An Effective Private Data storage and Retrieval System using Secret sharing scheme based on Secure Multi-party Computation
外包数据的隐私是一个主要的挑战。网络环境的不安全和服务提供商的不可信是使数据库成为服务的障碍。个人身份信息的收集和存储是一个主要的隐私问题。在线公共数据库和资源对用户隐私构成重大风险,因为恶意数据库所有者可能会监视用户查询并推断出有关客户的有用信息。数据隐私方面的挑战是与第三方共享数据,一个私有的信息检索(PIR),它是一种基于网络的信息检索技术,它可以在保证信息安全的同时,防止有价值的信息被第三方未经授权的访问和使用。方案允许用户在查询数据库的同时隐藏检索到的数据的身份。保密性的简单解决方案是在外包之前加密数据。查询执行,密钥管理和统计推断是这种情况下的主要挑战。所提出的系统提出了一种使用秘密共享技术来安全存储和检索私有数据的机制。其思想是开发一种机制来存储私有信息,该机制具有高度可用的存储提供者,可以从任何地方使用查询访问,同时隐藏实际的数据值私有信息检索系统采用基于秘密共享的安全多方计算(SMC)技术实现。多方计算允许多方在各自的私有输入上计算联合函数,通过对不同服务器所拥有的份额进行安全计算来获得查询结果。
2015-02-26 cs.CR
A Comparative Study of Software Secrets Reporting by Secret Detection Tools
本研究评估了五个开源和四个专有秘密检测工具,发现基于精确度和召回率的最佳工具分别为 GitHub Secret Scanner 和 Gitleaks,并建议开发人员根据项目秘密类型选择工具,供应商应定期更新规则并改进验证机制。
2023-07-03 cs.CR cs.SE
Publicly Verifiable Private Information Retrieval Protocols Based on Function Secret Sharing
Ping An Technology (Shenzhen) Co., Ltd.(平安科技(深圳)有限公司);Shenzhen Youfang Information Technology Co., Ltd.(深圳市友方信息技术有限公司)
本研究提出两种多服务器环境下的公开可验证PIR构造及三种实例化,在点查询中实现低通信成本与强可验证性,在谓词查询中通信复杂度不随数据库规模增长,适用于大规模私有查询。
2025-09-17 cs.CR
Analysis and improvement of a strongly secure certificateless key exchange protocol without pairing
最近,Yang和Tan提出了一个无配对的无证书密钥交换协议,并声称他们的方案满足前向保密性,这意味着除非通信双方的全部用户密钥(包括私钥和临时秘密密钥)被泄露,否则任何对手都无法获得已经建立的会话密钥。然而,在本文中,我们指出,他们的协议实际上是不安全的,因为提出了一个攻击发起的对手谁已经学会了私钥的一方和短暂的秘密密钥的其他,但不是完整的用户密钥的双方。此外,为了弥补这一缺陷,本文还提出了一种改进的协议,该协议将私钥和临时秘密密钥紧密结合在一起生成会话密钥,从而有效地抵抗了上述攻击。
2011-12-03 cs.CR
Efficient One-Way Secret-Key Agreement and Private Channel Coding via Polarization
我们介绍了显式方案的基础上的极化现象的任务的单向秘密密钥协商的公共随机性和私人信道编码。对于前一个任务,我们展示了如何使用公共随机性和不安全的单向通信来获得强安全密钥,使得密钥构造的复杂度在块长度上基本上是线性的,并且密钥产生的速率是最佳的,即,等于单向秘密密钥速率。对于后者的任务,我们提出了一个私人的信道编码计划,实现的保密能力,使用的条件下,强保密性和其编码和解码的复杂性再次基本上是线性的块长度。
2013-04-12 cs.CR cs.IT math.IT
Secret Key and Private Key Constructions for Simple Multiterminal Source Models
这项工作的动机是最近的结果Csiszar和Narayan(IEEE trans.理论,2004年12月),其突出了由多个终端进行的保密生成与多终端Slepian-Wolf近无损数据压缩(无保密限制)之间的固有联系。我们提出了一种新的方法,用于构建秘密和私钥的基础上长期已知的Slepian-Wolf码的来源连接的虚拟加性噪声信道,由于Wyner(IEEE trans.理论,1974年1月)。明确的程序,这样的建设,及其充实,提供。
