On the Security of Pixel-Based Image Encryption for Privacy-Preserving Deep Neural Networks
本文旨在评估一种基于像素的图像加密方法的安全性，该方法已被提出用于将没有视觉信息的图像应用于深度神经网络（DNN），以对抗仅密文攻击（COA）。此外，我们提出了一种新的基于DNN的COA，旨在重建加密图像的视觉信息。在两种加密密钥条件下评估了该攻击的有效性：相同的加密密钥和不同的加密密钥。实验结果表明，在相同的密钥下，该攻击可以恢复加密图像的视觉信息。另外，基于像素的图像加密方法对COA具有鲁棒性。
2019-12-09 cs.CR
Practical Privacy in WDM Networks with All-Optical Layered Encryption
与当今基于洋葱路由（Tor）的匿名IP网络相比，在光路由器中，匿名通信形式的隐私可能更快，更难被打破。然而，实现实际的隐私映射并不简单，因为它需要在每个匿名化节点中生成密钥以避免长密钥的分发，以及分层加密，两者都以光线路速率进行。由于密码学上强的光学密钥生成和加密组件的不可用，不仅分层加密是一个挑战，而且一般的光学加密也是一个挑战。在本文中，我们解决了光学匿名网络的挑战，第一次从系统的角度来看，并讨论了全光分层加密的实际实施方案。为此，我们提出了一种光学匿名组件实现与国家的最先进的光学XOR逻辑和光学线性反馈移位寄存器（oLFSR）。鉴于LFSR单独是已知的弱密码安全性，由于其线性特性，我们提出了一个实现与并行oLFSR和分析所产生的计算安全性。结果表明，提出的光学匿名组件是有前途的，因为它可以实际实现，以提供一个高的计算安全性，对去匿名（隐私）攻击。
2016-10-28 cs.CR
Efficient Dynamic Searchable Encryption with Forward Privacy
可搜索对称加密（SSE）使客户端能够对其外包的加密文件执行搜索，同时保护文件和查询的隐私。动态方案（其中可以添加或删除文件）比静态方案泄漏更多的信息。对于动态方案，前向隐私要求新添加的文件不能链接到以前的搜索。我们提出了一个新的动态SSE方案，实现前向隐私，通过更换密钥显示在服务器上的每次搜索。我们的计划是有效的，可并行化，并优于以前最好的方案提供前向隐私，并实现竞争力的性能与动态计划没有前向隐私。我们在随机预言机模型中提供了一个完整的安全性证明。在我们对大约400万个页面的维基百科存档进行的实验中，服务器需要一秒钟来执行10万个结果的搜索。
2017-09-30 cs.CR
FL-DABE-BC: A Privacy-Enhanced, Decentralized Authentication, and Secure Communication for Federated Learning Framework with Decentralized Attribute-Based Encryption and Blockchain for IoT Scenarios
提出融合DABE、HE、SMPC与区块链的FL-DABE-BC框架，在物联网设备端实现去中心化认证加密，并通过雾层安全聚合与差分隐私保护模型训练。
2024-10-26 cs.CR
Practical Privacy-Preserving Data Science With Homomorphic Encryption: An Overview
由于产生的机密数据量越来越大且难以管理，隐私已经获得了越来越多的关注。对与第三方共享数据以获得富有成效的见解的可能性的担忧困扰着企业环境;价值不仅存在于数据中，而且存在于提供分析结果的算法和模型的知识产权中。这一僵局锁定了“即服务”范式中高性能计算资源的可用性，以及以协作方式与科学界进行知识交流。隐私保护数据科学允许使用私人数据和算法，而不会危及他们的隐私。传统的加密方案不能在不首先解密加密数据的情况下对加密数据进行操作。同态加密（HE）是一种加密形式，它允许在计算加密数据的同时保留明文的特征和格式。以意大利中央银行有趣的用例为背景，本文重点讨论如何利用HE和数据科学来设计和开发隐私保护企业应用程序。本文综述了同态加密的主要技术，以及数据科学与同态加密之间的关系。
2020-11-13 cs.CR
Dynamic Searchable Symmetric Encryption Schemes Supporting Range Queries with Forward/Backward Privacy
动态可搜索对称加密（DSSE）是加密云存储中有用的加密工具。然而，据报道，DSSE通常遭受文件注入攻击和删除文档的内容泄漏。为了减轻这些攻击，已经提出了前向隐私和后向隐私。然而，现有的前向/后向私有DSSE方案只能支持单个关键字查询。为了解决这个问题，在本文中，我们提出了两个DSSE计划支持范围查询。一个是前向私有的，支持大量文档。另一种可以实现后向隐私，但只能支持有限数量的文档。最后，在随机预言机模型下给出了DSSE方案的安全性证明。
