Generalizing Multi-party Contract Signing
多方合同签名（MPCS）协议允许一组签名者在预定义的合同上交换签名。以前的方法考虑完全线性协议或完全并行的广播协议。我们介绍了一类新的DAG MPCS协议，它结合了并行和线性执行，并允许并行性，即使在一个签名者的角色。这种概括在签名者集合具有层次结构的实际应用中是有用的，例如服务级别协议和分包的链接。我们的新的DAG MPCS协议表示为有向无环图，并配备了标记的转换系统语义。我们定义了中止链序列的概念，并证明了DAG MPCS协议满足公平性当且仅当它不具有中止链序列。我们展示了几个乐观的公平DAG MPCS协议的例子。这些协议的公平性来自我们的理论，并且已经用我们的自动化工具进行了验证。我们定义了两个复杂性措施DAG MPCS协议，有关的执行时间和交换的消息总数。我们证明了这些措施的公平DAG MPCS协议的下界。
2015-02-17 cs.CR
Selective MPC: Distributed Computation of Differentially Private Key-Value Statistics
键值数据是一种自然出现的数据类型，尚未在本地信任模型中进行彻底的研究。现有的本地差分私有（LDP）解决方案用于计算键值数据上的统计数据，其受到每个用户添加其自己的噪声的固有精度限制。多方计算（MPC）保持比LDP更好的准确性，同样不需要可信的中央方。然而，天真地将MPC应用于键值数据会导致非常昂贵的计算成本。在这项工作中，我们提出了选择性多方计算，一种新的分布式计算方法，利用DP泄漏有效地和准确地计算统计的键值数据。通过向每一方提供数据的随机子集的视图，我们可以捕获减法噪声。我们证明了我们的协议满足纯DP和DP/MPC组合模型是可证明安全的。我们的经验评估表明，我们可以在20秒内计算超过10，000个密钥的统计数据，并且可以扩展到30台服务器，同时在不到一秒的时间内获得单个密钥的结果。
2022-08-30 cs.CR
VERTICES: Efficient Two-Party Vertical Federated Linear Model with TTP-aided Secret Sharing
针对垂直联邦学习中通用MPC框架开销大且效率低的问题，提出一种基于可信协调者的高效秘密共享方案，使两方垂直联邦线性模型训练在同等安全设置下实现2.5至6.6倍加速。
2023-06-28 cs.CR
On the Communication Complexity of Secure Multi-Party Computation With Aborts
本文研究点对点网络中带弃权（不执行）的安全多方计算的通信复杂度，设计了近乎最优的通信高效协议，并证明了诚实参与方数量、通信复杂度和协议局部性之间的权衡关系。
2024-06-11 cs.CR
How to Simulate It in Isabelle: Towards Formal Proof for Secure Multi-Party Computation
在密码学中，安全多方计算（MPC）协议允许参与者联合计算函数，同时保持其输入的私密性。最近的突破将MPC付诸实践，解决了安全分布式计算的基本挑战。就像经典的加密和密钥交换协议一样，MPC的设计和实现需要精确的保证;任何缺陷都会给攻击者一个破坏隐私或正确性的机会。在本文中，我们提出了第一个（据我们所知）形式化的一些MPC的安全证明。这些证明提供了概率保证的计算模型的安全性，但有一个不同的字符机器证明和证明工具实现到目前为止- MPC证明使用\emph{simulation}的方法，其中安全性是建立在实际的协议执行和一个理想的世界，其中安全性是由定义保证的执行痕迹之间的不可分割性。我们表明，现有的机器推理概率程序适应这种设置，铺平了道路，精确地检查一类新的密码学参数。我们使用Isabelle/HOL内部的CryptHOL框架实现我们的证明。
2018-05-31 cs.CR
Circuit-Free General-Purpose Multi-Party Computation via Co-Utile Unlinkable Outsourcing
多方计算（MPC）是指参与联合计算的多方，每一方的输入和输出对该方保持私有。尽管自20世纪80年代以来就存在用于特定计算的MPC协议，但直到最近才开发出通用编译器，以允许对任意函数进行MPC。然而，使用当今的MPC编译器需要用户方面的大量编程工作和技能，因为几乎所有的编译器都将计算代码转换为布尔或算术电路。特别是，电路表示需要展开循环和递归调用，这迫使程序员（通常手动）定义循环边界，几乎不使用递归。我们提出了一种方法，允许MPC的任意计算表示为普通代码的所有功能，不需要被翻译成一个电路。我们的输入和输出隐私的概念是基于不可链接性。我们的方法通过分散的声誉利用匿名渠道利用共同效用计算外包，最小化地使用密码学，并且不要求参与者诚实但好奇：只要参与者是理性的（自我利益），它就可以工作，这可能包括理性恶意的对等体（如果这对他们有利，他们就会成为攻击者）。我们提出了示例应用程序，包括电子投票。我们的实证研究表明，声誉捕获同行的行为，并确保具有高声誉的各方获得正确的结果。
2021-12-30 cs.CR
Communication-Efficient (Client-Aided) Secure Two-Party Protocols and Its Application
