Secure and Energy-Efficient Key-Agreement Protocol for Multi-Server Architecture
认证计划在全球范围内实施,以核实用户和服务器的合法性,以便在不同设施中交换数据。通常,服务器验证用户以提供用于不同目的的资源。但是由于网络系统的庞大性,认证过程变得复杂,因此,针对多服务器架构,不时地提出了不同的认证协议。然而,大多数协议容易受到各种安全攻击,其性能并不高。在本文中,我们提出了一个安全和节能的多服务器系统的远程用户认证协议。结果表明,该协议的效率提高了约44%,所需的通信成本减少了约38%。我们还证明,只有两个因素的身份验证,建议的协议是更安全的早期相关的身份验证方案。
2020-04-19 cs.CR
Secure Single-Server Nearly-Identical Image Deduplication
云计算通常用于文件存储。云存储服务的客户端希望确保其数据的隐私性,并且客户端和服务器都希望使用尽可能少的存储。跨用户重复数据删除是减少服务器使用的存储量的一种方法。隐私和隐私是自然冲突的目标,特别是对于几乎相同的(“模糊”)去重,因为必须使用关于数据的一些信息来执行去重。因此,现有的解决方案利用多个服务器,或者仅用于精确的去重。在本文中,我们提出了一个单服务器协议的跨用户几乎相同的重复数据删除的基础上安全的位置敏感哈希(SLSH)。我们正式定义了我们理想的安全性,并严格证明我们的协议对完全恶意的,勾结的对手通过模拟证明安全。我们的实验表明,该协议的各个部分是计算上可行的,并进一步讨论实际问题的安全性和效率。
2020-05-05 cs.CR
Secure Client and Server Geolocation Over the Internet
在这篇文章中,我们提供了一个总结,最近的努力实现互联网地理定位安全,\ie不允许实体被地理定位欺骗自己的地理位置。作弊的动机来自许多因素,包括冒充(在使用位置来加强身份验证的情况下),以及获得与位置相关的好处。特别是,我们提供了一个技术概述客户端存在验证(CPV)和服务器位置验证(SLV)-两个最近提出的技术,旨在验证客户端和服务器的地理位置在互联网上实时。每种技术都涉及到一系列对抗性策略来操纵地理位置,包括使用IP隐藏技术,如VPN和匿名器,正如我们现在所解释的那样。
2019-06-26 cs.CR
On the Capacity of Secure Distributed Matrix Multiplication
矩阵乘法是各种工程应用中的关键运算之一。将大规模矩阵乘法任务外包给多个分布式服务器或云是期望的,以加速计算。然而,当这些服务器不可信时,安全性就成了一个问题。本文研究了分布式不可信任服务器上的安全分布式矩阵乘法问题。这个问题属于安全函数计算的范畴,在密码学界受到了极大的关注。然而,信息理论上安全的矩阵乘法的基本限制仍然是一个悬而未决的问题。我们专注于信息理论上安全的分布式矩阵乘法的目标是表征最小的通信开销。安全矩阵乘法的容量被定义为所需信息与从$N$分布式服务器接收的总通信的最大可能比率。特别是,我们研究了以下两个模型,我们要乘以两个矩阵$A\in\mathbb{F}^{m\times n}$和$B\in\mathbb{F}^{n\times p}$:$(a)$单边安全矩阵乘法与$\ell$串通服务器,其中$B$是一个公共矩阵在所有服务器和$A$是一个私有矩阵。$(b)$完全安全的矩阵乘法与$\ell$串通服务器,其中$A$和$B$都是私有矩阵。我们的目标是在任何$\ell$服务器都可以合谋的情况下安全地增加$A$和$B$。对于模型$(a)$,我们通过提供一个安全的矩阵乘法方案和一个匹配的逆,将容量刻画为$C_{\text{one-sided}}^{(\ell)}=(N-\ell)/N$。对于模型$(b)$,我们提出了一种新的方案,降低了容量,即,$C_{\text{fully}}…
2018-06-01 cs.CR cs.DC cs.IT
A Secure Cloud with Minimal Provider Trust
Bolted是一种新的裸金属云架构,其目标是为云的安全敏感客户提供与他们在自己的私有数据中心中获得的相同级别的安全和控制。它允许租户在云中弹性地分配安全资源,同时免受云的其他先前,当前和未来租户的影响。向租户提供新服务器隔离了一台裸金属服务器,仅在其关键固件和软件已向租户证明后才允许其与其他租户的服务器通信。租户,而不是提供商,控制安全性,价格和性能之间的权衡。原型展示了可扩展的端到端安全性,与不太安全的替代方案相比,开销很小。
2019-07-13 cs.CR cs.DC
Lotto: Secure Participant Selection against Adversarial Servers in Federated Learning
针对联邦学习中恶意服务器可操控参与者选择破坏诚实多数假设的问题,提出Lotto系统,通过可验证随机自主参与、筛选池内随机近似知情选择实现安全选参,理论与实验验证其安全性与低开销。
2024-03-06 cs.CR
Software-based Security Framework for Edge and Mobile IoT
提出一种基于轻量级密码学的软件安全框架,通过集成Edge服务器和中央Name Server实现去中心化认证,平衡IoT设备的安全鲁棒性与能效。
2024-04-09 cs.CR cs.DC