2019-05-21 cs.CR
A Privacy-preserving Community-based P2P OSNs Using Broadcast Encryption Supporting Recommendation Mechanism
在线社交网络（OSN）已经成为互联网上最重要的活动之一，例如Facebook和Google+。然而，在现有的基于C/S的OSN中，安全性和隐私性已经成为主要关注点。在本文中，我们提出了一种新的计划，称为隐私保护社区为基础的P2P OSNs使用广播加密支持推荐机制（PCBE），支持跨平台的可用性，在严格的隐私要求。本文首次将推荐机制引入到基于隐私保护的P2P网络中，采用开放目录计划生成用户兴趣模型。本文首先将广播加密技术引入到基于P2P社区的社交网络中，并结合信誉机制来降低系统开销。提出了支持推荐机制的隐私保护P2P OSN的安全需求和设计目标。RESTful Web服务有助于确保跨平台可用性和传输安全性。最后，通过对PCBE方案的安全性分析和性能评估，验证了该方案的可行性和有效性。
2017-06-05 cs.CR
Privacy Impacts of Data Encryption on the Efficiency of Digital Forensics Technology
由于多种原因，加密解决方案的部署开始在组织和个人层面上无处不在。最强调的原因是必须确保特权信息的机密性。不幸的是，它也是网络犯罪分子逃避数字取证调查的途径。数据的直接加密或存储设备的间接加密通常会阻止访问其中包含的此类信息。因此，在60%的这类案件中，法医调查小组和随后的起诉方几乎没有或根本没有证据可供利用。但是，为了数字取证技术而危及加密技术为信息安全带来的成功是不可想象的。本文探讨了数据加密对信息安全的贡献，然后强调了它对磁盘驱动器数字取证的贡献。本文还讨论了可用的方法和工具，在数字取证，绕过加密构成的问题。特别注意的是Truecrypt加密解决方案，以说明正在讨论的想法。然后，它比较了加密在这两个领域的贡献，以证明需要引入新技术，以在取证上击败数据加密作为唯一的解决方案，同时保持用户的隐私目标。
2013-12-11 cs.CR
Enhancing Noisy Functional Encryption for Privacy-Preserving Machine Learning
本文将噪声多输入函数加密扩展为动态噪声多客户端函数加密，提出高效的内积方案DyNo，并基于其构建隐私保护逻辑回归训练协议。
2025-05-09 cs.CR
Security Evaluation of Compressible Image Encryption for Privacy-Preserving Image Classification against Ciphertext-only Attacks
讨论了使用深度神经网络进行图像分类的可学习图像加密方案对多种攻击的安全性。另一方面，已经提出了使用视觉Transformer的块置乱图像加密，其通过将图像划分为置换块而应用于诸如JPEG标准的无损压缩方法。尽管已经在大量加密块的条件下评估了块置乱图像加密对利用块之间的相关性的拼图游戏求解器攻击的鲁棒性，但是从未评估过具有少量块的加密图像的安全性。本文利用拼图求解器攻击，对分块置乱图像加密算法抵抗纯密文攻击的安全性进行了评估。
2022-07-17 cs.CR
Privacy-Preserving Biometric Matching Using Homomorphic Encryption
生物特征匹配涉及存储和处理敏感的用户信息。因此，维护这些数据的隐私是一个重大挑战，而同态加密提供了一个可能的解决方案。我们提出了一个隐私保护的基于生物特征的认证协议的基础上完全同态加密，其中的生物特征样本的用户是由一个本地设备收集，但对一个生物特征模板匹配由一个远程服务器单独操作的加密数据。该设计确保1）用户的敏感生物特征数据保持私密，以及2）用户和客户端设备安全地向服务器进行身份验证。还提出了一个概念验证的实现建立在TFHE库，其中包括执行生物特征匹配所需的基本操作。实施的性能结果表明，在这种情况下，使FHE实用是多么复杂，但似乎，通过实施优化和改进，该协议可以用于现实世界的应用。
2021-11-24 cs.CR
Privacy-preserving Double Auction Mechanism Based on Homomorphic Encryption and Sorting Networks
双向拍卖作为一种有效的资源分配方式，在电子商务中得到了广泛的研究。以往的研究大多集中在如何设计防策略的DA机制，而没有太多的研究工作已经做了关于隐私和安全问题。然而，安全问题，特别是隐私问题已经成为一个公众关注的问题，欧洲各国政府最近制定了法律来加强隐私保障。本文针对电子拍卖中的隐私问题，研究了如何利用Goldwasser-Micali同态加密和排序网络设计一种双重拍卖的隐私保护机制.我们实现了可证明的隐私，这样的拍卖不透露任何出价信息，除了拍卖结果，从而在一个严格的隐私保证。此外，为了达到实际的系统性能，我们比较了不同的排序算法，并建议使用更快的。实验结果表明，不同的排序算法可能会对我们的机制的性能有很大的影响，并证明了我们的协议在电子商务中的实际应用的实用性。
