Similarity Calculation Based on Homomorphic Encryption
针对同态加密密文下搜索查询需相似度度量的需求，本研究结合多种相似度与同态加密算法提出计算方法，经数学证明、案例阐释和不同安全强度下的性能验证，为密文场景的相似度计算提供可行方案。
2023-02-17 cs.CR
SoK: Privacy-preserving Deep Learning with Homomorphic Encryption
Georgia State University（佐治亚州立大学）；Rochester Institute of Technology（罗切斯特理工学院）
神经网络的外包计算允许用户访问最先进的模型，而无需投资于专门的硬件和专业知识。问题是用户失去了对潜在隐私敏感数据的控制。利用同态加密（HE），可以在不泄露其内容的情况下对加密数据执行计算。在知识的系统化中，我们深入研究了将神经网络与HE相结合以保护隐私的方法。我们对神经网络模型和架构的变化进行了分类，使它们在HE上可计算，以及这些变化如何影响性能。我们发现基于HE的隐私保护深度学习面临许多挑战，例如计算开销，可用性和加密方案带来的限制。
2022-01-01 cs.CR cs.LG
Privacy-Preserving Chaotic Extreme Learning Machine with Fully Homomorphic Encryption
Institute for Development and Research in Banking Technology（银行技术发展与研究所）；University of Hyderabad（海得拉巴大学）
机器学习和深度学习模型在训练过程中需要大量数据，在某些情况下，可能会有一些敏感数据，例如涉及的客户信息，组织可能会犹豫是否将其外包用于模型构建。一些隐私保护技术，如差分隐私、同态加密和安全多方计算，可以与不同的机器学习和深度学习算法集成，为数据和模型提供安全性。本文提出了一种混沌极限学习机及其加密形式，使用全同态加密，其中的权重和偏差使用Logistic映射而不是均匀分布生成。我们提出的方法在大多数数据集上的表现都比传统的极端学习机更好或相似。
2022-08-04 cs.CR cs.LG
A Note on "Confidentiality-Preserving Image Search: A Comparative Study Between Homomorphic Encryption and Distance-Preserving Randomization"
最近，Lu等人提出了两种基于加性同态加密的图像搜索方案[IEEE Access，2（2014），125-141]。我们注意到这两个方案都是有缺陷的，因为：（1）第一个方案根本没有利用加法同态性质;（2）第二个方案中的加法同态加密是不必要的，可以用更有效的对称密钥加密来代替。
2016-01-06 cs.CR
Danger of using fully homomorphic encryption: A look at Microsoft SEAL
全同态加密是一种很有前途的加密原语，可以加密您的数据，同时允许其他人对加密的数据进行计算。但是全同态加密存在着许多众所周知的问题，如CCA安全性和电路隐私问题。尽管存在这些问题，目前仍有许多公司正在使用或准备使用全同态加密来构建数据安全应用。看来全同态加密是非常接近实用的，这些问题可以很容易地减轻在实施。虽然这些问题在理论上是众所周知的，但没有公开讨论它们对实际应用的实际影响。我们的研究表明，从实际应用的角度看，全同态加密存在着许多安全陷阱。全同态加密在实际应用中存在的安全问题比想象的要严重得多。本文将以Microsoft SEAL为例，从实现和实际应用的角度介绍全同态加密的安全隐患
2019-06-17 cs.CR
TenSEAL: A Library for Encrypted Tensor Operations Using Homomorphic Encryption
École Supérieure en Informatique, Sidi Bel Abbès（西迪贝勒阿巴斯高等信息学院）；OpenMined
机器学习算法已经取得了令人瞩目的成果，并在各个领域得到了广泛的应用。这些算法通常依赖于敏感和私人数据，如医疗和财务记录。因此，必须进一步关注应用于机器学习模型的隐私威胁和相应的防御技术。在本文中，我们介绍了TenSEAL，一个使用同态加密的隐私保护机器学习的开源库，可以很容易地集成到流行的机器学习框架中。我们使用MNIST对我们的实现进行基准测试，并表明加密的卷积神经网络可以在不到一秒的时间内进行评估，使用不到半兆字节的通信。