安全多方计算（MPC）允许一组各方联合计算函数，同时保持其输入的私密性。与基于混淆电路的MPC相比，最近的一些研究结果表明，基于秘密共享（SS）的MPC工作在一个非常高的速度。此外，基于SS的MPC可以很容易地矢量化，并实现更高的吞吐量。然而，在基于SS的MPC中，我们需要许多通信回合来计算具体的协议，如相等性检查，小于比较等。在本文中，我们构造了半诚实安全通信有效的两方协议。核心技术是Beaver三重扩展，这是一种处理多扇入门的新工具，我们也展示了如何有效地使用它。我们主要关注减少通信轮数，我们的协议也成功地减少了通信位数（在大多数情况下）。作为一个例子，我们提出了一个小于比较协议（根据实际参数）与三个通信轮。此外，通信比特的数目也更少$38.4\%$。因此，总在线执行时间比采用相同设置的前一工作短$56.1\%$。虽然我们的协议的计算成本比以前的工作更昂贵，我们通过实验证实，这样的缺点在典型的WAN环境中的整个在线性能的影响很小。
2020-01-04 cs.CR
Privacy-Enhancing Fall Detection from Remote Sensor Data Using Multi-Party Computation
OneSpan（OneSpan公司）
基于运动的跌倒检测系统涉及检测来自脆弱用户的跌倒，这通常通过使用机器学习对来自身体佩戴的惯性测量单元（IMU）的测量结果进行分类来执行。然而，这样的系统需要收集可能侵犯用户隐私的高分辨率测量结果，例如使用航位推算来揭示他们的步态、日常生活活动（ADL）和相对位置。在本文中，我们研究了多方计算（MPC）的应用，以保护设备测量的机密性，基于IMU的跌倒检测。我们的系统是在基于云的环境中进行评估的，这使得各方无法使用部署在三个地理配置中的多个不同的云实例来学习底层数据。使用公开的数据集，我们证明了基于MPC的跌倒检测从IMU测量是实用的，同时实现最先进的出错率。在最好的情况下，我们的系统在365.2毫秒内执行，这完全落在设备上数据采集所需的时间窗口（750毫秒）内。
2019-06-20 cs.CR cs.LG
CBNN: 3-Party Secure Framework for Customized Binary Neural Networks Inference
School of Software Engineering, East China Normal University（华东师范大学软件工程学院）
本文提出CBNN，一个面向高效BNN推理的三方安全计算框架，通过知识蒸馏和可分离卷积将标准BNN转换为MPC友好的定制化BNN，并优化线性和非线性操作协议，在保障安全性的同时维持了模型高性能。
2024-12-21 cs.CR cs.LG
MPC-Patch-Bench: Security-Aware LLM Code Patch for Multi-Party Computation
University of Central Florida（中央佛罗里达大学）
针对多方计算（MPC）软件缺乏仓库级代码修复基准的问题，提出MPC-Patch-Bench，包含数据筛选框架和MPC验证器，评估LLM在MPC仓库级修复中的安全性和数值保真度。
2026-06-11 cs.AI cs.CR
On the relationship between (secure) multi-party computation and (secure) federated learning
这篇短文的贡献包括以下两个部分：在第一部分中，我们能够证明Kairouz等人提出的联邦成员学习（FL）过程\cite{Kairouz1901}是一个随机过程。也就是说，可以在多方计算（MPC）的上下文中定义FL过程的$m$元功能;此外，根据Kairouz等人的的定义可被视为所定义的$m$元功能的实现。因此，FL过程的实例也是MPC协议的实例。简而言之，FL是MPC的子集。为了私密地计算所定义的FL（m-ary）功能，已经部署了各种技术，诸如同态加密（HE）、安全多方计算（SMPC）和差分隐私（DP）。在第二部分中，我们能够证明，如果底层FL实例在基于模拟的框架中私下计算定义的$m$ -ary功能，则基于模拟的FL解决方案也是SMPC的实例。因此，SFL是SMPC的子集。
2020-08-06 cs.CR
Effectiveness of MPC-friendly Softmax Replacement
CSIRO’s Data61（澳大利亚联邦科学与工业研究组织Data61研究所）
Softmax广泛用于深度学习，将某些表示映射到概率分布。由于它基于exp/log函数，在多方计算中相对昂贵，Mohassel和Zhang（2017）提出了一种基于ReLU的更简单的替代方案，用于安全计算。然而，我们无法重现他们在MNIST上使用三个完全连接层进行训练时报告的准确性。后来的作品（例如，Wagh等人，2019年和2021年）使用softmax替代不是为了计算输出概率分布，而是为了近似反向传播中的梯度。在这项工作中，我们分析了替换的两种用途，并将其与softmax进行了比较，无论是在多方计算的准确性还是成本方面。我们发现，这种替换只为单层网络提供了显著的速度提升，但它总是降低准确性，有时会显着降低。因此，我们得出结论，它的用处是有限的，应该使用原始的softmax函数。
2021-07-06 cs.CR cs.LG
LRD-MPC: Efficient MPC Inference through Low-rank Decomposition