2019-09-17 cs.CR
Multi-Authority Ciphertext-Policy Attribute Based Encryption With Accountability
基于属性的加密（ABE）是实现细粒度访问控制的有效工具，针对ABE存在的单授权、访问策略公开、恶意用户不可追踪等问题，提出了一种多授权方案。此外，多个权威机构可能会导致不同权威机构之间的合谋。为了解决这些问题，我们提出了一种具有策略隐藏和访问复杂性的访问树结构方案。一旦私钥泄露，我们的方案可以提取用户ID并找到它。如果权威机构之间相互共享信息，该方案避免了他们联合起来计算密钥信息和解密密文。最后，在IND-CPA的选择集下证明了该方案是安全的。
2020-09-10 cs.CR
Privacy-Preserving for Images in Satellite Communications: A Comprehensive Review of Chaos-Based Encryption
本文综述基于混沌的卫星图像加密技术，梳理其理论基础、最新研究、评估参数与条件，并指出当前挑战及开放研究问题。
2024-10-28 cs.CR
Strengthening Order Preserving Encryption with Differential Privacy
保序加密（OPE）方案的密文保持其对应明文的顺序。然而，OPEs很容易受到利用这种保留顺序的推理攻击。另一方面，差分隐私已经成为实现数据隐私的事实标准。DP最吸引人的特性之一是，对DP算法的噪声输出执行的任何后处理（推理）计算不会降低其隐私保证。本文提出了一种新的差分保序加密方案OP $ε$。在OP $ε$下，从密文中泄漏的顺序是差分私有的。因此，至少OP $ε$即使在面对推理攻击时也能确保形式上的保证（具体地说，宽松的DP保证）。据我们所知，这是第一次将DP与属性保持加密方案相结合。我们证明了OP $ε$的实际效用回答范围查询通过广泛的实证评估四个真实世界的数据集。例如，对于具有域大小$\sim18K$和$ε= 1$属性的大小为$\sim732K$的数据集，OP $ε$平均只在每个$10K$正确记录中遗漏大约$4$。
2022-09-15 cs.CR
Revisiting Secure Computation Using Functional Encryption: Opportunities and Research Directions
越来越多的安全危害和隐私泄露事件引起了与网络空间有关的严重隐私问题。这种隐私问题有助于制定一些法规和法案，以限制隐私敏感数据的可用性和使用。安全计算问题最初由Andrew Yao于1986年正式提出，并被称为安全两方计算，由于其在构建许多现有的隐私保护方法中的基础作用，一直是学术界研究的焦点。现有的安全计算解决方案大多依赖于混淆电路和同态加密技术来解决安全计算问题，包括效率和安全保证。然而，在新兴的计算密集型和数据密集型应用（诸如新兴的机器学习解决方案）中采用这些安全计算方法仍然具有挑战性。最近提出的函数加密方案已经显示出其作为最近提出的隐私保护机器学习方法中的底层安全计算基础的前景。本文回顾了安全计算问题，新兴的和有前途的功能加密技术，并提出了一个全面的研究。我们首先简要总结了现有的传统安全计算方法建立在混淆电路，不经意传输，和同态加密技术。然后，我们阐述了新兴的功能加密的安全计算方法的独特性和挑战，并概述了几个研究方向。
2020-12-07 cs.CR
HE-DKSAP: Privacy-Preserving Stealth Address Protocol via Additively Homomorphic Encryption
针对基础隐形地址易受密钥泄露与量子攻击的问题，提出基于加法同态加密的HE-DKSAP双密钥协议，并可扩展为FHE-DKSAP，以增强区块链交易隐私、安全与可扩展性。
2023-12-17 cs.CR
PRISE: Privacy-pReserving Image Searchable Encryption Scheme for Intelligent Vehicle Systems
Hainan University（海南大学）；Zhengzhou University（郑州大学）；St. Francis Xavier University（圣弗朗西斯泽维尔大学）；Putian University（莆田学院）；Universiti Putra Malaysia（马来西亚博特拉大学）