2005-11-13 cs.CR cs.IT math.IT
Secret Key and Private Key Constructions for Simple Multiterminal Source Models
我们提出了一种方法,用于构建秘密和私钥的基础上长期已知的Slepian-Wolf码,由于Wyner,相关的源连接的虚拟加性噪声信道。我们的工作的动机是Csiszár和Narayan的结果,其中突出了观察相关源信号和Slepian-Wolf近无损数据压缩的多个终端的保密生成之间的内在联系。提供了这种构造及其证实的明确程序。研究了低密度奇偶检验信道码在设计一类新密钥时的性能。
2010-08-12 cs.CR cs.IT math.IT
SecretGen: Privacy Recovery on Pre-Trained Models via Distribution Discrimination
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Arizona State University(亚利桑那州立大学)
通过使用预训练模型的迁移学习已经成为机器学习社区的一个增长趋势。因此,许多预先训练的模型被在线发布,以促进进一步的研究。然而,这引起了广泛的关注,这些预先训练的模型是否会泄漏其训练数据的隐私敏感信息。因此,在这项工作中,我们的目标是回答以下问题:“我们能否有效地从这些预先训练的模型中恢复私人信息?检索此类敏感信息的充分条件是什么?“我们首先探索不同的统计信息,这些信息可以将私人训练分布与其他分布区分开来。根据我们的观察,我们提出了一种新的私有数据重建框架,SecretGen,有效地恢复私人信息。与以前可以通过目标恢复实例的地面真实预测来恢复私有数据的方法相比,SecretGen不需要这样的先验知识,使其更加实用。我们在不同的场景下对不同的数据集进行了广泛的实验,以将SecretGen与其他基线进行比较,并提供一个系统的基准,以更好地了解不同辅助信息和优化操作的影响。我们表明,在没有关于真实类预测的先验知识的情况下,SecretGen能够恢复与利用这种先验知识的数据相比具有类似性能的私有数据。如果给出先验知识,SecretGen将显著优于基线方法。我们还提出了几个量化指标来进一步量化预训练模型的隐私脆弱性,这将有助于隐私敏感应用的模型选择。我们的代码可在https://github.com/AI-secure/SecretGen上获得。
2022-07-25 cs.CR cs.LG
Secret Sharing for n-Colorable Graphs with Application to Public Key Cryptography
在开始的一些结果从图论领域提出。接下来,我们将展示如何共享一个秘密,这是正确的n-着色的图,与已知的结构。该图被描述并转换为以下形式,其中分配给顶点的颜色形成具有来自Zn的条目的数字。提出了一种基于图着色的秘密共享方案。所提出的方法被应用到公钥密码系统称为“波利饼干”。在这种情况下,图结构是公钥,而图的适当3-着色是私钥。我们展示了如何共享私钥。接下来给出了已知结构图的共享特定n-着色(颜色到顶点的分配)。
2003-10-28 cs.CR
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
Communication Cost of Two-Database Symmetric Private Information Retrieval: A Conditional Disclosure of Multiple Secrets Perspective
我们考虑了两个数据库对称私有信息检索(SPIR)的总通信成本(上传加下载),通过其关系到有条件的秘密披露(CDS)。在SPIR中,用户希望从来自$N$非共谋和复制数据库的$K$消息中检索消息,而无需了解检索到的消息之外的任何内容,同时没有单独的数据库学习检索到的消息索引。在CDS中,当且仅当双方的输入满足公共确定性函数时,双方都持有一个单独的输入并共享一个共同的秘密,希望以有效的方式向外部方公开这个秘密。作为CDS的自然扩展,我们引入了多秘密的条件披露(CDMS),其中两方共享多个i.i.d.~而不是像CDS中那样的单个公共秘密。我们表明,一个特殊的配置CDMS相当于两个数据库SPIR。受这种等价性的启发,我们设计了下载成本有效的SPIR方案,使用二分图表示的CDS和CDMS,并确定确切的最小总通信成本的$N=2$数据库SPIR的$K=3$消息。
2022-01-28 cs.CR cs.DB cs.IT
Secret-Key Generation from Private Identifiers under Channel Uncertainty