University of Southern California（南加州大学）
LRD-MPC通过低秩分解和优化技术，显著提升MPC在深度学习中的推断效率，减少通信开销和计算资源消耗。
2026-02-16 cs.CR cs.LG
zkHawk: Practical Private Smart Contracts from MPC-based Hawk
近年来，随着第一个加密货币比特币的发布，加密货币受到了大量的研究关注。随着加密货币交易的增加，对智能合约的需求也在增加。简而言之，智能合约是数字执行的合约，其中一些方执行共同的目标。当前大多数智能合约的主要问题是，无论是区块链还是其他方，对合约的一方输入都没有隐私。我们的研究建立在Hawk项目的基础上，该项目提供交易隐私以及对智能合约的支持。然而，Hawk依赖于一个被称为管理者的特殊受信任方，该管理者必须被信任不会泄露每一方对智能合约的输入。在本文中，我们提出了一种实用的私有智能合约协议，该协议用MPC协议代替管理器，使得MPC协议执行的功能相对较轻，涉及到对智能合约功能添加的很少开销，并使用实际的sigma协议和同态承诺向区块链证明智能合约的传入余额之和与传出余额之和相匹配。平衡。
2022-05-15 cs.CR
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
MPCFormer: fast, performant and private Transformer inference with MPC
Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Petuum Inc.（Petuum公司）；University of California, Berkeley（加州大学伯克利分校）
启用私有推理对于许多基于Transformer模型的云推理服务至关重要。然而，现有的私有推理解决方案可能会将推理延迟增加60倍以上，或者严重损害推理质量。在本文中，我们设计的框架MPCFORMER作为一个实用的解决方案，使用安全多方计算（MPC）和知识蒸馏（KD）。通过广泛的评估，我们表明，MPCFORMER显着加快了Transformer在MPC设置中的推理，同时实现了与输入模型相似的ML性能。在IMDb数据集上，它实现了与BERTBASE相似的性能，但速度要快5.3倍。在GLUE基准测试中，它的性能达到了BERTBASE的97%，加速比为2.2倍。MPCFORMER对不同的训练过的Transformer权重（如ROBERTABASE）和更大的模型（包括BERTLarge）仍然有效。代码可在https://github.com/MccRee177/MPCFormer上获得。
2023-03-16 cs.CR cs.LG
PolyMPCNet: Towards ReLU-free Neural Architecture Search in Two-party Computation Based Private Inference
深度学习（DL）的快速发展和部署见证了新出现的隐私和安全问题。为了缓解这些问题，已经讨论了安全多方计算（MPC），以实现隐私保护DL计算。在实践中，它们通常会带来非常高的计算和通信开销，并可能阻碍它们在大规模系统中的普及。两个正交的研究趋势在解决安全深度学习中的能量效率方面吸引了巨大的兴趣，即，MPC比较协议的开销减少和硬件加速。然而，由于计算和通信节省有限，它们要么实现低缩减率并遭受高延迟，要么由于现有工作主要集中在CPU和GPU等通用计算平台上而耗电。在这项工作中，作为第一次尝试，我们开发了一个系统的框架，PolyMPCNet，联合开销减少MPC比较协议和硬件加速，通过集成硬件延迟的密码构建块到DNN损失函数，以实现高能效，准确性和安全性保证。我们的关键设计原则不是在DNN经过良好训练后（通过删除或丢弃一些非多项式运算符）验证性地检查模型敏感性，而是严格执行DNN设计中的假设-训练一个既硬件高效又安全的DNN，同时逃避局部最小值和鞍点并保持高精度。更具体地说，我们提出了一种直通多项式激活初始化方法，用于加密硬件友好的可训练多项式激活函数，以取代昂贵的2 P-ReLU运算符。针对现场可编程门阵列（FPGA）平台，设计了一种密码硬件调度器，并建立了相应的性能模型。
2023-02-22 cs.CR cs.LG
Accelerating Privacy-Preserving Medical Record Linkage: A Three-Party MPC Approach
本文提出一种基于安全三方计算（MPC）框架的新型高效隐私保护记录链接（PPRL）方法，在保持链接质量的同时实现高达14倍的性能提升，有效解决了大规模医疗记录链接中的隐私与效率平衡问题。
2024-11-12 cs.CR cs.DB
Co-designing for Compliance: Multi-party Computation Protocols for Post-Market Fairness Monitoring in Algorithmic Hiring
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Max Planck Institute for Security and Privacy（马克斯·普朗克安全与隐私研究所）；Leiden University（莱顿大学）；Universitat Pompeu Fabra（庞培法布拉大学）；InfoJobs；Ruhr University Bochum（波鸿鲁尔大学）；Radboud University（拉德堡德大学）
