A Primer on Private Statistics
University of Waterloo(滑铁卢大学);Northeastern University(东北大学)
在过去几年里,不同的私人统计估计出现了一系列发展。研究分为两个学派,侧重于实证统计和人口统计。我们认为,这两条线的工作是更相似的,而不是不同的方法,最初的实证统计框架的例子,但可以同样适用于人口统计。我们还提供了在这一领域的最新工作的全面覆盖。
2020-04-30 cs.CR cs.DS cs.IT
How Private is Android's Private DNS Setting? Identifying Apps by Encrypted DNS Traffic
DNS over TLS(DoT)和DNS over HTTPS(DoH)承诺通过加密DNS消息来提高DNS的隐私和安全性,特别是当消息被填充到统一大小时。首先,为了证明推荐的填充方法的局限性,我们提出了Segram,这是一种新的应用程序指纹攻击,允许对手推断哪些移动应用程序在设备上执行。其次,我们使用10种不同的DoT/DoH解析器记录了118个Android应用程序的流量轨迹,以研究Segram在不同条件下的有效性。根据我们的结果,Segram在受控的封闭世界设置中识别应用程序的准确率高达72%。Segram的有效性与最先进的技术相当,但Segram需要更少的计算工作量。我们发布数据集和代码。第三,我们研究了以隐私为中心的DoT/DoH解决方案中填充的流行率,发现高达81%的样本未能启用填充。我们的研究结果表明,推荐的填充方法不如预期的有效,并且解析器操作员没有充分意识到这一功能。
2021-06-26 cs.CR
FESC: Remodeling Long-Context Private Inference with Encrypted State-Space Models
National University of Singapore(新加坡国立大学);Agency for Science, Technology and Research(科学与技术研究局)
FESC是首个可在单GPU上完成L≥1024原生端到端执行的私有长文档推理系统,通过混合FHE-MPC架构优化选择性SSM推理,在L=2048时12层Mamba-base模型推理耗时77.3分钟且准确率接近明文。
2026-08-20 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
Hidden Elo: Private Matchmaking through Encrypted Rating Systems
Tampere University(坦佩雷大学)
本文提出H-Elo加密评分系统,利用同态加密实现安全匹配,保持评分隐私同时保持准确性,为隐私保护匹配提供新方案。
2026-04-14 cs.CR
DataSeal: Ensuring the Verifiability of Private Computation on Encrypted Data
DataSeal结合ABFT低开销与FHE机密性,为加密数据上的私有计算提供高效可验证性,相比MAC、ZKP和TEE等方法显著降低开销,且随问题规模增大开销趋于可忽略。
2024-10-19 cs.CR
Improving the Reliability of Anomaly Detection for Encrypted OPC UA Traffic over Private 5G
Helmut-Schmidt-University(赫尔穆特·施密特大学);Technical University of Applied Sciences Augsburg(奥格斯堡应用技术大学);ipoque GmbH(ipoque有限公司)
针对私有5G上加密OPC UA流量异常检测因良性连接变化导致误报率高的问题,提出控制面感知的决策自适应方法,在不重训练模型的情况下降低误报率并保持召回率。
2026-09-25 cs.CR
Private key and password protection by steganographic image encryption
本研究提出一种隐写图像加密技术,将私钥/密码转为加密QR码嵌入彩色图像,密钥由用户种子图像初始化的LFSR生成,实验验证了该保护方案的可行性。
2025-06-05 cs.CR
Hyena: Optimizing Homomorphically Encrypted Convolution for Private CNN Inference
针对隐私CNN推理中卷积层延迟占比过高的问题,本文提出Hyena框架,通过基于Walsh-Hadamard矩阵的明文乘法算法、最优加密参数选择与懒约简优化同态卷积,在多个深度CNN模型上实现了延迟、内存与通信成本的显著降低。