2021-04-28 cs.CR cs.LG
Verifiable encodings in multigroup fully homomorphic encryption
本文介绍了同态认证器，准确地说是复制编码，在多组全同态加密方案中的应用。在Gennaro和Wichs关于同态认证器的工作以及Kwak等人关于多群方案的工作的基础上，我们提出了一个完全同态原语的可验证解决方案，其中包括多密钥，多方和单用户的情况。此外，我们提出了一个在资源受限的情况下的前瞻性研究。
2023-03-15 cs.CR
Homomorphic Encryption Based on Lattice Post-Quantum Cryptography
针对现有同态加密易受量子攻击的漏洞，本研究提出一种基于格的后量子同态加密方案，提供数学证明与安全分析，为联邦学习等应用提供参考。
2024-12-23 cs.CR
Towards the AlexNet Moment for Homomorphic Encryption: HCNN, theFirst Homomorphic CNN on Encrypted Data with GPUs
深度学习即服务（DLaaS）是基于云的推理应用程序的一个有前途的解决方案。在这种设置中，云具有预先学习的模型，而用户具有她想要运行模型的样本。如果输入样本是敏感数据，DLaaS最大的问题是用户隐私。我们在这里提供了一个高效的隐私保护系统，通过采用高端技术，如全同态加密（FHE），卷积神经网络（CNN）和图形处理单元（GPU）。FHE以其在加密数据上计算的众所周知的特性，为广泛的隐私相关应用提供了支持。这需要很高的成本，因为它需要巨大的计算能力。在本文中，我们展示了如何使用GPU加速在加密数据上运行CNN的性能。我们评估了两个CNN对MNIST和CIFAR-10数据集进行同态分类。我们的解决方案实现了足够的安全级别（> 80位）和合理的分类精度（99%）和（77.55%）MNIST和CIFAR-10，分别。在延迟方面，MNIST和CIFAR-10分别可以在5.16秒和304.43秒内对图像进行分类。我们的系统还可以对一批图像（> 8，000）进行分类，而无需额外的开销。
2020-08-18 cs.CR cs.LG
Fully Homomorphic Encryption Scheme with Symmetric Keys
同态加密在公钥密码系统的背景下已经被大量地研究。但是有些应用程序本质上需要对称密钥。我们提出了一个具有全同态求值能力的对称密钥加密方案。这些运算是基于矩阵的，也就是说，该方案由整数运算到矩阵运算的映射组成。我们还包括一个协议，该协议使用所提出的方案在云中进行私有数据处理。
2013-10-09 cs.CR
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
Fully Homomorphic Encryption based on Multivariate Polynomial Evaluation
提出了一种基于多元多项式求值的多比特级全同态加密方案。该方案的安全性依赖于带错误学习（LWE）问题的难度。对于同态乘法，该方案使用基于多项式的技术，不需要重新线性化（和密钥切换）。与密文相关联的噪声仅随着每次乘法而线性增加。
2020-07-01 cs.CR
Attack on Fully Homomorphic Encryption over the Integers
利用格约简算法对整数上的全同态加密提出了一种启发式攻击。我们的结果表明，[DGHV 10]中的FHE对于某些参数设置是不安全的。本文还提出了一种改进方案来避免格型攻击。
2012-02-15 cs.CR
Homomorphic Encryption: Theory & Applications
本章的目的是介绍同态加密技术及其应用的概况。在详细讨论了本章的介绍和动机之后，我们介绍了密码学的一些基本概念。然后讨论了同态加密的基本理论，并给出了相应的实例。本章然后提供了一些经典的同态加密计划在当前的文献中存在的调查。然后详细讨论了同态加密方案的各种应用和显著特性。然后介绍了该领域最重要的和最新的研究方向--全同态加密。然后讨论了关于全同态加密的大量命题。最后，本章总结了一些新兴的研究趋势，在这个令人兴奋的密码学领域。
2013-05-25 cs.CR
A Review of Homomorphic Encryption Libraries for Secure Computation