Secure Encryption scheme with key exchange for Two server Architecture
在分布式环境中,身份验证和密钥交换机制起着重要作用。一般来说,为了进行身份验证,客户端和服务器相互交换公共密钥。在以前,密码存储在单个服务器上。如果入侵者通过使用一些恶意攻击获得对服务器的访问权限,那么存储在数据库中的所有密码都将被泄露。电子商务应用的安全性受到威胁。为了提高认证方案的效率和性能,我们引入了多个服务器来存储密码,并参与密钥交换和认证方案。即使单个服务器受到威胁,这也能确保整个系统的安全。随机生成的nonce对应于两级安全机制,其中攻击者伪装成合法用户并登录系统的范围被完全限制。在此方法中,密码存储在其等效的哈希值中,并存储在多个服务器上。这使得攻击者很难进行逆向工程和拦截,甚至从哈希值的片段中确定密码。在本文中,我们建立了一个安全的基于密码的认证方案,使用密钥交换。
2017-11-29 cs.CR
Verifiable Secure Aggregation via Dual Servers with Linear Tags in Federated Learning
针对联邦学习中服务器可能利用梯度反转侵犯隐私或操纵聚合结果的问题,提出一种基于伪随机函数和非共谋双服务器架构的轻量级可验证安全聚合方案,在保持通信开销与明文聚合相当且验证标签大小恒定的同时,实现用户隐私保护、端到端安全聚合及验证,并显著降低用户计算和验证开销。
2026-08-25 cs.CR
SecureAFL: Secure Asynchronous Federated Learning
University of Louisville(路易斯维尔大学);Northeastern University(东北大学);National University of Singapore(新加坡国立大学);University of North Texas(北德克萨斯大学)
本文提出SecureAFL框架,通过检测并丢弃异常更新、估计缺失客户端贡献以及采用坐标中位数聚合技术,提升异步联邦学习的安全性与鲁棒性。
2026-04-04 cs.CR cs.DC cs.LG
Designing a Secure Device-to-Device File Transfer Mechanism
本文提出一种受WebRTC启发的安全设备到设备文件传输协议,利用不保留文件且支持全双工通信的中继服务器降低存储与带宽成本,并通过实验基准测试验证其性能。
2024-11-21 cs.CR
Fusion: Efficient and Secure Inference Resilient to Malicious Servers
针对安全机器学习推理中恶意服务器可能偏离协议、使用低质量模型的问题,提出Fusion框架,通过混合公开样本与待查询样本的多方计算强制服务器诚实,在效率和通信开销上均优于现有方案。
2023-06-10 cs.CR
NFSA: Non-Forward Secure Aggregation with One Server via Two Layer Secret Sharing
Sun Yat-sen University(中山大学)
研究针对联邦学习中模型更新致数据泄露问题,提出基于两层秘密共享的安全聚合协议,结合多种技术消除用户直接通信与服务器数据转发,设计新编码方法减少开销,实验表明该方案在多方面显著优于现有方法。
2026-07-17 cs.CR
A Secure and Improved Multi Server Authentication Protocol Using Fuzzy Commitment
最近,Barman等人提出了一种使用模糊承诺的多服务器认证协议。作者声称,他们的协议提供匿名性,同时抵抗所有已知的攻击。在本文中,我们分析了Barman等人。的协议仍然容易受到匿名违规攻击和基于窃取智能攻击的冒充,并且存在可扩展性问题。然后,我们提出了一个改进和增强的协议,以克服Barman等人的安全弱点。的方案。使用BAN逻辑和广泛接受的自动AVISPA工具验证了所提出的协议的安全性。BAN逻辑和自动AVISPA以及非正式分析确保了该方案对所有已知攻击的鲁棒性
2020-04-16 cs.CR
Silent Guardians: Independent and Secure Decision Tree Evaluation Without Chatter
School of Information Science and Technology, ShanghaiTech University(上海科技大学信息科学与技术学院)
本文提出PVODTE协议,通过同态秘密共享和MAC验证机制,实现隐私和可验证性的同时保障,消除服务器间通信,适用于广域网部署。
2026-03-30 cs.CR
DSFL: A Dual-Server Byzantine-Resilient Federated Learning Framework via Group-Based Secure Aggregation
DSFL提出双服务器分组安全聚合框架,无需加密或可信假设,通过信用过滤和奖惩机制防御拜占庭客户端,在非IID数据下显著提升模型准确率并保持轻量级。
2025-09-10 cs.AI cs.CR cs.DC
DisAgg: Distributed Aggregators for Efficient Secure Aggregation in Federated Learning