Department of Computer Science and Engineering, The University of Texas at Arlington(德克萨斯大学阿灵顿分校计算机科学系)
本文研究信道统计不确定且采用多天线的认证场景下,基于物理不可克隆函数等私有标识符的密钥生成问题,推导了一般离散源下密钥率、存储率与隐私泄露率权衡的内外界,并证明其对高斯源是紧的。
2025-11-09 cs.CR cs.IT math.IT
Secret-Protected Evolution for Differentially Private Synthetic Text Generation
TikTok;Department of Statistics, Rutgers University(统计学系,罗格斯大学)
提出Secret-Protected Evolution(SecPE)框架,通过秘密感知保护扩展私有演化,在满足松弛Gaussian DP的同时实现更紧密的实用性-隐私权衡并降低计算复杂度,在多个基准上优于基线方法。
2025-10-13 cs.CL cs.CR cs.NE
Controllable Identifier Measurements for Private Authentication with Secret Keys
研究了在源序列保密性约束下的基于密钥的认证问题。在认证过程中的标识符测量被假定为通过成本约束的“动作”序列是可控的。单字母特征的最佳权衡之间的秘密密钥速率,存储速率,隐私泄漏率,和行动成本给出了四个问题,其中有噪声或无噪声的测量源注册生成或嵌入秘密密钥。结果是相关的几个用户认证的情况下,包括物理和生物认证与多个测量。我们的研究结果包括,作为特殊情况下,新的结果的秘密密钥生成和嵌入与动作相关的边信息,没有任何隐私约束的注册源序列。
2018-04-04 cs.CR cs.IT cs.MM
A New Secret key Agreement Scheme in a Four-Terminal Network
考虑了在存在外部窃听者的情况下在三个终端之间生成秘密密钥和两个私钥的新场景。终端1、2和3打算共享对外部窃听者(终端4)隐藏的公共秘密密钥,同时,终端1和2中的每一个打算与终端3共享私钥,同时保持其对彼此和对终端4隐藏。所有四个终端都遵守i.i.d.相关源的输出,并且存在从终端3到终端1和2的公共信道。导出了“秘密密钥-私钥容量域”的内界,并在某些特殊情况下得到了单字母容量域。
2011-03-27 cs.CR cs.IT math.IT
Fast Actively Secure OT Extension for Short Secrets
不经意传输(OT)是最基本的密码原语之一,在一般的安全多方计算(MPC)中以及在许多感兴趣的定制和专用问题(诸如私有集合交集(PSI)、私有信息检索(PIR)、合同签署等等)中具有广泛的应用。OT的实例化通常需要过高的通信和计算复杂性。OT扩展协议被引入以计算被称为种子OT的少量OT为代价的被称为扩展OT的非常大量的OT。我们提出了一个快速OT扩展协议的小秘密在积极的设置。我们的协议时,用于产生1出n OT优于所有已知的积极安全OT扩展。我们的协议是建立在Kolesnikov和Kumaresan的半诚实安全扩展协议的基础上的,该协议是最著名的短秘密OT扩展。
2019-11-20 cs.CR
Proof of file access in a private P2P network using blockchain
虽然在对等(P2P)系统中共享文件显著地增加了检索内容的速度和系统的鲁棒性,但是即使在私有P2P网络的情况下,跟踪文件的访问也不是简单的。事实上,已经将文件上传到P2P网络的参与者不一定参与其下载。此外,由于P2P网络的性质,参与者可能已经拥有文件的所有片段,甚至在请求它之前。这项工作试图通过使用区块链来解决在私有P2P文件共享网络中跟踪文件访问的问题,以提高服务质量和可扩展性。为此,所提出的解决方案结合了三个元素:(1)分布式哈希表网络,用于在伙伴对等体之间分发具有冗余的加密文件;(2)Shamir的秘密共享方案,用于分割每个文件的秘密密钥;(3)区块链网络,用于在伙伴对等体之间分发和管理秘密份额。事实上,后者使得网络中的每个节点都无法访问文件。该解决方案与基于P2P技术管理共享数据池的联盟相关,该联盟具有对文件的不受限制的访问,但是由于法律或计费原因,对文件的访问必须被记录。
2019-12-16 cs.CR
Efficient Multi Secret Sharing with Generalized Access Structures
多秘密共享是秘密共享技术的一种扩展,其中多个秘密在参与者之间共享,每个秘密根据指定的访问结构。参与者可以根据访问结构利用自己的私有份额重构秘密,每个参与者只持有一个份额,额外的信息可以在一个公共公告板上得到,该方案计算效率高,每个参与者都可以验证其他参与者的份额和重构的秘密,并且不需要任何安全信道.