在本文中，我们提供了一个调查各种库的同态加密。我们描述了在选择正确的安全计算方法时应该考虑的关键功能和权衡。然后，我们提出了一个比较六个常用的同态加密库-密封，HElib，TFHE，Paillier，ELGamal和RSA在这些确定的功能。还阐明了对不同语言和实际应用程序的支持。
2018-12-07 cs.CR
BAYHENN: Combining Bayesian Deep Learning and Homomorphic Encryption for Secure DNN Inference
Peking University（北京大学）；Ant Financial Services Group（蚂蚁金融服务集团）
最近，深度学习即服务（DLaaS）已经成为促进深度神经网络（DNN）用于各种目的的有前途的方式。然而，使用DLaaS也会导致客户端和云服务器的潜在隐私泄露。这个隐私问题激发了人们对云服务中DNN模型的隐私保护推理的研究兴趣。在本文中，我们提出了一个实用的解决方案命名为BAYHENN安全DNN推理。它可以同时保护客户端和服务器端的隐私。我们的解决方案的关键策略是结合同态加密和贝叶斯神经网络。具体来说，我们使用同态加密来保护客户端的原始数据，并使用贝叶斯神经网络来保护云服务器中的DNN权重。为了验证我们的解决方案的有效性，我们在MNIST和真实的临床数据集上进行了实验。我们的解决方案在这两项任务上实现了一致的延迟降低。特别是，我们的方法在端到端延迟方面可以比现有的最佳方法（GAZELLE）高出约5倍。
2019-06-26 cs.CR cs.LG
A New Symmetric Homomorphic Functional Encryption over a Hidden Ring for Polynomial Public Key Encapsulations
提出了一种新的基于隐环上模乘运算的同态函数加密算法。与传统的用户只能被动地执行密文加法或乘法的同态加密不同，同态函数加密保留了同态加法和标量乘法属性，但也允许用户通过多项式变量进行输入。所提出的同态加密可以应用于有限域上的任何多项式，其系数被认为是其隐私。我们将同态加密之前的多项式表示为明文多项式，将同态加密之后的多项式表示为密码多项式。密码多项式可以用有限域GF（p）中的变量来计算，通过计算变量模为素数p的单项式。这些性质允许函数同态加密用于某些非对称密码系统的公钥加密，以隐藏其中心映射构造的结构。我们提出了一种新的变体MPKC与同态加密的公钥。我们建议使用一个单一的明文向量和多个变量的噪声向量与中央映射相关联，而不是在MPKC中加密的秘密明文向量。我们将这种加密MPKC的变体称为同态多项式公钥算法或HPPK算法。HPPK算法在选择明文攻击或IND-CPA下具有不可破解性。破解HPPK算法的整体经典复杂度在素域GF（p）的大小上是指数级的。我们简要报告使用SUPERCOP工具包的基准性能结果。基准测试结果表明，HPPK提供了相当快的性能，这是可比的，在某些情况下优于NIST PQC决赛的密钥生成，加密和解密。
2023-01-27 cs.CR
A Comparative Study of Homomorphic and Searchable Encryption Schemes for Cloud Computing
云计算是一种流行的基于分布式网络和实用新型的技术。由于在云中，数据被外包给第三方，因此保护用户数据的机密性和隐私变得非常重要。研究人员提出了不同的云数据安全方法，包括但不限于不经意RAM、可搜索加密、函数加密、同态加密等。本文重点研究了可搜索和同态加密方法。最后，对这两种高效的云加密方法进行了比较研究。
2015-05-13 cs.CR
E-voting System Using Homomorphic Encryption and Blockchain Technology to Encrypt Voter Data
同态加密和区块链技术被认为是改进电子投票系统的两种重要技术。在本文中，我们提出了一种新的电子投票系统，使用同态加密和区块链技术，重点是加密选民数据。通过加密选民信息而不是投票，该系统能够对投票结果进行各种统计分析，同时确保整个电子投票系统的可信性，隐私性和可验证性。我们通过将所提出的系统的速度与使用同态加密和区块链技术的其他电子投票系统的速度进行比较来检查整个系统的效率。
2021-11-06 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
Homomorphic Encryption with Access Policies: Characterization and New Constructions