本文提出一种集成技术、法律和工业专家的协同设计方法，开发了一个符合法律的多方计算协议，用于算法招聘中的事后公平性监控，并在大规模工业环境中验证其有效性。
2026-05-07 cs.CR cs.CY
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
I Prove, Therefore I Am: Spatiotemporal Multi-Party Computation
The Chinese University of Hong Kong（香港中文大学）；NTT Social Informatics Laboratories（NTT社会情报实验室）
本文提出时空多方计算（MPC）概念，通过“我证明，故我在”的时空知识论证实现位置、时间等物理输入的隐私保护与一致性验证，并给出基于后量子MPC的UC安全构造。
2026-09-23 cs.CR quant-ph
Adam in Private: Secure and Fast Training of Deep Neural Networks with Adaptive Moment Estimation
National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）；NTT（日本电信电话株式会社）；University of St. Gallen（圣加仑大学）
隐私保护机器学习（PPML）旨在使机器学习（ML）算法能够用于敏感数据。我们通过提出一个框架来促进这一研究，该框架允许通过安全多方计算（MPC）对成熟的最先进的ML算法进行有效和安全的评估。这与大多数先前的作品相反，这些作品用近似的“MPC友好”变体代替ML算法。后一种方法的缺点是需要对组合的ML和MPC算法进行微调，这可能导致效率较低的算法或质量较差的ML。这对于安全的深度神经网络（DNN）训练尤其是一个问题，因为这涉及被认为是“MPC不友好”的算术算法，即整数除法、取幂、求逆和平方根。在这项工作中，我们提出了安全和有效的协议，上述看似MPC不友好的计算。我们的协议是三方协议中的诚实多数设置，我们提出了被动安全和主动安全的中止变体。我们的协议的一个显着特点是，他们同时提供高精度和效率。这个框架使我们能够有效和安全地计算现代ML算法，如Adam和softmax函数，而无需采用近似。因此，我们获得了安全的DNN训练，其性能优于最先进的三方系统;我们的完整训练比最近提出的标准基准网络上的ECOCON @PETS'21的在线阶段快6.7倍。我们进一步对真实世界的DNN、AlexNet和VGG 16进行了测量。我们的框架的性能对于AlexNet来说快了大约12-14倍，对于VGG 16来说快了46-48倍，分别达到了70%和75%的准确度。
2021-06-04 cs.CR cs.LG
Think Locally Before Computing Jointly: Efficient Secure Multi-Party Computation via Maximizing Local Processing
Stanford University（斯坦福大学）；Centrum Wiskunde & Informatica（荷兰数学与计算机科学研究学会）；EPFL（洛桑联邦理工学院）
该研究针对混淆电路协议，提出感知所有权的优化方法，通过增加参与方本地计算减少需联合评估的非线性门，提升了带本地结构电路的安全多方计算性能。
2026-10-14 cs.CR
CrypTorch: PyTorch-based Auto-tuning Compiler for Machine Learning with Multi-party Computation
The Pennsylvania State University（宾夕法尼亚州立大学）
研究针对基于多方计算的机器学习框架精度和性能下降问题，提出CrypTorch编译器框架。通过模块化编译、可执行图迭代测试及自动调优选择转换，平衡性能与精度，相比CrypTen实现显著端到端加速。
2026-07-27 cs.AI cs.CR cs.PL
Efficient Multi-Party Secure Comparison over Different Domains with Preprocessing Assistance
本文提出了一种拍卖师辅助的多域安全比较协议，通过预处理优化实现高效且安全的多方计算应用。
2026-02-23 cs.CR
C2PI: An Efficient Crypto-Clear Two-Party Neural Network Private Inference
本文通过 IDPA 与增强的 DINA 经验评估隐私，提出仅让神经网络前几层运行 MPC 的两方框架 C2PI，在 LAN/WAN 下显著提升 PI 速度并降低通信成本。
2023-04-26 cs.CR
Revisiting the Efficiency of Asynchronous Multi Party Computation Against General Adversaries