本文提出一种基于张量的加密图最短距离查询方案，结合加密2跳覆盖索引框架与Pruned Landmark Labeling技术，提升加密图数据库的效率与隐私保护能力，实验表明其在可扩展性和计算成本上优于现有方法。
2026-09-03 cs.CR
Privacy-Preserving Edge Computing from Pairing-Based Inner Product Functional Encryption
本文提出基于BLS12-381曲线的FHIPE高效软件实现框架，通过算法优化在树莓派上实现加解密显著加速，并验证了其在隐私保护边缘计算应用中的实用性。
2025-04-02 cs.CR
Privacy Protection of Automotive Location Data Based on Format-Preserving Encryption of Geographical Coordinates
针对汽车位置数据共享中的隐私泄露风险，提出基于地理坐标格式保留加密的高精度隐私保护机制，通过密钥映射降低精度损失，实验显示解密恢复精度达100%。
2025-10-23 cs.CR
A Privacy-Preserving Graph Encryption Scheme Based on Oblivious RAM
针对现有图加密方法泄露图结构与查询模式的问题，提出融合不经意RAM与可信执行环境的图加密方案，实现访问模式隐藏与查询不可区分性，并在真实导航服务中验证效率。
2024-05-29 cs.CR
Combining Homomorphic Encryption and Differential Privacy in Federated Learning for Model Inspection and Availability
Sabancı University（萨班吉大学）
提出结合同态加密训练与差分隐私检查发布的联邦学习框架，采用贝叶斯隐私估计，在FEMNIST上相比仅差分隐私方法提升了模型效用和隐私保护。
2026-10-02 cs.CR
Evaluation of Privacy-aware Support Vector Machine (SVM) Learning using Homomorphic Encryption
本文评估了在全同态加密环境下使用OpenFHE库实现支持向量机（SVM）的性能开销，发现环维度和模数大小是影响性能的主要参数，且SVM-Poly与SVM-Linear性能相近。
2025-03-06 cs.CR
Privacy-Preserving High-Resolution Image Gradient Computation Based on Fully Homomorphic Encryption
针对高分辨率图像隐私保护处理中计算开销大的问题，提出一种多密文隐私保护框架，通过分块、并行处理和优化引导放置策略，实现高效的图像加密与Sobel算子梯度计算。
2026-08-25 cs.CR
InfoGuard: A Design and Usability Study of User-Controlled Application-Independent Encryption for Privacy-Conscious Users
本文提出InfoGuard系统，通过在任何应用文本框中预加密文本实现应用无关的端到端加密，并结合可见加密与细粒度加密提升用户信任，用户研究表明其可用且可信。
2023-11-01 cs.CR
Achieve Fully Decentralized End to End Encryption Meeting via Blockchain
Zoom Meeting是一个企业在线视频会议解决方案，具有实时消息传递和内容共享功能。然而，它缺乏隐私保护，因为集中的Zoom服务器能够监视用户的消息。因此，为了解决隐私问题，2020年5月，Zoom收购了Keybase，以便Keybase的团队可以帮助其构建端对端加密会议，同时保持Zoom当前的可扩展性和高性能。尽管如此，根据最新发布的Zoom白皮书，即使采用E2E（端到端）加密会议的新设计，安全威胁也无法完全消除，因为新设计并不完全分散。在本文中，我们介绍了一个完全分散的设计E2E加密会议通过区块链技术。通过这种新设计，Zoom的E2E会议隐私可以得到进一步改善。
2022-08-16 cs.CR
HADES: Privacy-Preserving Federated Learning via Selective Feature Encryption and Hybrid Model Fusion
Bilkent University（比尔肯特大学）
提出HADES框架，通过PCA识别并仅加密最隐私敏感的特征，结合多方同态加密和明文训练，利用融合机制实现高效隐私保护的联邦学习。
2026-06-23 cs.CR
Privacy-preserving Federated Learning based on Multi-key Homomorphic Encryption