2014-07-24 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
Lossless Secret Image Sharing Schemes
秘密图像共享是指将秘密图像分成若干个部分,然后从这些部分中的合格子集中重构出原始图像。秘密共享方案主要用于私人医学图像和军事机密的传输和存储。提高保密性和可用性是主要的成就。提出了一种有效的秘密图像共享(2,2)方案和(2,3)方案。该方案是无损的,并且共享大小与秘密大小相同。共享和揭示阶段使用简单的模块化算法,可以非常容易地实现。在二值图像和灰度图像上的实验结果表明,该方案是安全有效的。
2015-01-13 cs.CR
DMM: Distributed Matrix Mechanism for Differentially-Private Federated Learning Based on Constant-Overhead Linear Secret Resharing
J.P. Morgan AI Research \& J.P. Morgan AlgoCRYPT CoE, New York, New York, USA
针对分布式差分隐私联邦学习效用不足的问题,提出基于恒定开销线性秘密重分享的分布式矩阵机制DMM,通过新型密码学协议实现兼具高隐私与高效用的联邦学习,实验验证其效用提升显著且开销低。
2025-06-17 cs.CR cs.LG
Accelerating Private Large Transformers Inference through Fine-grained Collaborative Computation
FASTLMPI通过细粒度协同设计HE与SS,优化矩阵乘法、SoftMax、LayerNorm和GeLU协议,并引入精确分段逼近技术,显著加速私有大型Transformer推理并降低通信成本。
2025-01-25 cs.CR
Pushing Forward Multi-Secret-Key Homomorphic Encryption for Private Average Aggregation
atlanTTic, Universidade de Vigo(维戈大学 atlanTTic 研究中心)
本研究针对联邦学习私有平均聚合问题,提出基于RLWE同态加密的轻量级多秘密密钥协议,降低了密文扩张与在线开销,性能优于现有方案。
2026-09-03 cs.CR cs.LG
Equivalence of Non-Perfect Secret Sharing and Symmetric Private Information Retrieval with General Access Structure
研究了非完美秘密共享(NSS)和对称私有信息检索(SPIR)在任意响应和共谋模式下的等价性。NSS和SPIR定义了一个访问结构,它对应于NSS的授权/禁止集和SPIR的响应/共谋模式。我们证明了NSS和SPIR之间的等价性在以下两个意义上。1)给定任何具有接入结构的SPIR协议,构造具有相同接入结构和相同速率的NSS协议。2)给定任意一个具有接入结构的线性NSS协议,构造一个具有相同接入结构和相同速率的线性SPIR协议。我们证明了第一个关系,即使SPIR协议具有不完美的正确性和保密性。从第一个关系,我们推导出一个上限的SPIR容量为任意响应和共谋模式。对于$\mathsf{n}$ -服务器SPIR,$\mathsf{r}$响应和$\mathsf{t}$共谋服务器的特殊情况,该上界证明SPIR容量为$(\mathsf{r}-\mathsf{t})/\mathsf{n}$。从第二个关系,我们证明了一个SPIR协议存在的任何响应和共谋模式。
2021-12-13 cs.CR cs.IT math.IT
Efficient Fuzzy Private Set Intersection from Secret-shared OPRF
Nanyang Technological University(南洋理工大学);Singapore Management University(新加坡管理大学);Arizona State University(亚利桑那州立大学)
本文提出高效的模糊私有集合交集协议,利用对称密钥操作降低成本,实现线性通信和计算复杂度,通过秘密共享OPRF和前缀技术提升效率,实验显示在多种设置下均优于现有方案。
2026-04-16 cs.CR
Sleeping Secrets: How Fine-Tuning Reawakens Privacy Risks in Language Models
Chongqing University(重庆大学);Zhejiang University(浙江大学);Huazhong University of Science and Technology(华中科技大学)
本文提出无数据攻击ReGap,利用LLM生成候选和低秩适应恢复私有关联,在多个模型上提升恢复率6-21个百分点,揭示微调可重新唤醒隐私风险。