2025-03-24 cs.CR
Synopsis: Secure and private trend inference from encrypted semantic embeddings
提出Synopsis架构,结合本地与中心差分隐私及恶意安全多方计算技术,在保护隐私的前提下分析自愿捐赠的端到端加密消息趋势,查询效率高且准确率超94%。
2025-05-29 cs.CR
Audit and Improve Robustness of Private Neural Networks on Encrypted Data
University of Central Florida(中佛罗里达大学);Kent State University(肯特州立大学);Texas Tech University(得克萨斯理工大学);University of Houston(休斯顿大学);Drexel University(德雷塞尔大学)
在不解密的情况下对加密数据执行神经网络推理是使隐私保护神经网络(PNet)成为服务的一种流行方法。与部署用于机器学习即服务的常规神经网络相比,PNet需要额外的编码,例如,量化精度数字和多项式激活。加密输入也带来了新的挑战,如对抗性鲁棒性和安全性。据我们所知,我们是第一个研究问题的人,包括(i)PNet是否比常规神经网络对对抗性输入更鲁棒?(ii)如何在不解密的情况下设计一个鲁棒的PNet?我们提出了PNet-Attack来生成黑盒对抗示例,这些示例可以成功地以目标和非目标方式攻击PNet。攻击结果表明,PNet对对抗性输入的鲁棒性需要提高。这不是一个简单的任务,因为PNet模型所有者无法访问输入值的明文,这阻止了现有检测和防御方法的应用,如输入调优,模型规范化和对抗训练。为了解决这个问题,我们提出了一种新的快速和准确的噪声插入方法,称为RPNet,设计鲁棒和私有神经网络。我们的综合实验表明,PNet-Attack减少至少$2.5\times$查询比以前的作品。我们从理论上分析了我们的RPNet方法,并证明了RPNet可以降低$\sim 91.88\%$攻击的成功率。
2022-09-20 cs.CR cs.LG
Multiparty Cloud Computation
随着云计算的日益普及,客户将其数据外包到云计算,以利用无限的虚拟化存储空间和低管理成本。这种趋势促使了私有资源计算,称为\emph{multiparty cloud computation}(\MCC):给定$k$客户端将其数据存储在云中,他们如何通过贡献其私有数据作为输入并利用云的强大计算能力来执行联合功能。也就是说,客户端希望将计算与其存储在云中的私有数据一起提供给云,这在计算涉及大型数据集时自然发生,例如,分析恶意URL。我们注意到,\MCC \问题不同于广泛考虑的概念,例如,安全多方计算和具有服务器辅助的多方计算。为了解决这个问题,我们引入的概念,\emph{homomorphic threshold proxy re-encryption}计划,这是加密方案,享有三个有前途的属性:代理重新加密-转换加密数据的一个用户的加密数据的目标用户,阈值解密-解密加密数据通过组合秘密密钥份额获得的一组用户,和同态计算-评估功能的加密数据。为了证明所提出的方法的可行性,我们提出了一个加密方案,它允许任何人计算任意多个加法和最多一个乘法。
2012-06-17 cs.CR
Private Hierarchical Governance for Encrypted Messaging
针对端到端加密消息社区难以实施层级治理的问题,本文提出在 MLS 协议上扩展治理逻辑,并构建 MlsGov 原型以保护内容与治理行为隐私。
2024-07-02 cs.CR cs.CY
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 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
LLMs Can Understand Encrypted Prompt: Towards Privacy-Computing Friendly Transformers
Tsinghua University(清华大学);Sudo Privacy(Sudo隐私公司)
针对大语言模型隐私推理框架开销过高的问题,本文提出用隐私计算友好的近似算子替换Transformer中密集型算子,相比Iron实现5倍计算加速与80%通信开销降低,且准确率几乎不变。
2023-12-15 cs.CL cs.CR cs.LG
A Fusion-Denoising Attack on InstaHide with Data Augmentation
National University of Singapore(新加坡国立大学)