本文提出基于多密钥同态加密协议xMK-CKKS的隐私保护联邦学习方案，通过聚合公钥加密模型更新并需多方协作解密，在抵御合谋的同时保持模型精度并降低计算成本，适用于物联网场景。
2021-04-14 cs.CR
Improving Privacy and Trust in Federated Identity Using SAML with Hash Based Encryption Algorithm
云计算是一种即将到来的技术，专为商业需求而设计。云计算的主要问题之一是难以管理联合身份以及用户和服务提供商之间的信任。本文重点讨论如何在用户和服务提供商之间提供安全性，以及如何对用户信息进行身份验证。为了提供隐私和认证，使用基于安全断言置标语言（SAML）的单点登录。安全性通过使用基于哈希的加密算法（HBE）来提供。HBE算法是在密钥交换协议的帮助下工作的，密钥交换协议中包含了多散列函数。在该算法中，身份提供者维护用户目录并认证用户信息，服务提供者为用户提供服务。用户必须在此之前向身份提供商注册其详细信息。在此阶段，使用基于哈希的加密算法来提供身份提供者和用户之间的安全通信。在本文中，我们建议可以给予更高的安全性，用户登录使用一个额外的密码技术，即基于哈希的加密算法的帮助下，密钥交换协议。
2018-02-05 cs.CR
Efficient and Privacy-Preserving Federated Learning based on Full Homomorphic Encryption
本文利用最新全同态加密技术提出新颖联邦学习方案，在医疗、商业、生物识别和金融四个实际数据集上覆盖横纵联邦场景，显著提升安全性、效率和实用性。
2024-03-18 cs.CR
Privacy-Enhancing Encryption in Data Sharing: A Survey on Security, Performance and Functionality
Tianjin University（天津大学）；Southern Cross University（南十字星大学）；Zhongguancun Laboratory（中关村实验室）；City University of Hong Kong（香港城市大学）；Griffith University（格里菲斯大学）；Singapore Management University（新加坡管理大学）；University of Wollongong（伍伦贡大学）
本文综述了数据共享中隐私增强加密技术的安全性、性能及功能，分析了ABE、PRE和SE等技术的应用与挑战，提出数据共享框架及20种潜在攻击，探讨了多种增强技术对数据共享方案的影响。
2026-03-27 cs.CR
FlowCrypt: Flow-Based Lightweight Encryption with Near-Lossless Recovery for Cloud Photo Privacy
本文提出FlowCrypt，一种基于流的轻量级图像加密框架，通过密钥条件随机分割和可逆FED模块实现近无损恢复、高安全性与仅1M参数的紧凑设计。
2025-09-23 cs.CR
Privacy-preserving Similarity Calculation of Speaker Features Using Fully Homomorphic Encryption
机器学习技术的最新进展使自动语音识别（ASR）更加准确和实用。这一点的证据可以从越来越多的具有语音处理功能的智能设备中看出。我们身边越来越多的设备都内置了ASR技术。这构成了严重的隐私威胁，因为语音包含独特的生物特征和个人数据。然而，如果在加密域中处理语音特征，则可以减轻隐私问题。在此背景下，本文提出了一种算法，重新设计的后端说话人确认系统使用全同态加密技术。该解决方案利用全同态加密方案来获得实时和非交互式的解决方案。所提出的解决方案包含一种基于Newton Raphson方法的新方法，以克服CKKS方案的局限性（即，计算加密数的平方根倒数）。这提供了一种有效的解决方案，具有较少的乘法深度，精度损失可忽略不计。使用一个著名的语音数据集验证所提出的算法。该算法进行了验证在实时（小于1.3秒的延迟）为2.8%的等错误率损失相比，平面域验证。
2022-03-14 cs.CR
Privacy preserving distributed optimization using homomorphic encryption
本文研究了如何一个系统操作员和一组代理安全地执行一个分布式投影梯度算法。特别地，每个参与者持有一组问题系数和/或状态，其值对于数据所有者是私有的。相关问题提出了两个问题：如何安全地计算给定函数;以及首先应该计算哪些函数。对于第一个问题，我们利用同态加密技术，提出了一种新的算法，该算法可以实现具有完美正确性的安全多方计算。对于第二个问题，我们确定了一类可以安全计算的函数。电力系统的两个案例研究，一个需求响应问题和最优潮流问题的正确性和计算效率的建议算法进行了验证。