2026-10-02 cs.CR
ARIANN: Low-Interaction Privacy-Preserving Deep Learning via Function Secret Sharing
Columbia University(哥伦比亚大学);ENS(巴黎高等师范学院);CNRS(法国国家科学研究中心);PSL University(巴黎文理研究大学);INRIA(法国国家信息与自动化研究所);Arkhn
我们提出了AriaNN,一个低交互的隐私保护框架,用于私人神经网络训练和敏感数据的推理。我们的半诚实的2方计算协议(与可信的经销商)利用功能秘密共享,最近的轻量级加密协议,使我们能够实现一个有效的在线阶段。我们为神经网络的构建块设计了优化的原语,如ReLU,MaxPool和BatchNorm。例如,我们在在线阶段使用输入大小的单个消息对ReLU操作进行私有比较,并且预处理密钥比以前的工作小近4倍。最后,我们提出了一个扩展来支持n方私有联邦学习。我们将我们的框架实现为PyTorch之上的可扩展系统,该系统利用CPU和GPU硬件加速进行加密和机器学习操作。我们评估了我们的端到端系统,用于在标准神经网络(如AlexNet,VGG 16或ResNet 18)上的远程服务器之间进行私有推理,以及在较小的网络(如LeNet)上进行私有训练。我们表明,计算而不是通信是主要的瓶颈,使用GPU与减少密钥大小是一个很有前途的解决方案,以克服这一障碍。
2021-10-28 cs.CR cs.LG stat.ML
Unified Approach to Secret Sharing and Symmetric Private Information Retrieval with Colluding Servers in Quantum Systems
本文提出基于MMSP的统一框架,刻画CQ、QQ及新引入EA设定下的量子SS,并将EA-SPIR与MMSP联系起来,还讨论了量子MDS码。
2023-02-17 cs.CR cs.IR cs.IT
Boosting Privately: Privacy-Preserving Federated Extreme Boosting for Mobile Crowdsensing
最近,Google等24家机构提出了一系列针对联邦学习(FL)的开放挑战,其中包括应用扩展和同态加密(HE)。前者旨在扩展FL的适用机器学习模型,后者关注于在FL中应用HE时谁拥有秘密密钥,对于朴素HE方案,服务器被设置为掌握秘密密钥。这样的设置会导致一个严重的问题,即如果服务器在解密之前不进行聚合,则服务器有机会访问用户的更新。受这两个挑战的启发,我们提出了FedXGB,一个支持强制聚合的联邦极端梯度提升(XGBoost)方案。FedXGB主要实现了以下两个突破。首先,FedXGB提出了一种新的基于HE的FL安全聚合方案,该方案结合了秘密共享和同态加密的优点,解决了上述第二个问题,并且对用户丢失具有鲁棒性。然后,FedXGB通过将安全聚合方案应用于XGBoost的分类和回归树构建,将FL扩展为一种新的机器学习模型。此外,我们进行了全面的理论分析和广泛的实验,以评估FedXGB的安全性,有效性和效率。实验结果表明,FedXGB算法与XGBoost算法相比,精度损失小于1%,在基于HE的FL模型更新聚合中,运行时间减少了23.9%,通信量减少了33.3%.
2020-04-10 cs.CR
Manifesting Unobtainable Secrets: Threshold Elliptic Curve Key Generation using Nested Shamir Secret Sharing
提出基于嵌套 Shamir 秘密共享的阈值椭圆曲线密钥生成方案,实现去中心化信任,填补 IETF 规范空白。
2023-09-02 cs.CR
Sparsity and Privacy in Secret Sharing: A Fundamental Trade-Off
本文研究稀疏秘密共享中稀疏性与隐私的基本权衡,构造最优稀疏共享方案并应用于分布式稀疏私有矩阵乘法,同时设计稀疏一次性密码本以保护不可信集群中的隐私。
2023-08-11 cs.CR cs.DC cs.IT
Secrets Revealed in Container Images: An Internet-wide Study on Occurrence and Impact
本文通过对 Docker Hub 及私有仓库的大规模分析,揭示了容器镜像中私钥和 API 秘密的普遍泄露及其被广泛用于 TLS/SSH 认证的安全风险,并提出了基于该方法论的预防策略。
2023-07-08 cs.CR cs.NI
Keeping a Secret Requires a Good Memory: Space Lower-Bounds for Private Algorithms
Google Research(谷歌研究院);UC Berkeley(加州大学伯克利分校)
本文通过多玩家通信游戏技术,首次建立了隐私算法的空间下界,解决了隐私计算中内存效率与误差率之间的关系问题。