给出了支持同态运算的谓词加密（PE）的一个刻画，并描述了一些已有的PE构造的同态性质。即使对于IBE的特殊情况，也很少有已知的群同态密码系统。我们的主要建设是一个XOR-同态IBE计划的基础上的二次剩余问题（变异的Cocks'计划），我们证明是强同态的。我们无法构造一个保持这种同态属性的匿名变体，但我们实现了一个较弱的同态加密概念的匿名性，我们称之为\emph{non-universal}。一个相关的安全概念，这个较弱的原语形式化。最后，一些潜在的应用和开放的问题被认为是。
2013-11-06 cs.CR
Homomorphic Encryption and Federated Learning based Privacy-Preserving CNN Training: COVID-19 Detection Use-Case
University of Stavanger（斯塔万格大学）；Virginia Commonwealth University（弗吉尼亚联邦大学）；Old Dominion University（奥尔多明尼昂大学）；Norwegian University of Science and Technology（挪威科技大学）
医疗数据在数据隐私和安全问题方面通常非常敏感。联邦学习是机器学习技术的一种，已经开始用于提高医疗数据的隐私性和安全性。在联邦学习中，训练数据分布在多台机器上，学习过程以协作方式执行。针对深度学习（DL）模型的隐私攻击主要是为了获取敏感信息。因此，应该保护DL模型本身免受对抗攻击，特别是对于使用医疗数据的应用。针对该问题的解决方案之一是基于同态加密的模型保护以防止对手合作者。提出了一种基于同态加密的隐私保护医疗数据联邦学习算法。该算法使用安全的多方计算协议来保护深度学习模型免受攻击。在这项研究中，所提出的算法使用真实世界的医疗数据集进行评估的模型性能。
2022-04-16 cs.CR cs.LG
Quadratic time $O(n^2)$ Fully Homomorphic public key encryption algorithm based on a unique technique to create p-adic homomorphism from ring X to ring Y
ZK 111是一种在二次时间内运行的全同态公钥加密算法。它的安全性完全依赖于一个非常独特的“色盲”函数，该函数用于创建p-adic环同态。
2012-09-27 cs.CR
Comparative evaluation of different methods of "Homomorphic Encryption" and "Traditional Encryption" on a dataset with current problems and developments
数据库是网络攻击的主要目标，因为它包含机密，敏感或受保护的信息。随着互联网的日益复杂和对互联网数据传输的依赖，了解各种加密技术和趋势变得至关重要。它可以帮助保护私人信息和敏感数据，并提高客户端-服务器通信的安全性。数据库加密是一种采用算法将数据库中包含的数据转换为“密码文本”的过程，密码文本在解码之前是不可理解的。同态加密技术可以用于对称和非对称系统中，它与加密数据一起工作。在本文中，我们基于最近的高引用文章评估了同态加密技术，并比较了自2018年以来所有数据库加密问题和发展。同态方法的优点和缺点进行了检查，在经典的加密方法，包括透明数据库加密，列级加密，字段级加密，文件系统级加密，加密文件系统加密在这篇评论。此外，还研究了为客户提供加密服务以保护其数据的流行数据库。
2022-11-18 cs.CR
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
A Somewhat Homomorphic Encryption Scheme based on Multivariate Polynomial Evaluation
提出了一种基于有限域上多元多项式求值的对称密钥同态加密方案。所提出的计划是有点同态方面的加法和乘法。此外，我们定义了一个泛化的学习错误的问题，称为隐藏子空间成员资格问题，并表明该计划的语义安全性可以降低到这个问题的难度。
2019-02-15 cs.CR
Lattices, Homomorphic Encryption, and CKKS
本文综述了格基密码学和同态加密中的一些问题。特别是，我们定义了一些格的问题，LWE和RLWE，并指出减少Regev和Peikert。对最近的CKKS同态加密方案进行了全面的讨论，并给出了一些计算实例。