InstaHide是一种最先进的保护私人训练图像的机制,通过混合多个私人图像并对其进行修改,使其视觉特征对肉眼无法区分。然而,在最近的工作中,Carlini等人表明,可以从InstaHide生成的加密数据集重建私人图像。然而,我们证明,卡利尼等人。通过在InstaHide中加入数据增强,可以轻松击败Google的攻击。这就引出了一个自然的问题:带有数据增强的InstaHide安全吗?在本文中,我们提供了一个否定的答案这个问题,通过设计一个攻击恢复私人图像从InstaHide的输出,即使当数据增强存在。其基本思想是使用比较网络来识别可能对应于相同私有图像的加密图像,然后采用融合去噪网络来从加密图像恢复私有图像,同时考虑数据增强的效果。大量的实验表明,所提出的攻击相比,Carlini等人的有效性。的攻击。
2021-12-05 cs.CR cs.LG
DictPFL: Efficient and Private Federated Learning on Encrypted Gradients
University of Central Florida(佛罗里达中央大学);Florida State University(佛罗里达州立大学);Old Dominion University(旧 Dominion 大学);University of Texas Health Science Center at Houston(德克萨斯大学健康科学中心休斯顿分校)
DictPFL通过分解权重和加密感知剪枝,实现全梯度加密的联邦学习,通信成本降低402-748倍,训练加速28-65倍,性能接近明文FL。
2025-10-24 cs.CR cs.LG
Falcon: Accelerating Homomorphically Encrypted Convolutions for Efficient Private Mobile Network Inference
School of Integrated Circuits, Peking University(北京大学集成电路学院);Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院);Institute of Electronic Design Automation, Peking University(北京大学电子设计自动化研究所);Beijing Advanced Innovation Center for Integrated Circuits(北京集成电路先进制造创新中心)
针对现有基于同态加密的两方计算框架在高效网络上推理开销高的问题,提出具备零感知贪心打包和通信感知算子分块的Falcon算法,显著降低延迟并提升精度。
2023-08-25 cs.AI cs.CR
SentinelLMs: Encrypted Input Adaptation and Fine-tuning of Language Models for Private and Secure Inference
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出SentinelLMs方法,通过对分词器和词元嵌入进行不可逆变换并微调,使语言模型能直接处理加密输入,在保护隐私的同时保持与原始模型相当的性能。
2023-12-28 cs.AI cs.CL cs.CR
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
Non-Interactive Private Decision Tree Evaluation
决策树是一种强大的预测模型,在统计学、数据采掘和机器学习中有许多应用。在某些设置中,要分类的模型和数据可能包含属于不同方的敏感信息。在本文中,我们,因此,解决问题的私人评估的决策树的私人数据。这个场景由一个拥有私有决策树模型的服务器和一个对使用服务器的私有模型对其私有属性向量进行分类感兴趣的客户机组成。计算的目标是获得分类,同时保留决策树和客户端输入的隐私。在计算之后,分类结果仅向客户端显示,并且不向客户端和服务器显示任何其他内容。现有的解决这个问题的隐私保护协议使用或组合不同的通用安全多方计算方法,导致客户端和服务器之间的几个交互。我们的目标是设计和实现一个新的客户端-服务器协议,代表完整的树评估服务器,同时保护隐私和减少开销。这个想法是完全(有点)使用同态加密,并评估在客户端的公钥下加密的密文的树。然而,由于目前有些同态加密计划有很高的开销,我们结合有效的数据表示与不同的算法优化,以保持计算开销和通信成本低。因此,我们能够提供第一个非交互式协议,该协议允许客户端通过发送加密输入并仅接收结果的加密来将评估委托给服务器。我们的方案只有一轮,可以在几秒钟内评估深度为10的完整树。
2019-09-18 cs.CR