在本文中，我们设计的安全多方计算（MPC）协议在异步通信设置具有最佳的弹性。我们的协议是安全的，对计算无界的恶意对手，其特征在于对手的结构$\mathcal{Z}$，它列举了所有可能的子集潜在的腐败方。我们的协议导致$\mathcal{O}(|\mathcal{Z}|^2)$和$\mathcal{O}(|\mathcal{Z}|)$位的通信，每次乘法分别为完美的和统计的安全性。这些是具有这种通信复杂性的第一个协议，因为这样的协议仅在同步通信设置中已知（Hirt和Tschudi，ASIACRYPT 2013）。
2022-05-26 cs.CR
When Feasibility of Fairness Audits Relies on Willingness to Share Data: Examining User Acceptance of Multi-Party Computation Protocols for Fairness Monitoring
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Max Planck Institute for Security and Privacy (MPI-SP)（马克斯·普朗克安全与隐私研究所）；Saarland University（萨尔兰大学）
研究探讨了用户对多方计算协议在公平性监控中的接受度，发现用户对隐私保护和公平性目标的重视影响其数据共享意愿。
2026-02-02 cs.CR cs.CY cs.HC
Robust and Verifiable MPC with Applications to Linear Machine Learning Inference
提出一种具备完全可识别性和鲁棒性的高效MPC协议，通过基于格的承诺和半诚实可信第三方实现鲁棒性，在ML即服务场景中验证线性推理，虽效率略低但安全属性更强。
2025-05-31 cs.CR
DECLOAK: Enable Secure and Cheap Multi-Party Transactions on Legacy Blockchains by a Minimally Trusted TEE Network
本文提出支持多方交易的链下合约执行框架DECLOAK，利用最小可信TEE网络在更弱假设下首次实现MPT数据可用性，解决现有方案缺乏公平性与原子性等问题，并将SOTA方案的gas成本降低65.6%。
2023-05-22 cs.CR
MPC-Friendly Commitments for Publicly Verifiable Covert Security
University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）；Google（谷歌）；University College London（伦敦大学学院）
我们解决的问题，有效地验证一个承诺在两方计算。这解决了一方P1向另一方P2提交要在随后的安全计算中使用的值$x$的情况，另一方P2想要接收P1没有欺骗的保证，即$x$确实是输入到安全计算中的值。我们的构造在可公开验证的隐蔽（PVC）安全模型中运行，这是MPC恶意模型的放松，适用于P1如果被发现作弊将面临声誉损害的环境。我们引入PVC承诺方案和索引哈希函数的概念，以建立专门针对PVC框架的承诺方案，并提出了算术和布尔电路的结构，从而产生非常有效的电路。从实用的角度来看，我们的布尔电路的结构是$60\times$更快的安全评估，并使用$36\times$更少的通信比基线方法的基础上散列。此外，我们表明，我们的结构是紧的所需的非线性操作，通过证明下界的非线性门数的承诺验证电路。最后，我们提出了一种技术，以放大我们的建设，允许有效地恢复恶意保证统计安全的安全属性。
2022-01-27 cs.AI cs.CR
CrypTFlow: Secure TensorFlow Inference
Microsoft Research（微软研究院）
我们介绍了CrypTFlow，这是第一个将TensorFlow推理代码转换为安全多方计算（MPC）协议的系统，只需按一下按钮。为此，我们构建了三个组件。我们的第一个组件Athos是从TensorFlow到各种半诚实MPC协议的端到端编译器。第二个组件Porthos是一个改进的半诚实三方协议，为类似TensorFlow的应用程序提供了显著的加速。最后，为了提供恶意安全MPC协议，我们的第三个组件Aramis是一种新技术，它使用具有完整性保证的硬件将任何半诚实MPC协议转换为提供恶意安全性的MPC协议。Aramis输出的协议的恶意安全性依赖于硬件的完整性和MPC的半诚实安全性。此外，我们的系统与明文TensorFlow的推理准确性相匹配。我们通过展示真实世界神经网络（如ResNet 50和DenseNet 121）在ImageNet数据集上的安全推理，实验证明了我们系统的强大功能，半诚实安全的运行时间约为30秒，恶意安全的运行时间不到2分钟。安全推理领域的先前工作仅限于小型网络在微小数据集（如MNIST或CIFAR）上的半诚实安全性。即使在MNIST/CIFAR上，CrypTFlow也优于先前的工作。
2020-03-19 cs.CR cs.LG cs.PL
Cloak: Transitioning States on Legacy Blockchains Using Secure and Publicly Verifiable Off-Chain Multi-Party Computation