2026-02-12 cs.CC cs.CR cs.DS
How Far are App Secrets from Being Stolen? A Case Study on Android
该研究针对Android应用密钥泄露问题开展首项系统性研究,通过采样分析Google Play热门应用的密钥,设计正则表达式文本挖掘策略,证实大量应用密钥极易被窃取,凸显问题普遍性并呼吁加强密钥保护。
2025-01-14 cs.CR cs.SE
Sliced Rényi Pufferfish Privacy: Directional Additive Noise Mechanism and Private Learning with Gradient Clipping
Washington University in St. Louis(圣路易斯华盛顿大学)
本文提出切片Rényi水鱼隐私机制,通过梯度裁剪和新账务实现隐私保护与学习的平衡,展现良好的隐私-效用权衡和可扩展性。
2026-02-05 cs.CR
On the Context-Hiding Property of Shamir-Based Homomorphic Secret Sharing
本文研究了Shamir-based同态秘密分享的上下文隐藏属性,分析了其在单项式和多项式上的表现,并探讨了如何通过重新随机化技术提高安全性。
2025-12-01 cs.CR
Prism: Private Verifiable Set Computation over Multi-Owner Outsourced Databases
Dongguan University of Technology(东莞理工学院);University of California, Irvine(加利福尼亚大学尔湾分校);Augusta University(奥古斯塔大学)
本文提出了Prism,一种基于秘密共享的方法来计算私有集合运算(即,交集和并集),以及属于多个所有者的外包数据库上的聚合。Prism使数据所有者能够将数据预加载到非共谋服务器上,并利用秘密份额的加法和乘法属性来计算服务器(存储秘密份额)和查询器之间(最多)两轮通信中的上述操作,从而实现非常高效的实现。此外,Prism不需要服务器之间的通信,并支持每个操作的结果验证技术,以检测恶意对手。实验结果表明,Prism在数据所有者的数量和数据库大小方面都可以扩展,而以前的方法无法扩展。
2021-04-07 cs.CR cs.DB cs.DC
Secret Sharing Despite Non-Extractable Randomness
National University of Singapore(新加坡国立大学)
该研究针对两方秘密共享的公开问题给出否定答案,构造了无需可提取随机性的完美秘密共享方案,证明共享足够长的秘密不依赖可提取随机性。
2026-11-04 cs.CR
DDH-based schemes for multi-party Function Secret Sharing
University of Twente(特文特大学);Inria(法国国家数字科学与技术研究所);Carl von Ossietzky Universität Oldenburg(奥尔登堡卡尔·冯·奥西茨基大学)
本文提出基于DDH的多方函数秘密分享方案,将密钥大小降低至O(N^(1/3)),并在实际问题规模上比现有方案小10倍,并扩展至支持比较函数的方案。
2026-03-18 cs.CR
Matryoshka: Stealing Functionality of Private ML Data by Hiding Models in Model
Fudan University(复旦大学)
在本文中,我们提出了一种名为Matryoshka的新型内部攻击,它采用了一种不相关的计划发布DNN模型作为载体模型,用于隐蔽传输多个秘密模型,这些模型存储了存储在本地数据中心的私有ML数据的功能。我们设计了一种新的参数共享方法,利用载体模型的学习能力进行信息隐藏,而不是将载体模型的参数视为比特串并应用传统的隐写术。Matryoshka同时实现:(i)高容量-Matryoshka几乎不损失载体模型的效用,可以在载体模型中隐藏26倍大的秘密模型或8个跨越不同应用领域的不同架构的秘密模型,这两个都不是现有隐写技术所能做到的;(ii)解码效率--一旦下载公布的载波模型,外部合谋者仅需几个整数秘密和对隐藏模型结构的了解就可以从载体模型中独占地解码出隐藏模型;(iii)有效性--此外,几乎所有恢复的模型都具有类似的性能,就好像它是在私人数据上独立训练的一样; ㈣稳健性-自然采用信息冗余,以便在发布之前能够抵御载体上的常见后处理技术;(v)隐蔽性-具有不同先验知识水平的模型检查员很难区分载体模型和正常模型。
2022-06-29 cs.AI cs.CR cs.LG
Distributed Point Functions and Function Secret Sharing