Differentially Private Learned Indexes
Indiana University(印第安纳大学);UMass Dartmouth(马萨诸塞大学达特茅斯分校);Binghamton University(宾汉姆顿大学)
针对加密数据库中传统差分隐私索引存储成本高的问题,提出结合学习型索引构建更紧凑的差分隐私索引,在保障隐私的同时提升查询效率。
2024-10-28 cs.CR cs.DB cs.LG
CipherPrune: Efficient and Scalable Private Transformer Inference
University of Central Florida(中佛罗里达大学);University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);Ant Research(蚂蚁集团研究院);Indiana University Bloomington(印第安纳大学伯明顿分校)
提出CipherPrune框架,通过加密令牌剪枝和多项式降低协议及网络优化,解决私有Transformer推理的效率与可扩展性问题,大幅降低执行开销。
2025-03-05 cs.CR cs.LG
DeepReDuce: ReLU Reduction for Fast Private Inference
New York University(纽约大学)
最近对隐私问题的担忧导致研究人员设计出私人神经推理的方法-直接在加密数据上进行推理,而不会看到输入。私有推理面临的主要挑战是,对加密数据进行计算会带来不切实际的高延迟惩罚,主要来自ReLU等非线性运算符。实现实用和私有的推理需要新的优化方法,以最大限度地减少网络ReLU计数,同时保持准确性。本文提出了DeepReduce:一组明智地删除ReLU以减少私有推理延迟的优化。关键的见解是,并非所有的ReLU对准确性的贡献都是一样的。我们利用这一洞察力从经典网络中删除或删除ReLU,以显著降低推理延迟并保持高准确性。给定一个目标网络,DeepReduce输出一个网络的帕累托边界,权衡ReLU的数量和准确性。与最先进的私有推理相比,DeepReduce提高了准确性,并将ReLU计数分别减少了3.5%(iso-ReLU计数)和3.5 $\times$(iso-accuracy)。
2021-06-22 cs.CR cs.LG
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
Network and Compiler Optimizations for Efficient Linear Algebra Kernels in Private Transformer Inference
New York University(纽约大学)
本研究通过网络和编译器优化提升FHE环境下Transformer推理的效率,发现BSGS方法比打包行方法快13.7倍,并通过剪枝策略减少FHE运行时间11.46倍。
2025-12-11 cs.CR
Privacy-Preserving Encrypted Low-Dose CT Denoising
Sichuan University(四川大学)
本文提出在加密域中使用同态加密进行低剂量CT去噪,通过将明文数学运算转换为加密域操作并设计线性与非线性交互框架,实现隐私保护且无损的云服务,避免数据泄露与模型泄露风险。
2023-10-13 cs.AI cs.CR
PPMI: Privacy-Preserving LLM Interaction with Socratic Chain-of-Thought Reasoning and Homomorphically Encrypted Vector Databases
Seoul National University(首尔国立大学);Stanford University(斯坦福大学);NVIDIA(英伟达);University of Washington(华盛顿大学)
本文提出PPMI框架,通过苏格拉底式思维链推理与同态加密向量数据库,将任务在不可信的强LLM与本地弱模型间分解,在不泄露隐私的前提下实现了优于单独使用强模型的性能。
2025-11-01 cs.AI cs.CR
Fast and Accurate Likelihood Ratio Based Biometric Comparison in the Encrypted Domain