2018-05-23 cs.CR
Blind-Touch: Homomorphic Encryption-Based Distributed Neural Network Inference for Privacy-Preserving Fingerprint Authentication
本文提出Blind-Touch系统，通过同态加密和分布式神经网络推理实现隐私保护指纹认证，在保持高准确率的同时显著提升云端处理效率。
2024-04-01 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
Efficient Privacy-Preserving Cross-Silo Federated Learning with Multi-Key Homomorphic Encryption
针对现有基于多密钥同态加密的隐私保护联邦学习方案计算与通信开销高的问题，提出结合基于共识的模型剪枝与切片技术的MASER框架，在保证隐私与准确率的同时大幅提升效率，适配跨孤岛联邦学习场景。
2025-05-20 cs.CR
Privacy-Preserving Spiking Neural Networks: A Deep Dive into Encryption Parameter Optimisation
Indian Institute of Technology Bhubaneswar（印度理工学院布巴内斯瓦尔分校）
针对云端模型执行的数据隐私与深度学习高能耗问题，提出基于SNN的加解密框架BioEncryptSNN，通过优化加密参数实现更高效安全的抗噪数据保护，性能优于传统加密算法。
2025-11-17 cs.CR
Privacy-preserving Credit Scoring via Functional Encryption
大多数管理机密数据的金融组织都意识到安全威胁，并利用广泛接受的解决方案（例如，存储加密、传输级加密、入侵检测系统）来防止或检测攻击。然而，这些强化措施对于应对使用中数据所面临的更严重威胁几乎没有作用。诸如同态加密（HE）和硬件辅助的可信执行环境（TEE）之类的解决方案如今是减轻此类威胁的首选方法。然而，考虑到HE的高性能开销，金融机构（其处理速率要求很严格）更倾向于基于TEE的解决方案。X-Margin Inc.例如，英特尔公司通过结合英特尔SGX TEE技术和基于HE的零知识证明来提供安全的财务计算，这些证明甚至可以保护客户的使用中数据免受恶意内部人员的攻击，具有系统访问权限的用户。尽管这样的解决方案提供了强大的安全保证，但它受到必须信任英特尔和SGX硬件扩展可用性的限制。在本文中，我们评估了X保证金的新边界，即，通过新兴的加密方案：功能加密（FE）执行隐私保护信用风险评分，该加密方案允许用户仅学习加密数据的功能。我们描述了X-Margin应用程序如何从这种创新方法中受益，最重要的是评估其性能影响。
2021-09-22 cs.CR
Privacy-preserving Decentralized Deep Learning with Multiparty Homomorphic Encryption
分散式深度学习由于其具有吸引力的特性，包括容忍高网络延迟和不太容易发生单点故障，在协作模型训练中发挥着关键作用。不幸的是，与其他分布式训练框架相比，这种训练模式更容易受到数据隐私泄露的影响。现有的努力专门使用差分隐私作为减轻数据隐私威胁的基石。然而，由于差分隐私的内在矛盾，它是否能为模型训练提供一个令人满意的效用-隐私权衡仍然是不清楚的。为了解决这个问题，我们提出了D-MHE，这是第一个具有无损精度的安全高效的分散训练框架。受同态加密技术最新发展的启发，我们设计了一个多方版本的Brakerski-Fan-Vercauteren（BFV），并使用它来实现用户局部模型的私有梯度更新。D-MHE可以将一般安全多方计算（MPC）任务的通信复杂性从用户数的二次方降低到线性，使其非常适合于大规模分散学习系统。此外，D-MHE提供严格的语义安全保护，即使大多数用户是不诚实的共谋。我们在MNIST和CIFAR-10数据集上进行了大量的实验，以证明D-MHE在模型精度，计算和通信成本方面的优越性。
2022-07-11 cs.CR
Efficient Privacy-Preserving Sparse Matrix-Vector Multiplication Using Homomorphic Encryption
University of Central Florida（中佛罗里达大学）；Florida International University（佛罗里达国际大学）；North Carolina State University（北卡罗来纳州立大学）
本文提出一种高效整合同态加密与稀疏矩阵-向量乘法的框架，通过压缩稀疏排序列格式优化加密计算，提升隐私保护下的计算效率和数据安全性。
2026-03-05 cs.CR