2022-05-07 cs.CR
Towards Quantum-Safe Federated Learning via Homomorphic Encryption: Learning with Gradients
该研究提出基于私钥同态加密的隐私保护分布式学习框架，利用梯度量化随机性消除LWE加密的误差项，支持多参与者在诚实但好奇的服务器上安全协作深度学习。
2024-02-02 cs.CR
Fully Homomorphic Encryption via Affine Automorphisms
同态加密是密码学中使用的一种方法，用于创建可以与加密数据交互的程序，而不会使数据保持畅通。这在网络安全中有许多潜在的应用。本文利用仿射空间的自同构构造了一种针对直线程序的同态加密形式。用于数据的加密方法称为多变量加密。这为基于代数几何技术的网络安全提供了一种潜在的强大的新方法。
2020-10-15 cs.CR math.AG
Effect of Homomorphic Encryption on the Performance of Training Federated Learning Generative Adversarial Networks
Delft University of Technology（代尔夫特理工大学）
生成对抗网络（GAN）是机器学习（ML）领域中的深度学习生成模型，涉及使用相当大的数据集训练两个神经网络（NN）。在诸如医学的某些领域中，训练数据可以是跨不同医院存储的医院患者记录。经典的集中式方法将涉及将数据发送到集中式服务器，在那里训练模型。然而，这将涉及侵犯患者及其数据的隐私和保密性，这是不可接受的。因此，联邦学习（FL）是一种在分布式环境中训练ML模型而无需数据离开主机设备的ML技术，将是集中式选项的更好替代方案。在这种ML技术中，只有参数和某些元数据会被传递。尽管如此，仍然存在可以使用参数和元数据推断用户数据的攻击。完全隐私保护的解决方案涉及同态加密（HE）通信的数据。本文将重点关注使用三种不同类型的同态加密训练FL-GAN的性能损失：部分同态加密（PHE）、部分同态加密（SHE）和完全同态加密（FHE）。我们还将测试多方计算（MPC）的性能损失，因为它具有同态属性。性能将与训练没有加密的FL-GAN的性能进行比较。我们的实验表明，加密方法越复杂，所需的时间越长，与FL的基本情况相比，HE所需的额外时间相当显著。
2022-07-01 cs.AI cs.CR cs.LG
Checking chordality on homomorphically encrypted graphs
实现完全同态加密的突破引发了对在何处以及如何应用同态加密方案的大量研究，使得可以在没有秘密密钥的情况下对加密数据执行操作，同时仍然获得正确的输出。由于大多数加密方案所允许的计算成本、膨胀的密文大小和有限的算术运算，同态加密的可行应用很少。虽然理论家们正在研究同态加密的数学和密码学基础，以克服当前的限制，从业者也重新设计查询和算法，以适应当前的加密方案的功能。作为同态加密图的初步研究，本文提供了一个易于实现的交互式算法来检查同态加密图是否是弦图。该算法是对现有算法的一个简单重构，使其能够在加密的邻接矩阵上运行。
2021-06-25 cs.CR
Limitations on information theoretically secure quantum homomorphic encryption
同态加密是一种加密形式，它允许对加密数据进行计算而不需要解密。量子方法在委托计算环境中相关任务的成功提出了一个问题，即量子力学是否可以用于实现信息理论上安全的全同态加密。在这里，我们表明，通过信息本地化参数，确定性完全同态加密必然会产生指数开销，如果需要完美的安全性。
2014-06-10 cs.CR quant-ph
Homomorphic encryption from codes
基于仿射码族在独立随机噪声下的译码困难性，提出了一种新的同态加密方案。与以前的基于格的同态加密计划，其中的消息被隐藏在噪声部分的密文不同，我们的计划携带的仿射部分的变换的消息，并仅应用噪声来实现安全性。我们的方案可以容忍任意大小的噪声，只要噪声向量具有足够小的汉明权重（并且其条目是独立的）。我们的设计实现了“原同态”的性质，在一个基本的方式：消息加法和乘法模拟逐点加法和乘法的密文向量。此外，我们的解密非常简单的性质，使该计划很容易服从自举。然而，一些复杂性是由明显的加密错误的固有存在引起的。我们的主要技术贡献是开发了两种新的技术来处理这种错误的同态评价过程。我们还提供了一个定义的同态加密，可能是有用的其他地方的框架。