随着生物特征验证应用的激增,用户变得更容易受到隐私侵犯。生物识别数据对隐私非常敏感,因为它可能包含性别,种族和健康状况等信息,在验证过程中不应与第三方共享。此外,生物识别数据落入坏人之手往往会导致身份盗窃。安全的生物特征验证方案试图克服这种隐私威胁。不幸的是,现有的安全解决方案要么引入了沉重的计算或通信开销,要么必须接受准确性的高损失;这两者都使它们在现实世界中不切实际。本文提出了一种新的方法来安全的生物特征验证,旨在效率和准确性之间的实际权衡,同时保证对诚实,但好奇的对手完全安全。该系统使用基于椭圆曲线的同态ElGamal加密在加密域中执行验证,以提高效率。分类是基于对数似然比分类器,已被证明是非常准确的。在使用双方安全协议的验证过程中不会泄露任何私人信息。初步测试表明,在毫秒范围内计算出的结果非常准确。
2017-05-28 cs.CR
Accelerating Forward and Backward Private Searchable Encryption Using Trusted Execution
可搜索加密(SE)是构建加密数据库的关键推动因素之一。它允许云服务器在不解密的情况下搜索加密数据。动态SE还包括数据添加和删除操作,以丰富加密数据库的功能。最近利用动态操作中的泄漏的攻击推动了新的SE方案的快速发展,这些方案在执行更新的同时揭示更少的信息;它们也被称为前向和后向私有SE。新添加的数据不再被之前发出的查询所引用,并且删除的数据不再在之后发出的查询中搜索。然而,这些先进的SE方案降低了SE的效率,特别是在客户端和服务器之间的通信成本。在本文中,我们求助于硬件辅助解决方案,又名英特尔SGX,以缓解上述瓶颈。我们的核心理念是利用新交所接管客户的大部分任务,即,跟踪关键字状态以及数据添加和缓存删除的数据。然而,由于SGX飞地的I/O和存储器约束,处理大型数据集是不平凡的。我们进一步开发批处理数据和状态压缩技术,以减少SGX和不可信服务器之间的通信开销,并最大限度地减少飞地中的内存占用。我们对合成和真实世界的数据集进行了一系列全面的评估,这证实了我们的设计优于现有技术。
2020-04-10 cs.CR cs.DS
Privacy-Preserving Genetic Relatedness Test
越来越多的人转向直接面向消费者(DTC)基因检测,以了解他们对疾病,特征和/或祖先的易感性。像23andme和Ancestry.com这样的DTC公司已经开始提供流行的、负担得起的祖先和家谱测试,其服务允许用户找到未知的亲属和远房表亲。自然,遗传数据的获取和可能的传播引发了严重的隐私问题,从而激发了设计支持私人基因测试的有效原语的必要性。在本文中,我们提出了一个有效的协议,隐私保护的遗传相关性测试(PPGRT),使云服务器上运行的相关性测试输入加密的遗传数据库和测试设施的加密遗传样本。我们将测试简化为数据匹配问题,并使用可搜索加密私下执行。最后,对基于汉明距离的PP-GRT进行了性能评估,验证了所提方案的实用性。
2016-11-10 cs.CR
Traveling Salesman-Based Token Ordering Improves Stability in Homomorphically Encrypted Language Models
针对同态加密下LLM文本生成不稳定的问题,提出基于旅行商问题的令牌重排序策略及后处理步骤,防止崩溃并提升连贯性,实现隐私保护的LLM推理。
2025-10-14 cs.CR cs.LG
Cloud-based MPC with Encrypted Data
University of Pennsylvania(宾夕法尼亚大学)
本文研究了线性系统中带有输入约束的云外包模型预测控制(MPC)的隐私问题,提出了一种部分同态加密系统来保护客户端数据隐私,并设计了两种云-MPC架构协议,分别由单个服务器和两个独立非合谋服务器计算控制输入,同时分析了加密引入的误差和通信、MPC性能与隐私之间的权衡。
2018-09-19 cs.CR cs.SY eess.SY
FHAIM: Fully Homomorphic AIM For Private Synthetic Data Generation
University of Central Florida(中央佛罗里达大学);University of Washington Tacoma(华盛顿大学塔可马分校)
FHAIM利用完全同态加密技术,实现对加密表格数据的边缘基合成数据生成,保障隐私并提升AI应用的可用性。
2026-02-09 cs.AI 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
Augmenting Encrypted Search: A Decentralized Service Realization with Enforced Execution