近年来，智能合约的保密性已成为实际应用的基本要求。虽然已经做出了许多努力来开发用于执行机密智能合约的架构能力，但也有一些工作将机密智能合约扩展到多方计算（MPC），即，多方联合评估链下事务并在链上提交输出，而不向彼此泄露它们的秘密输入/输出。然而，现有的解决方案缺乏公共可验证性，需要O（n）的事务来实现协商或抵抗对手，因此效率低下，安全性受损。在本文中，我们提出了Cloak，这是一个在现有区块链上实现多方交易（MPT）的框架。MPT是指通过可公开验证的链下MPC转换区块链状态。我们通过协调TEE和区块链来识别和处理保护MPT的挑战。因此，Cloak保护了链下不确定性协商过程（一方加入MPT，而不知道身份或各方的总数，直到MPT提案解决），实现了公共可验证性（公众可以验证MPT正确处理来自多方的秘密输入/输出，并在链上读取/写入状态），并抵抗拜占庭式的对手。根据我们的证明，Cloak仅用2个事务就实现了更好的安全性，优于以前以O（n）事务成本实现妥协安全性的作品。通过评估示例和真实世界的MPT，Cloak的天然气成本平均降低了32.4%。
2023-02-10 cs.CR
Privacy-Preserving Distributed Optimization Under Time Constraints Using Secure Multi-Party Computation and Evolutionary Algorithms
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；AIT Austrian Institute of Technology（奥地利技术研究院）
本文提出了一种结合进化算法和安全多方计算的方法，用于在时间敏感的场景中实现隐私保护的分布式优化，通过减少隐私保护计算对运行时间的影响，确保在截止时间内返回解决方案，并探讨了隐私保护与解决方案质量之间的权衡。
2026-05-20 cs.CR cs.NE
PRIVMARK: Private Large Language Models Watermarking with MPC
Télécom SudParis（电信南方理工学院）；National University of Singapore（新加坡国立大学）；Nanyang Technological University（南洋理工大学）
PRIVMARK通过MPC技术实现大语言模型的隐私保护水印，无需暴露模型权重，有效抵御攻击并保持性能。
2025-09-29 cs.CR
PolyDNN: Polynomial Representation of NN for Communication-less SMPC Inference
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
深度神经网络（DNN）的结构和权重通常编码并包含有关用于训练网络的数据集的非常有价值的信息。当DNN发布时，保护这些信息的一种方法是使用安全多方计算（MPC）来执行网络干扰。在本文中，我们建议将深度神经网络转换为多项式，这更容易使用MPC技术进行有效计算。我们展示了一种将完整网络转换为单个多项式的方法，以及如何使用高效且信息安全的MPC算法计算多项式。计算是在参与方之间没有中间沟通的情况下完成的，这在几种情况下是有益的，如本文所述。
2021-04-28 cs.CR cs.LG
SoK: Demystifying the multiverse of MPC protocols
Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
本文通过系统分析MPC协议的性能参数，提供开发者指导并指出研究挑战，以弥合理论与实践间的差距。
2025-12-12 cs.CR
SAFE-SiP: Secure Authentication Framework for System-in-Package Using Multi-party Computation
SAFE-SiP利用多方计算（MPC）实现零信任的芯粒签名认证，无需专用安全芯粒即可在不可信集成场景下防止未授权访问，实验表明其平均面积开销仅3.05%且计算复杂度为2^192。
2025-05-13 cs.CR
Analog Multi-Party Computing: Locally Differential Private Protocols for Collaborative Computations
针对去中心化场景中多方计算因离散化导致精度损失的问题，提出在模拟域执行计算的本地差分隐私协议A-MPC，在保证数据隐私的同时将可容忍共谋客户端数量提升三倍，且模型精度接近集中式训练。
2023-10-18 cs.CR cs.DC cs.IT
RRNet: Towards ReLU-Reduced Neural Network for Two-party Computation Based Private Inference
University of Connecticut（康涅狄格大学）；Northeastern University（东北大学）；Lehigh University（理海大学）；Duke University（杜克大学）；University of Rochester（罗切斯特大学）
深度学习（DL）的普及导致了隐私和安全问题的出现。为了解决这些问题，已经提出了安全双方计算（2 PC）作为实现隐私保护DL计算的手段。然而，在实践中，2 PC方法往往会产生很高的计算和通信开销，这可能会阻碍它们在大规模系统中的使用。为了应对这一挑战，我们引入了RRNet，这是一个系统框架，旨在共同降低MPC比较协议的开销，并通过硬件加速来加速计算。我们的方法将加密构建块的硬件延迟集成到DNN损失函数中，从而提高了能效、准确性和安全性。此外，我们提出了一个加密的硬件调度器和相应的性能模型的现场可编程门阵列（FPGA），以进一步提高我们的框架的效率。实验表明，RRNet在CIFAR-10数据集上实现了比所有SOTA作品更高的ReLU约简性能。