2011-11-18 cs.CR
FPGA-Based Hardware Accelerator of Homomorphic Encryption for Efficient Federated Learning
Hong Kong University of Science and Technology（香港科技大学）；Clustar（星辰天合）；Peng Cheng Lab（鹏城实验室）
随着人们对隐私保护和数据碎片问题的日益关注，联邦学习已经成为机器学习的一种新范式。联邦学习倾向于利用各种隐私保护机制来保护传输的中间数据，其中同态加密在安全性和易用性之间取得了平衡。然而，复杂的操作和大的操作数给联邦学习带来了巨大的开销。更有效地保持准确性和安全性一直是联邦学习的关键问题。在这项工作中，我们研究了一种硬件解决方案，并设计了一个基于FPGA的同态加密框架，旨在加速联邦学习的训练阶段。其根本复杂性在于寻找一种紧凑的同态加密核心运算架构，以满足联邦学习对加密吞吐量高和配置灵活的要求。我们的框架实现了具有代表性的Paillier同态密码系统，具有高层次的综合灵活性和可移植性，在处理时钟周期，资源使用和时钟频率方面对模乘运算进行了仔细的优化。我们的加速器实现了接近最佳的执行时钟周期，具有比现有设计更好的DSP效率，并在各种联邦学习模型的训练过程中将加密时间减少了71%。
2020-07-21 cs.CR cs.DC cs.LG
Security and Efficiency analysis of Fully Homomorphic Encryption (FHE) algorithm ZK111
这是对ZK111的无条件安全性和二次时间O（n^2）效率的总结。
2012-10-17 cs.CR
Homomorphic Evaluation of Database Queries
同态加密是一种能够对加密数据进行计算的加密方法。这具有广泛的现实世界分支，例如能够盲目计算发送到远程服务器的搜索结果，而不会泄露其内容。本文讨论了如何使用同态加密方案来保证数据库搜索查询的安全。我们提出了一种新的数据库搜索技术，可以使用基于环的全同态加密方案提出的Braserski。
2016-06-10 cs.CR
A review of homomorphic encryption and software tools for encrypted statistical machine learning
University of Oxford（牛津大学）
密码学的最新进展有望实现对加密数据的安全统计计算，从而可以在不需要首先解密的情况下执行有限的一组操作。我们审查这些同态加密方案的统计学家和机器学习者访问的方式，专注于相关的固有的局限性，在当前的最先进的状态。这些限制限制的统计和机器学习算法，可以实现，我们回顾那些已成功应用于文献。最后，我们记录了一个高性能的R包实现最近的同态计划的一般框架。
2015-08-26 cs.CR cs.LG stat.ML
Practical Homomorphic Encryption Over the Integers
我们提出了新的整数运算的同态加密方案，用于在云中的安全的单方计算。这些计划是能够安全地计算低次多项式同态，但这似乎足以满足大多数实际应用。在这种情况下，我们的计划导致实际的密钥和密文的大小。我们提出了一个序列的概括我们的基本计划，增加了安全性，但减少实用性。我们已经评估了前四个这些算法通过计算一个低度内积。这些计算的时间安排极为有利。最后，我们使用我们的想法，推导出一个完全同态系统，这似乎是不切实际的，但可以同态评估任意布尔电路。
2017-02-24 cs.CR
Encryption scheme based on Automorphism Group of Hermitian Function Field with Homomorphic Encryption
本文提出基于埃尔米特函数域自同构群的加密方案，通过三参数群的对数表示增强同态加密能力，其攻击复杂度与加密消息大小均与群阶直接相关。
2025-04-14 cs.CR math.GR
Quantum fully homomorphic encryption scheme based on universal quantum circuit
全同态加密允许在不解密数据的情况下对加密数据进行任意计算。在这里，它是在量子信息处理的背景下进行研究。基于通用量子线路，提出了一种量子全同态加密方案，该方案允许对加密数据进行任意量子变换。QFHE方案被证明是完全安全的。在该方案中，解密密钥与加密密钥不同，但加密密钥不能是公开的。此外，该方案的计算算法与密钥无关，因此非常适用于双方之间的委托量子计算。