可搜索对称加密(SSE)允许数据所有者以私有方式将加密数据库外包给远程服务器,同时保持选择性搜索的能力。到目前为止,大多数现有的解决方案都集中在诚实但好奇的服务器上,而针对恶意服务器的安全设计还没有引起足够的重视。一些最近的作品试图构建可验证的SSE,使数据所有者验证搜索结果的完整性。然而,这些验证机制高度依赖于特定的SSE方案,并且不能支持复杂的查询。需要一种通用的验证机制,可以应用于所有SSE方案。在这项工作中,我们不是集中在中央服务器上,而是探索智能合约的潜力,这是一种新兴的基于区块链的分散技术,并构建分散的SSE方案,数据所有者可以放心地接收正确的搜索结果,而不必担心恶意服务器的潜在错误行为。我们研究了公共和私有区块链环境,并提出了两种在安全性和效率之间进行权衡的设计。为了更好地支持实际应用,SSE的多用户设置进行了进一步研究,其中数据所有者允许认证用户在共享文档中搜索关键字。我们实现了我们的两个设计的原型,目前的实验和评估,以证明我们的分散SSE计划的实用性。
2019-09-20 cs.CR cs.DC
CryptPEFT: Efficient and Private Neural Network Inference via Parameter-Efficient Fine-Tuning
State Key Laboratory of Cyberspace Security Defense, Institute of Information Engineering, CAS(中国科学院信息工程研究所网络空间安全防御国家重点实验室);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络安全学院);Nanyang Technological University(南洋理工大学);University of Science and Technology of China(中国科学技术大学)
本文提出CryptPEFT,通过单向通信架构将加密计算限制在适配器上,并结合自动化架构搜索,在保护隐私的同时大幅提升PEFT推理效率,在CIFAR-100上以2.26秒延迟达到85.47%准确率。
2025-11-06 cs.CR
Privacy-Preserving Logistic Regression Training on Large Datasets
本文提出一种基于同态加密的大型加密数据逻辑回归训练算法,利用quadratic gradient实现mini-batch和full-batch版本,在真实金融数据上验证了其在大规模加密数据集上训练的实际可行性。
2025-04-04 cs.CR
Fast and Fuzzy Private Set Intersection
私有集合交集(PSI)通常被实现为成对用户之间的加密轮序列,而本工作以更简单的方式实现PSI:每个集合只需要加密一次,之后每对用户只需要一个普通的集合比较。这通常比普通PSI快几个数量级,代价是匹配中的一些“延迟”,尽管如此,这可能是可容忍的,甚至是期望的。这在集合由用WordNet处理的英语单词组成的情况下得到了证明。
2014-05-21 cs.CL cs.CR
PrivGenDB: Efficient and privacy-preserving query executions over encrypted SNP-Phenotype database
可搜索对称加密(SSE)已被用于保护基因组数据的机密性,同时提供对基因组数据序列的子串搜索和范围查询,但尚未研究用于保护单核苷酸多态性(SNP)-表型数据。在这篇文章中,我们提出了一个新的模型,PrivGenDB,用于安全地存储和有效地进行不同的查询基因组数据外包给一个诚实但好奇的云服务器。为了实例化PrivGenDB,我们使用SSE来确保机密性,同时对加密的基因组数据、表型和个人的其他信息进行不同类型的查询,以帮助分析师/临床医生进行分析/护理。据我们所知,PrivGenDB构建是第一个基于SSE的方法,通过加密确保共享SNP表型数据的机密性,同时使计算/查询过程高效且可扩展,用于生物医学研究和护理。此外,它支持对基因组数据的各种查询类型,包括计数查询,布尔查询和k '-out-k匹配查询。最后,PrivGenDB模型处理包含基因型和表型的数据集,它还支持存储和管理其他元数据,如性别和种族。在具有5,000条记录和1,000个SNP的数据集上的计算机评估表明,计数/布尔查询和超过40个SNP的k中取k匹配查询分别花费约4.3s和86.4μs,优于现有方案。
2021-06-30 cs.CR
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
Crypto-Nets: Neural Networks over Encrypted Data
Carnegie Mellon University(卡内基梅隆大学);Microsoft(微软);Microsoft Research(微软研究院)