Blockchain-based Privacy-Preserving Public Key Searchable Encryption with Strong Traceability
针对现有可追踪公钥可搜索加密无法同时实现隐私保护与强追踪的问题，提出基于区块链的BP3KSEST方案，实现身份与关键词的可信追踪及陷门记录不可伪造、不可篡改。
2023-12-28 cs.CR
Advancing Practical Homomorphic Encryption for Federated Learning: Theoretical Guarantees and Efficiency Optimizations
本文提出理论框架分析联邦学习中选择性同态加密的谱行为，并通过实证量化模型复杂度、加密比例和暴露梯度对防御模型反演攻击的影响，为设计高效隐私保护联邦学习系统提供指导。
2025-09-24 cs.CR
Towards Blockchain-enabled Searchable Encryption
分布式Leger技术（DLT），尤其是区块链技术，带来了去中心化的平台，消除了单个可信任的第三方，避免了臭名昭著的单点故障漏洞。自中本聪的比特币加密货币系统以来，在这些技术之上提出了大量的分散应用程序，旨在比传统的应用程序更具透明度和可信度。这些应用程序分布在许多领域，例如金融服务、医疗保健、运输、供应链管理和云计算。虽然区块链由于一组（非常大的）节点（或矿工）的共识而直观地带来了透明度和分散的信任，但它对其他理想的属性（如隐私）带来了非常微妙的影响。在这项工作中，我们展示了基于区块链的可搜索加密解决方案的微妙含义，这是云计算服务的一个特定用例。这些解决方案依赖于区块链来实现标准的隐私属性和新的公平属性，这需要忠实地执行搜索操作并获得相应的奖励。我们表明，直接用区块链替换现有可搜索加密解决方案中的服务器将导致不必要的运营成本、隐私损失和安全漏洞。分析结果表明，仍然需要一个专用的服务器来实现所需的隐私保证。为此，我们提出了两个框架，可以实例化的基础上，大多数现有的可搜索的加密方案。通过分析这两个框架，我们肯定地表明，一个精心设计的基于区块链的解决方案可以实现所需的公平性，同时保留原始可搜索加密方案的隐私保证。
2019-11-19 cs.CR
Confidentiality without Encryption For Cloud Computational Privacy
技术的进步已经产生了新的计算模型，任何个人/组织云服务消费者（这里表示为CSC）可以将其数据上的计算密集型任务外包给远程云服务提供商（CSP），以获得许多优势，例如更低的成本，可扩展性等，但这些优势带来了更大的成本“数据的安全和隐私”正是由于这个原因，许多CSC对转向云计算模型持怀疑态度。虽然密码学研究的进展是有希望的，但还没有实际的解决方案来对加密数据执行任何操作[1]。正是由于这个原因，我们迫切需要找到其他可行的解决方案，以使我们从云计算中受益。过去提出了一种无需加密就能提供机密性的技术，即Ronald L. Rivest [2].虽然这种技术已被提出用于基于分组的通信系统，但它并不适用于所有云服务模型，如软件即服务，平台即服务或云结构即服务[3]。在本文中，我们提出了一种适应这种技术在云计算设置CSC的外包计算密集型任务，如Web日志解析，DNA测序等MapReduce像CSP服务。
2012-08-01 cs.CR
Non-interactive Multi-client Searchable Symmetric Encryption with Small Client Storage
动态可搜索对称加密（DSSE）允许用户在动态更新的加密数据库上进行搜索，已受到相当多的关注。为了提高现实世界的应用程序的性能，最近的非交互式多客户端DSSE计划的目标是避免数据所有者和数据用户之间的每查询交互。然而，现有的非交互式多客户端DSSE方案不考虑前向隐私或后向隐私，使他们暴露于泄漏滥用攻击。此外，大多数现有的DSSE方案的前向和后向隐私依赖于保持一个关键字操作计数器或一个倒排索引，导致在数据所有者侧的沉重的存储负担。为了解决这些问题，我们提出了一个非交互式的多客户端DSSE计划与小客户端存储，我们提出的计划可以提供前向隐私和后向隐私。具体来说，我们首先设计了一个轻量级的存储链结构，将所有关键字绑定到一个状态，以减少存储成本。然后，我们提出了一个隐藏的关键技术，它保留了非交互式的前向隐私，通过时间范围查询，确保数据与较新的时间戳不能匹配较早的时间范围。我们进行了大量的实验来验证我们的方法，这表明计算效率。此外，安全性分析证明了我们的方法的隐私保护属性。
2022-12-06 cs.CR
A Privacy-Centric Approach: Scalable and Secure Federated Learning Enabled by Hybrid Homomorphic Encryption
Tampere University（塔尔库大学）