NTT Research(NTT研究所);Ben Gurion University(本-古里安大学);Technion Institute of Technology(以色列理工学院);AWS(亚马逊云科技);Aarhus University(奥胡斯大学)
本文综述分布式点函数(DPF)的定义、构造与应用,并探讨其到函数秘密共享(FSS)的扩展,FSS可将DPF的多数应用泛化,支持更丰富的函数类。
2026-07-31 cs.CR
SeCritMass: Threshold Secret Petitions
本文提出 n-阈值秘密请愿概念,利用 ElGamal 密码系统实现仅在签名数达到阈值时才解密的机制,以保护早期签署者身份并促进集体举报不当行为。
2024-08-02 cs.CR math.NT
PINE: Efficient Norm-Bound Verification for Secret-Shared Vectors
针对联邦统计中秘密共享向量的安全聚合,提出PINE协议,以极低通信开销实现精确的欧几里得范数界验证,相比先前方法开销降低16-32倍。
2024-05-29 cs.CR
New dynamic and verifiable multi-secret sharing schemes based on LFSR public key cryptosystem
可验证多秘密共享(VMSS)方案使分发者能够共享多个秘密,并且参与者和分发者的欺骗都能被检测出来。在分析了Mashhadi和Dehkordi在2015年提出的VMSS方案的安全性之后,我们说明了它们无法检测经销商的一些欺骗。利用非齐次线性递归和LFSR公钥密码体制,提出了两个新的VMSS方案。我们的方案不仅克服了上述缺点,而且在相同的安全级别下,具有较短的私钥/公钥长度。此外,我们的计划具有活力。
2019-06-11 cs.CR cs.SI
Privacy in Distributed Computations based on Real Number Secret Sharing
分布式计算中的隐私保护是一个重要的主题,因为数字化和新技术能够收集和存储大量数据,包括属于个人的私人数据。为此,需要一种隐私保护计算框架,其在计算期间最小化私人信息的泄漏,同时对于实际使用足够有效。本文提出了一个步骤,这样一个框架的建议,实数秘密共享计划,直接对实数,而不需要转换为整数的情况下,在相关计划。该方案提供了直接在秘密共享数据(数据的密文版本)上执行的加法、乘法和除法等计算。仿真结果表明,该方案比基于整数和有限域运算的方案在精度方面有更高的效率。所提出的方案的缺点是它不是完全安全的。然而,我们提供了一个隐私分析的计划,我们表明,泄漏的信息可以上界和渐近趋于零。为了演示该方案,我们使用它来执行卡尔曼滤波直接对秘密共享数据。
2021-07-02 cs.CR cs.SY eess.SY
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
QuanText: Protecting Dataset-Level Secrets in Textual Data Sharing
Carnegie Mellon University(卡内基梅隆大学);Microsoft Research(微软研究院)
QuanText提出一种免训练、模型无关的文本数据发布机制,通过随机量化扰动全局机密及相关属性分布,在保护数据集级机密的同时保持效用,并优于现有基线。
2026-09-21 cs.CR cs.LG
Locally Differentially Private Heavy Hitter Identification
本地差分隐私(LDP)的概念使用户能够回答敏感问题,同时保护他们的隐私。基本的LDP频繁预言协议使聚合器能够估计任何值的频率。但是,当输入值的域很大时,通过估计所有可能值的频率来找到最频繁的值,也称为重命中值,在计算上是不可行的。在本文中,我们提出了一个LDP协议,用于识别重量级选手。在我们提出的协议中,我们称之为前缀扩展方法(PEM),用户被分成组,每个组报告她的值的前缀。我们分析了如何为协议选择最佳参数,并确定了两个设计原则,设计LDP协议具有较高的实用性。合成和真实世界的数据集上的实验证明了我们提出的协议的优势。
2017-08-22 cs.CR
TUSH-Key: Transferable User Secrets on Hardware Key
针对 FIDO Passkeys 依赖专有云与端到端加密、跨平台同步不畅的问题,本文提出 TUSH-Key 私钥管理系统,以实现符合 FIDO2 的跨设备无缝无密码登录。
2023-07-14 cs.CR
Your Smart Home Can't Keep a Secret: Towards Automated Fingerprinting of IoT Traffic with Neural Networks