2014-10-09 cs.CR quant-ph
Blind Turing-Machines: Arbitrary Private Computations from Group Homomorphic Encryption
安全函数求值（SFE）是在某些数据上计算函数（或运行算法）的过程，同时保持输入，输出和中间结果对函数求值的环境隐藏。这可以使用完全同态加密、Yao的乱码电路或安全多方计算来完成。应用是多种多样的，最突出的是将计算外包给云服务提供商，在那里数据将在完全保密的情况下进行操作和处理。如今，对SFE研究最深入的解决方案之一是全同态加密（FHE）。自2009年发现第一个此类系统以来，尽管取得了很大进展，但FHE仍然效率低下，难以实际实施。类似的问题也适用于乱码电路和（通用）多方计算协议。在这项工作中，我们介绍了盲图灵机的概念，它使用简单的同态加密（ElGamal加密的扩展）处理密文的方式作为标准的图灵机，从而实现可计算性的任何功能，在总的隐私。值得注意的是，这表明完全同态加密确实是进行SFE的过于强大的原语，因为具有相等性检查的组同态加密已经足够了。此外，该技术易于实现，并且可能为在当今的计算机器上进行有效的私有计算打开了大门，仅需要对完善的计算机体系结构进行简单的改变。
2013-12-11 cs.CR
Classical Homomorphic Encryption for Quantum Circuits
本文提出首个使用经典密钥的量子电路分层全同态加密方案，支持盲目委托量子计算，并证明其可基于LWE问题构造。
2023-12-08 cs.CR quant-ph
General Impossibility of Group Homomorphic Encryption in the Quantum World
群同态加密是现代密码学中最重要的组成部分之一。它构成了广泛使用的更复杂原语的基础，例如CCA 2安全加密或安全多方计算。不幸的是，量子计算的最新进展表明，一旦量子计算机达到成熟，许多现有的方案就会完全崩溃（主要是由于Shor算法）。这导致了构造抗量子群同态密码系统的挑战。在这项工作中，我们证明了一般不可能的（阿贝尔）群同态加密在量子对手的存在下，假设的最低安全要求的IND-CPA安全概念。为此，我们证明了一个新的结果的概率抽样生成集的有限（子）组，如果抽样是相对于一个任意的，未知的分布。最后，我们给出了量子攻击有效的同态加密方案的一个充分条件，并讨论了它在非群同态情形下的可满足性。我们的研究结果对最近的全同态加密方案的影响是一个悬而未决的问题。
2014-01-13 cs.CR math.GR
FHEBench: Benchmarking Fully Homomorphic Encryption Schemes
全同态加密（FHE）是在不可信云中进行隐私保护计算的最有前途的解决方案之一。FHE可以通过各种方案来实现，每种方案都具有独特的优点，即，有些人擅长算术运算，而另一些人在实现布尔逻辑运算时是有效的。因此，即使是密码学专家也很难选择“正确的”FHE方案来有效地实现特定的应用程序，更不用说普通用户了。以前的工作只定性比较几个FHE计划。在本文中，我们提出了一个实证研究，FHEBench，定量比较主要的FHE方案
2022-03-01 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
Secure Fast Fourier Transform using Fully Homomorphic Encryption
安全信号处理正在成为保护隐私的事实模型。我们提出了一个模型的基础上的全同态加密（FHE）技术，以减轻安全漏洞。我们的框架提供了一种对用户指定的信号执行快速傅立叶变换（FFT）的方法。通过对各个二进制值进行加密以及对加法和乘法进行FHE操作，我们使用户能够以二进制的定点小数表示来执行FFT。我们的方法限制了实现的错误，以根据特定的应用程序启用用户可选的参数。我们针对一维信号和图像（二维的信号）的测试用例验证了我们的框架。
2016-11-27 cs.CR
Privacy and correctness trade-offs for information-theoretically secure quantum homomorphic encryption
本文为信息论安全的量子同态加密定义了电路隐私，并将量子不经意传输归约到量子同态加密，从而揭示一大类协议（含仅支持Clifford电路的方案）中电路隐私、数据隐私与正确性之间的根本权衡。