本文提出将混合同态加密（HHE）集成到联邦学习中，以同时解决通信开销和数据隐私挑战，从而实现可扩展且安全的去中心化学习系统。
2025-08-07 cs.CR cs.LG
Encryption Mechanism And Resource Allocation Optimization Based On Edge Computing Environment
提出了一种基于边缘计算环境的加密机制和资源分配优化方法。基于直方图算法的局部差分隐私算法用于在任务卸载期间保护用户信息，这允许准确地保存用户上下文信息，同时减少对回放决策的干扰。为了有效地卸载任务，提高卸载性能，提出了一种任务卸载和资源分配的联合优化算法，优化了总体延迟。将在隐私保护和任务卸载准确性之间找到平衡。上下文数据干扰对任务卸载决策的影响被最小化，同时确保预定义级别的隐私保护。在具体的连接车辆示例中，该方法在具有足够计算资源的路边设备和相邻车辆之间分配任务。
2022-12-09 cs.CR
Blockchain-Integrated Privacy-Preserving Medical Insurance Claim Processing Using Homomorphic Encryption
School of Computer Science Engineering & Information Systems, Vellore Institute of Technology（计算机科学与工程信息系统学院，维罗尔技术大学）
本研究提出区块链集成同态加密的去中心化安全框架，解决医保理赔处理中的隐私与安全问题，实现透明流程与隐私保护共存，提升效率并降低风险，为医疗理赔系统变革提供新架构。
2025-11-11 cs.CR
Privacy-Preserving Cyberattack Detection in Blockchain-Based IoT Systems Using AI and Homomorphic Encryption
提出一种结合AI与同态加密的隐私保护攻击检测框架，部署于区块链节点，通过SIMD打包和FedAvg分布式学习实现高效加密训练，检测精度损失仅0.01%。
2024-12-18 cs.CR
A Traceable Concurrent Data Anonymous Transmission Scheme for Heterogeneous VANETs
车载自组织网络（VANGIOLAR Ad Hoc Networks，VANGIOLAR）是一种通过车对车（V2V）和车对基础设施（V2I）通信，改善交通状况，为驾驶员和乘客提供便利服务的新型网络。然而，交通信息传输中仍然存在着许多安全问题，特别是在交通紧张的情况下。为了保证用户的隐私和车辆的可追溯性，我们提出了一个可追溯的并发数据匿名传输方案的异构VANE。该方案基于无证书聚合签密，因此支持批量验证。此外，由于伪ID技术的引入，还实现了条件匿名。此外，它是一个配对的自由方案的优点，多陷门散列函数。因此，大大减少了总的计算开销。
2018-11-08 cs.CR
Traceable Policy-Based Signatures and Instantiation from Lattices
Bellare和Fuchsbauer（PKC 2014）提出了基于策略的签名（PBS），以允许组织的{ \em授权}成员代表组织签署消息。用户的授权由组织的可信机构管理的策略确定，而签名则保留组织策略的隐私。PBS中的签名密钥不包括用户身份信息，因此可以传递给其他人，违反了使用PBS限制用户签名能力的意图。在本文中，我们介绍了{ \em可追溯性}的概念PBS包括用户身份的签名密钥，使可信机构将能够打开一个可疑的签名，并恢复签名者的身份，如果需要出现。我们提供了严格的定义和严格的安全概念的可追踪PBS（TPBS），捕获的属性的PBS建议的Bellare-Fuchsbauer和类似的“完全可追踪性”的要求提出的Bellare-Micciancio-Warinschi（Eurocrypt 2003）的群签名。作为概念的证明，我们提供了一个模块化的构造TPBS，基于签名方案，加密方案和零知识证明系统。此外，为了证明从具体的、量子抵抗的假设实现TPBS的可行性，我们给出了一个基于格的实例。
2020-06-30 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
Kernel-Based ReLU Approximation for Homomorphic Encryption-Compatible Privacy-preserving Deep Learning Models
Hellenic Mediterranean University（希腊地中海大学）；Research Center "ATHENA"（阿瑞纳研究中心）
提出一种基于核的ReLU近似方法，使用二次多项式实现低乘法深度，支持同态加密下的隐私保护深度学习，并在预训练LLM的token嵌入上验证了近似保真度。
2026-05-22 cs.CR