近年来,物联网(IoT)技术被广泛采用,并深刻改变了人们的日常生活。然而,与此同时,这种快速发展的技术也带来了新的隐私问题,需要更好地理解和衡量。在这项工作中,我们研究如何从灵巧家庭网络中产生的网络流量中泄露私人信息。虽然研究人员已经提出了在干净的实验设置下推断物联网设备类型或用户行为的技术,但在复杂但现实的网络环境中,这种方法的有效性变得值得怀疑,其中启用了网络地址和端口转换(NAPT)和虚拟专用网络(VPN)等常见技术。使用传统方法进行流量分析(例如,通过经典的机器学习模型)在这些设置下的效果要差得多,因为手动选择的特征不再独特。在这项工作中,我们提出了一个基于序列学习技术(如LSTM)的流量分析框架,并利用数据包之间的时间关系进行设备识别攻击。我们在不同的环境设置下进行了评估(例如,具有多个非IoT设备的纯IoT和嘈杂环境)。结果表明,我们的框架能够以高准确度区分设备类型。这一结果表明,物联网网络通信对用户的隐私构成了突出的挑战,即使它们受到加密保护并通过网络网关变形。因此,需要开发物联网流量的新隐私保护方法来缓解这一新问题。
2019-08-31 cs.CR
SecureLLM: Using Compositionality to Build Provably Secure Language Models for Private, Sensitive, and Secret Data
MIT(麻省理工学院);CSAIL(计算机科学与人工智能实验室);CBMM(认知与脑科学研究中心);US Space Force(美国太空部队)
本文提出 SecureLLM,通过将访问安全与按数据孤岛隔离的微调相结合,构建可证明安全的 LLM,并引入组合式自然语言到 SQL 任务验证其安全部署价值。
2024-06-13 cs.CL cs.CR
Private Sum Computation: Trade-Offs between Communication, Randomness, and Privacy
The University of Texas at Arlington(德克萨斯大学阿灵顿分校);New Jersey Institute of Technology(新泽理工学院);The Ohio State University(俄亥俄州立大学)
本文研究了在隐私约束下实现私有求和计算的通信、随机性和隐私之间的权衡,证明了秘密共享在生成本地随机性中的必要性。
2026-02-05 cs.CR cs.IT math.IT
Biometric and Physical Identifiers with Correlated Noise for Controllable Private Authentication
研究了在源序列具有隐私和存储约束条件下的基于密钥的认证问题。在认证过程中的标识符测量通道被假定为通过成本约束的动作序列是可控的。单字母的内部和外部边界的密钥泄漏存储成本的区域推导出一个经典的两终端密钥协商模型的推广与窃听者观察到的序列是相关的合法终端观察到的序列。该模型的补充是,编码器观察到一个嘈杂的版本的远程源,和嘈杂的输出和远程源输出与动作序列一起作为输入的测量通道在解码器。因此,在编码器和解码器测量上的噪声分量之间引入相关性。将由编码器产生秘密密钥的模型扩展到随机化模型,其中秘密密钥被嵌入到编码器中。结果与几种用户和设备认证场景相关,包括具有提供多样性和复用增益的多个测量的物理和生物特征标识符。为了说明的速率区域的行为,可实现的(秘密密钥速率,存储速率,成本)元组给出的二进制标识符和测量通道,可以表示为二进制对称子信道的混合物。从使用一个动作序列,如一个大的秘密密钥速率在一个显着的小硬件成本的收益,示出了激励使用低复杂度的变换编码算法与成本约束的行动。
2020-07-23 cs.CR cs.IT cs.MM
DReS-FL: Dropout-Resilient Secure Federated Learning for Non-IID Clients via Secret Data Sharing
Hong Kong University of Science and Technology(香港科技大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
联邦学习(FL)致力于实现机器学习模型的协作训练,而无需集中收集客户的私人数据。与集中式训练不同,FL中跨客户端的本地数据集是非独立和同分布的(非IID)。此外,拥有数据的客户端可以任意退出训练过程。这些特征将显著降低训练性能。提出了一种基于拉格朗日编码计算(LCC)的丢包恢复安全联邦学习(DReS-FL)框架,以解决非IID和丢包问题。其关键思想是利用拉格朗日编码在客户端之间秘密共享私有数据集,以便每个客户端接收全局数据集的编码版本,并且在该数据集上的局部梯度计算是无偏的。为了在服务器上正确解码梯度,梯度函数必须是有限域中的多项式,因此我们构建多项式整数神经网络(PINNs)来实现我们的框架。理论分析表明,DReS-FL具有较好的客户端退出弹性,并为本地数据集提供了隐私保护。此外,我们的实验表明,DReS-FL一贯导致显着的性能增益超过基线方法。
2022-10-06 cs.CR cs.LG