2023-02-22 cs.CR cs.LG
SMT-Boosted Security Types and Correctness for Low-Level MPC
University of Vermont（佛蒙特大学）
该研究针对底层安全多方计算（MPC），开发了结合SMT验证的霍尔逻辑与类型理论，可自动保障Prelude/Overture语言协议的安全属性，方法兼具精度、效率与可扩展性。
2026-10-16 cs.CR
Covert Attacks on Machine Learning Training in Passively Secure MPC
Google DeepMind（谷歌DeepMind）；Visa Research（Visa研究）；Aarhus University（阿arhus大学）
本研究揭示主动对手可在被动安全MPC训练协议中实施隐蔽攻击，损害模型完整性与隐私，甚至重建训练数据，挑战了被动安全威胁模型的合理性，并推动采用主动安全协议。
2025-05-21 cs.CR cs.LG
CipherDM: Secure Three-Party Inference for Diffusion Model Sampling
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
提出 CipherDM 安全 MPC 框架，通过定制 SoftMax、SiLU 和 Mish 协议实现扩散模型安全采样，并在 DDPM、DDIM 与 SD 上显著降低运行时间和通信开销。
2024-09-09 cs.AI cs.CR cs.CV
Multi-Party Computation in IoT for Privacy-Preservation
随着物联网辅助智能系统及其无处不在的智能传感器的使用越来越多，隐私保护一直是一个严重的问题。为了解决这个问题，智能系统正在被训练成更多地依赖聚合数据，而不是直接使用原始数据。然而，大多数现有的隐私保护数据聚合的策略，或者依赖于计算密集型的同态加密为基础的操作或通信密集型的协作机制。不幸的是，没有一种方法直接适用于资源受限的物联网系统。在这项工作中，我们利用基于并发传输的通信技术来有效地实现基于多方计算（MPC）的策略，即著名的Shamir秘密共享（SSS），并对其进行优化，使其适用于现实世界的物联网系统。
2022-06-04 cs.CR
Silentflow: Leveraging Trusted Execution for Resource-Limited MPC via Hardware-Algorithm Co-design
针对资源受限设备中MPC的COT生成瓶颈，本文提出Silentflow，通过硬件-算法协同设计结合TEE消除COT通信，实现39.51倍加速，ImageNet上PPMLaaS推理比Cryptflow2和Cheetah分别快4.62倍和3.95倍。
2025-08-24 cs.CR
On the Communication Complexity of Secure Computation
信息理论安全多方计算（MPC）是现代密码学的核心基础。然而，对这种原语的通信复杂性知之甚少。在这项工作中，我们开发了强大的信息理论工具来证明MPC的通信复杂性的下界。我们将自己限制在三方设置中，以便在不引入太多并发症的情况下发挥这些工具的功能。我们的技术包括使用数据处理不等式的剩余信息-即，互信息和Gács-Körner公共信息之间的差距，一个新的信息不等式的3方协议，和分配切换的想法，在某些最坏情况下计算的下限可以应用于一般情况。使用这些技术，我们得到了紧界的通信复杂性MPC协议的各种有趣的功能。特别是，我们展示了具有“通信理想”协议的具体功能，该协议在网络中的所有链路上同时实现最小通信。此外，我们获得了一个函数的第一个显式例子，该函数的通信成本高于Feige，Kilian和Naor（1994）的安全计算模型中的输入长度，他们已经证明了这样的函数存在。我们还表明，我们的通信界限意味着紧的下限MPC协议所需的随机性的数量为许多有趣的功能。
2014-04-13 cs.CR cs.IT math.IT
Approximating ReLU on a Reduced Ring for Efficient MPC-based Private Inference
Pennsylvania State University（宾夕法尼亚州立大学）；Meta AI；Cornell University（康奈尔大学）
本文提出MPC框架HummingBird，通过在缩减环上仅使用部分非关键比特评估ReLU，大幅降低通信开销，在保持高精度的同时实现显著端到端加速。
2023-09-09 cs.CR cs.LG
MPCLeague: Robust MPC Platform for Privacy-Preserving Machine Learning
Indian Institute of Science（印度科学理工学院）