我们要解决的问题是:用户如何使用第三方持有的预测模型,而不损害私人信息。例如,医院可能希望使用云服务来预测患者的再入院风险。但是,由于规定,病人的医疗档案不能透露。我们的目标是使用模型进行推断,而不会危及预测的准确性或数据的隐私。为了实现高精度,我们使用神经网络,它已被证明优于许多任务的其他学习模型。为了实现隐私要求,我们在以下协议中使用同态加密:数据所有者加密数据并将密文发送给第三方以从训练模型中获得预测。模型对这些密文进行操作,并发送回加密的预测。在该协议中,不仅数据保持私有,甚至预测的值也仅对数据所有者可用。利用同态加密和对神经网络的激活函数和训练算法的修改,我们证明了它是可能的,可能是可行的。该方法为构建安全的基于云的神经网络预测服务而不侵犯用户隐私铺平了道路。
2014-12-24 cs.CR cs.LG cs.NE
A Systematic Comparison of Encrypted Machine Learning Solutions for Image Classification
Imperial College London(帝国理工学院);Technical University of Munich(慕尼黑工业大学);ConsenSys Health
这项工作提供了一个全面的审查现有的框架的基础上安全计算技术的背景下,私人图像分类。深入分析这些方法之后,仔细检查其性能成本,特别是运行时和通信开销。为了进一步说明使用不同隐私保护技术时的实际考虑因素,使用四个在数据科学堆栈的核心实现安全计算的最先进的库进行了实验:PySyft和CrypTen通过安全多方计算支持私有推理,TF-Trusted利用可信执行环境和HE- Transformer依赖于同态加密。我们的工作旨在从可用性,运行时要求和准确性的角度来评估这些框架的适用性。为了更好地理解最先进的协议与数据科学家目前在实践中可用的协议之间的差距,我们设计了三个神经网络架构,以通过上述四个框架中的每一个获得安全的预测。在MNIST数据集上评估了两个网络,在Malaria Cell图像数据集上评估了一个网络。我们观察到TF-Trusted和CrypTen的令人满意的性能,并注意到所有框架都完美地保留了相应明文模型的准确性。
2020-11-11 cs.CR cs.LG
HE-LRM: Encrypted Deep Learning Recommendation Models using Fully Homomorphic Encryption
New York University(纽约大学);LG Electronics USA, Inc.(LG电子美国公司)
HE-LRM通过全同态加密实现高效隐私保护的嵌入查找,提升神经推断性能。
2026-11-18 cs.CR
Construction of Differentially Private Summaries over Fully Homomorphic Encryption
云计算作为查询处理系统的平台已经引起关注。然而,数据隐私泄露是一个关键问题。Chowdhury等人提出了Crypt(Crypt),它在两个非合谋的半诚实服务器上对加密数据执行差分隐私(DP)。此外,这些作者提出的DP索引总结了一个数据集,以防止信息泄漏,同时提高性能。然而,仍然存在两个问题:1)原始数据被解密以经由乱码电路应用排序,以及2)由于排序的数据被以相等的宽度划分,所以所添加的噪声变大,而不管数据分布如何。为了解决这些问题,我们提出了一种新的方法,称为DP-摘要,总结了一个数据集到不同的私人数据在同态加密没有解密,从而提高数据的安全性。此外,我们的计划采用李等人。的数据感知和工作负载感知(DAWA)算法的加密数据,从而最大限度地减少噪音造成的DP和减少查询响应的错误。使用环面全同态加密(TFHE)(一种按位全同态加密库)进行的实验评估证实了所提出的方法的适用性,该方法在12.5 h内总结了8个16位数据。我们还证实,即使在采用TFHE和DAWA算法之后,也没有准确性下降。
2021-12-16 cs.CR cs.DB
Data Structures for Private Token Transfers in TEE-Based Networks
Solar Republic LLC(Solar Republic有限责任公司);University of Canterbury(坎特伯雷大学)
研究基于可信执行环境的机密智能合约网络易受存储访问模式攻击问题,提出延迟写缓冲区和桶条目按位前缀树两种数据结构及私有通知系统,利用令牌转移特性实现隐私保护与性能平衡。
2026-07-07 cs.CR
A Trend-following Trading Indicator on Homomorphically Encrypted Data
