可解值迭代等方法的FHE部署，通过网格世界加密Z-learning案例验证了收敛性与误差可接受性。
2025-04-12 cs.CR cs.LG cs.SY
AEGIS: Scaling Long-Sequence Homomorphic Encrypted Transformer Inference via Hybrid Parallelism on Multi-GPU Systems
North Carolina State University（北卡罗来纳州立大学）；University of Central Florida（中佛罗里达大学）
AEGIS通过结合Transformer数据流和CKKS多项式耦合，实现多GPU平台上的长序列加密Transformer推断，减少通信开销并提升效率。
2026-04-03 cs.AI cs.CR cs.DC
CGF-Softmax: A Cumulant-Based Softmax Reformulation for Efficient Inference under Homomorphic Encryption
Pohang University of Science and Technology (POSTECH)（釜山科学技术大学）；LG Electronics R&D Center（LG电子研发中心）；Inha University（inha大学）；Daegu Gyeongbuk Institute of Science and Technology (DGIST)（大邱广开府科学技术院）
本文提出CGF-softmax，通过累积生成函数重参数化softmax分母，消除了同态除法和显式最大减法，降低乘法深度并保持softmax关键属性，在视觉Transformer和大语言模型中实现高效准确的加密推理。
2026-05-08 cs.CR cs.LG
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