2023-04-04 cs.CR quant-ph
Homomorphic Encryption for Quantum Annealing with Spin Reversal Transformations
同态加密几十年来一直是经典计算中的一个研究领域。同态加密的基本目标是使（不受信任的）Oscar能够为Alice执行计算，而Oscar不知道计算的输入或计算的输出。Alice在将输入发送给Oscar之前对其进行加密，Oscar直接对加密数据进行计算，产生加密结果。Oscar然后将加密的计算结果发送回Alice，Alice可以解密它。我们描述了一种基于自旋反转变换的量子退火同态加密方法，并表明它几乎没有性能损失。这与用于经典计算的同态加密方法形成对比，经典计算导致显著的额外计算成本。这意味着当两种范式都使用同态加密时，量子退火和经典计算之间的性能差距减小了。此外，同态加密对于量子退火至关重要，因为量子退火器是云原生的-第三方（如不受信任的奥斯卡）执行计算。如果敏感信息，例如受《健康保险可携带性和责任法案》约束的健康相关数据，要用量子退火机处理，这种技术可能是有用的。
2020-08-31 cs.CR quant-ph
CryptoLight: An Electro-Optical Accelerator for Fully Homomorphic Encryption
全同态加密（FHE）通过使计算直接发生在密文上来保护云计算中的数据隐私。为了改善耗时的FHE操作，我们提出了一个电光（EO）FHE加速器，CryptoLight。与之前的FHE加速器相比，平均而言，CryptoLight将各种FHE应用的延迟降低了>94.4%，能耗降低了>95%
2023-01-27 cs.AR cs.CR
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
CHEM: Efficient Secure Aggregation with Cached Homomorphic Encryption in Federated Machine Learning Systems
虽然同态加密可以被合并到神经网络层中以保护机器学习任务，例如在联邦学习中对加密数据样本和加密本地模型的机密推断，但计算开销一直是致命弱点。本文提出了一种缓存协议，即CHEM，张量密文可以从一个池的缓存的基数，而不是执行昂贵的加密操作构建。从理论的角度来看，我们证明了CHEM是语义安全的，并可以在实际的假设下进行简单的分析参数化。在三种常用的公共数据集上的实验结果表明，采用CHEM算法仅产生亚秒级的加密开销，但在机密推理中对输入数据样本进行编码时，加密代价降低了48%~ 89%，在联邦学习中对局部模型进行编码时，加密代价降低了67%~ 87%.
2022-12-22 cs.CR
A Verifiable Fully Homomorphic Encryption Scheme for Cloud Computing Security
在云计算和大数据的背景下执行智能计算在今天受到高度赞赏。全同态加密（FHE）是一种智能加密方案，允许以加密形式处理数据。它使我们能够保护我们的敏感数据的机密性，并从云计算的力量中受益。目前，已有的许多方案已经证明，该理论是可行的，但效率需要显着提高，以使其可用于实际应用。一个微妙的困难是如何有效地处理噪音。本文的目的是介绍一种有效的和可验证的FHE的基础上一个新的数学结构，是无噪声的。
2018-04-18 cs.CR
Dubhe: Towards Data Unbiasedness with Homomorphic Encryption in Federated Learning Client Selection
Shanghai Jiao Tong University（上海交通大学）
联邦学习（FL）是一种分布式机器学习范式，允许客户端在自己的本地数据上协作训练模型。FL保证了客户端的隐私，其安全性可以通过诸如加性同态加密（HE）的密码学方法来加强。然而，FL的效率可能会严重受到客户之间的数据分布差异和全局分布偏度的统计异质性的影响。我们从数学上证明了FL性能下降的原因，并在各种数据集上检查FL的性能。为了解决统计异质性问题，我们提出了一种可插拔的系统级客户端选择方法Dubhe，它允许客户端主动参与训练，同时在HE的帮助下保护他们的隐私。实验结果表明，Dubhe算法在分类精度上与最优贪婪算法相当，而加密和通信开销可以忽略不计。
2021-09-08 cs.CR cs.DC cs.LG
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