在现代计算时代，机器学习工具已经在医疗保健和金融等重要领域展示了其潜力，以得出正确的推断。这些部门数据的敏感性和机密性引起了对数据隐私的真正关切。这激发了隐私保护机器学习（PPML）领域的发展，在该领域中，数据的隐私得到了保证。在这篇论文中，我们设计了一个有效的平台，MPCLeague，PPML在安全外包计算（SOC）设置使用安全多方计算（MPC）技术。MPC是安全分布式计算的圣杯问题，它使一组相互不信任的n方能够对他们的私有输入进行联合计算，使得t方的联盟不能学习比输出更多的信息（隐私）或影响计算的真实输出（正确性）。虽然MPC，一般来说，一直是广泛研究的主题，MPC与少数政党的领域最近已经引起了流行，主要是由于其应用于实时场景，效率和简单性。本文主要研究了在最多出现一次讹误的情况下，支持环结构的2方、3方和4方MPC框架的设计。本论文的核心是四个框架- ASTRA，SWIFT，Tetrad，ABY2.0 -迎合不同的设置。通过对广泛使用的ML算法--线性回归、逻辑回归、神经网络和支持向量机--的基准测试的改进，论证了我们框架的实用性。我们为每个框架提出了两个变体，一个变体旨在最大限度地减少执行时间，而另一个则侧重于货币成本。我们的框架的具体效率收益加上更强的安全性保证的鲁棒性，使我们的平台的PPML技术的实时部署的理想选择。
2021-12-26 cs.CR cs.LG
Efficient Three-party Computation: An Information-theoretic Approach from Cut-and-Choose
据我们所知，从切割和选择安全计算的文献集中在实现对恶意对手的计算安全。目前还不清楚切割和选择的想法是否可以适用于信息理论安全的安全计算。在这项工作中，我们探讨的可能性，使用切割和选择在信息论设置的安全三方计算（3PC）。以前的工作3PC主要集中在半诚实的情况下，是由观察到的多方计算（MPC）的真实字部署似乎涉及几方的动机。我们提出了一个新的协议，信息理论上安全的3PC容忍一个恶意方欺骗概率$2^{-s}$使用$s$运行的电路计算的切割和选择范例。我们的协议的计算成本基本上是只有一个小常数比国家的最先进的3PC协议对半诚实的腐败，而它的通信轮大大减少相比，其他恶意安全的3PC协议在信息理论的设置。
2019-08-10 cs.CR
HawkEye: Statically and Accurately Profiling the Communication Cost of Models in Multi-party Learning
针对多方学习模型通信成本依赖人工和动态执行剖析的问题，本文提出 HawkEye 静态框架，利用前缀调用链与自动微分实现准确成本剖析。
2025-02-16 cs.CR
Secure Computation for Machine Learning With SPDZ
安全多方计算（MPC）是密码学的一个领域，它支持对来自多个来源的敏感数据进行计算，同时保持隐私保证。然而，理论MPC协议通常不能有效地扩展到真实世界的数据。该项目研究了SPDZ框架的效率，该框架在流行的机器学习（ML）算法的背景下提供了具有恶意安全性的MPC协议的实现。特别是，我们选择了线性回归和逻辑回归等应用程序，这些应用程序已经使用半诚实MPC技术进行了实施和评估。我们证明，SPDZ框架优于这些以前的实现，同时提供更强的安全性。
2019-01-02 cs.CR
Coded Secure Multi-Party Computation for Massive Matrices with Adversarial Nodes
在这项工作中，我们考虑的问题，安全多方计算（MPC），由$Γ$源，每个都可以访问一个大的私人矩阵，$N$处理节点或工人，和一个数据收集器或主。大师感兴趣的是输入矩阵的多项式函数的结果。每个源向每个工作者发送其矩阵的随机化函数，称为其份额。工作者在相互交互中处理他们的份额，并将一些结果发送给主服务器，以便主服务器可以导出最终结果。有几个制约因素：（1）每个工作器可以存储每个输入矩阵的函数，其大小为该输入矩阵的$\frac{1}{m}$分数，（2）对于某个整数$t$，多达$t$的工作器是对手，并且可以串通以获得关于私有输入的信息，或者可以进行恶意动作以使最终结果不正确。我们的目标是设计一个MPC计划与最小数量的工人，称为恢复阈值，这样的最终结果是正确的，工人学习没有信息的输入矩阵，和主学习没有超出最终结果。在本文中，我们提出了一个MPC计划，达到恢复阈值的$3t+2m-1$工人，这是顺序小于恢复阈值的传统方法。处理这种设置的挑战在于，当节点相互交互时，敌对节点生成的恶意消息通过系统传播，并可能误导诚实节点。为了应对这一挑战，我们设计了一些子程序，可以检测错误的消息，并纠正或删除它们。
2020-04-10 cs.CR cs.IT math.IT
Low-Latency Privacy-Preserving Deep Learning Design via Secure MPC
Tsinghua University（清华大学）
本文提出一种基于秘密共享的低延迟MPC设计，通过减少通信轮次和优化非线性函数计算提升网络利用率，在多种设置下实现了10~20%的通信延迟提升。
2024-07-24 cs.AI cs.CR cs.DC
SMT-Boosted Security Types for Low-Level MPC
本文提出了一种基于SMT验证的全新类型理论，用于自动确保Prelude/Overture框架下MPC协议的正确性、机密性与完整性，该方法具备自动化、可组合、可扩展及适用于任意素数域的优势。
2025-01-29 cs.CR cs.PL