十多年来,货币交易已经在量化金融领域迅速发展。这些决定是在没有人为干预的情况下使用经纪公司和交易所提供的数据做出的。在经纪人和算法交易者之间出现了一个新兴的金融参与者中间层。这些参与者的作用是汇总算法交易者的市场决策,并将最终的市场订单发送给经纪人。作为回报,定量分析师得到的激励与他们预测的正确性成正比。在这样的设置中,中间参与者--聚合器--并不提供明文的市场数据,而是对其进行加密。加密市场数据可以防止定量分析师自己进行交易,并保持有价值的金融数据的私密性。本文提出了一个流行的趋势跟踪指标的实现与两个不同的同态加密库- SEAL和HEAAN -并比较它的交易指标实现的明文。然后尝试实施交易策略,并进行了分析。用SEAL和HEAAN实现的交易指标与在明文上实现的交易指标几乎相同,百分比误差分别为0.14916%和0.00020%。尽管同态加密对该算法的实现施加了许多限制,但量化金融具有从同态加密方法中受益的高潜力。
2020-04-30 cs.CR
EncFormer: Secure and Efficient Transformer Inference over Encrypted Data
National University of Singapore(新加坡国立大学);Agency for Science, Technology and Research (A*STAR)(科学技术研究局)
本文提出EncFormer框架,通过引入阶段兼容模式提升FHE效率,减少转换与通信开销,实现比传统FHE-MPC系统更低的通信和延迟,同时在GLUE任务上保持接近明文的准确性。
2026-04-11 cs.CR
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
Multi-institution encrypted medical imaging AI validation without data sharing
人工智能医学成像应用的采用通常受到医疗保健系统和算法开发人员之间的障碍的阻碍,因为访问私人患者数据和商业模型IP对于执行部署前评估很重要。这项工作研究了一个框架,用于使用CrypTFlow 2进行安全,隐私保护和AI启用的医学成像推理,CrypTFlow 2是一个最先进的端到端编译器,允许机器学习模型供应商和目标患者数据所有者之间的加密安全的2方计算(2 PC)协议。一个常见的DenseNet-121胸部X射线诊断模型在美国和印度的7个地点的两个测试集上,使用和不使用CrypTFlow 2的多机构胸部X射线成像数据集进行了评估,包括1,149张胸部X射线图像。我们在多个病理分类任务中测量安全和不安全推理之间的比较AUROC性能,并探索安全模型推理引入的模型输出分布变化和资源约束。使用CrypTFlow 2的安全推理在所有诊断的AUROC中没有显着差异,安全和不安全推理方法的模型输出在分布上是等效的。CrypTFlow 2的使用可以允许医疗保健系统和AI模型供应商之间的现成安全2 PC用于医疗成像,而不会改变性能,并且可以促进可扩展的预部署基础设施,用于真实世界的安全模型评估,而不会暴露于患者数据或模型IP。
2021-08-13 cs.CR
Privacy-Preserving Hierarchical Anonymization Framework over Encrypted Data
针对智慧城市中云环境下依赖不可信第三方导致的数据隐私泄露问题,提出基于同态加密与秘密共享的分层k-匿名化框架,通过分层连接两种计算域实现高效且安全的匿名化处理。
2023-10-19 cs.CR
TAPAS: Tricks to Accelerate (encrypted) Prediction As a Service
University of Oxford(牛津大学);The Alan Turing Institute(艾伦·图灵研究所);University of Warwick(华威大学)
机器学习方法被广泛用于各种预测问题。\emph{Prediction as a service}是具有技术专长和计算资源的服务提供商可以为客户端执行预测的范例。然而,数据隐私严重限制了这些服务的适用性,除非设计了使客户数据保密的措施(甚至对服务提供商)。同样重要的是尽量减少客户端和服务器之间所需的计算和通信量。全同态加密提供了一种可能的出路,客户端可以借此加密其数据,服务器可以在其上执行算术计算。使用全同态加密的主要缺点是在加密数据上评估大型机器学习模型所需的时间量。我们结合了机器学习文献中的思想,特别是神经网络的二值化和稀疏化,以及使用加密数据加速和并行计算的算法工具。
2018-06-09 cs.CR cs.LG stat.ML
PEPSI: Practically Efficient Private Set Intersection in the Unbalanced Setting
针对非对称场景下现有电路PSI协议计算效率低、通信量大的问题,提出仅需客户端发送加密数据的非交互式方案PEPSI,大幅提升运算速度并降低通信成本,首次实现该类协议在非对称场景的实用化。
2024-08-18 cs.CR