Anonymous Institution, Anonymous City, Anonymous Region, Anonymous Country(匿名机构,匿名城市,匿名地区,匿名国家)
DisAgg通过分布式聚合器实现高效安全聚合,减少通信轮次和计算开销,提升10万维更新向量处理速度达4.6倍。
2026-05-13 cs.CR cs.DC cs.LG
Armadillo: Robust Single-Server Secure Aggregation for Federated Learning with Input Validation
University of Pennsylvania(宾夕法尼亚大学);UC Berkeley(加州大学伯克利分校);J.P. Morgan AI Research(摩根大通人工智能研究院);AlgoCRYPT CoE(算法加密卓越中心)
针对联邦学习中单服务器安全聚合易受恶意客户端破坏的问题,本文提出Armadillo系统,通过两层安全聚合协议和低轮次协议实现高效破坏抗性,仅需3轮且计算轻量,恶意客户端仅能在合法范围内影响结果。
2026-09-26 cs.CR
Information Theoretic Secure Aggregation with User Dropouts
University of North Texas(北德克萨斯大学)
在鲁棒安全聚合问题中,服务器希望学习并且仅学习多个用户的输入的总和,而一些用户可能退出(即,可以不回答)。丢失用户的身份事先并不知道,服务器需要安全地恢复剩余幸存用户的总和。我们考虑以下安全聚合的最小两轮模型。在第一轮中,$K$用户中不少于$U$用户的任何集合响应服务器,并且服务器想要学习所有响应用户的输入的总和。其余用户被视为已删除。在第二轮中,存活用户的不少于$U$用户的任何集合响应(即,在第二轮中仍然可能有退出),并且根据在两轮中从幸存用户获得的信息,服务器可以解码期望的和。安全约束是即使服务器与任何$T$用户勾结并且来自被丢弃用户的消息被服务器接收(例如,延迟的分组),则服务器不能推断出信息理论意义上的和之外的任何附加信息。对于这个信息论安全聚集问题,我们刻画了最优通信代价。当使用$U \leq T$时,安全聚合是不可行的,而当使用$U > T$时,为了安全地计算总和中的一个符号,从每个用户发送到服务器的符号的最小数量在第一轮是$1$,在第二轮是$1/(U-T)$。
2021-01-19 cs.CR cs.IT cs.LG
Secure Inference for Vertically Partitioned Data Using Multiparty Homomorphic Encryption
针对垂直分区数据,提出基于多方同态加密的安全推理协议,通过打包方案聚合密文实现加密域推理,避免传输模型权重。
2024-07-22 cs.CR
A Practical, Secure, and Verifiable Cloud Computing for Mobile Systems
云计算系统,其中客户租用和共享第三方平台的计算资源,近年来得到了广泛的使用。此外,用于移动系统的云计算(即,客户端是移动设备的系统)在技术文献中也受到了相当大的关注。我们提出了一种新的方法,委托计算的资源受限的移动客户端,其中多个服务器相互作用,以构建一个加密的程序称为乱码电路。接下来,使用来自移动客户端的乱码输入,另一个服务器执行这个乱码电路并返回结果乱码输出。我们的系统保证隐私的移动客户端的数据,即使执行服务器选择勾结所有,但其他服务器之一。为了构建一个安全的移动系统云计算,我们采用了Beaver等人的乱码电路设计和Goldreich等人的安全多方计算协议。我们的方法采用了新的使用的加密安全的伪随机数发生器的Blum等人。使移动客户端能够有效地检索计算的结果,以及验证评估者实际上执行的计算。我们分析了我们的系统的服务器端和客户端的复杂性。使用真实世界的数据,我们评估我们的系统的隐私保护搜索应用程序,定位最近的银行/ATM从移动客户端。我们还测量了构建和评估不同数量的服务器的乱码电路所需的时间,证明了我们的安全和可验证的云计算的移动系统的可行性。
2014-10-06 cs.CR
Secure Linear Aggregation Using Decentralized Threshold Additive Homomorphic Encryption For Federated Learning
安全线性聚合是在隐私保护的前提下,对不同用户的隐私输入进行线性聚合。联邦学习(FL)环境中的服务器可以通过安全的线性聚合来完成对用户私有输入的任意线性计算。目前,基于伪随机数发生器和一次性填充技术,可以有效地计算FL中用户输入的和,但不能很好地支持用户输入的线性计算。基于分散式门限同态加密(DTAHE)方案,提出了一种安全的线性聚合协议,该协议允许服务器将用户输入与任意系数相乘并求和,从而在用户输入的基础上建立全连接层或卷积层.该协议采用Bonawitz等人的框架为用户退出提供容错,并利用区块链智能合约鼓励服务器诚实。文中给出了该协议的安全模型、安全证明和一个具体的基于格的DTAHE方案。它评估了已知的DTAHE施工方法的通信和计算成本。评价表明,基于椭圆曲线的DTAHE是友好的用户和基于格的版本导致在服务器上的计算量轻。
2021-11-21 cs.CR
Secure Distributed Matrix Computation with Discrete Fourier Transform
我们考虑的问题,安全的分布式矩阵计算(SDMC),其中\textit{user}查询的数据矩阵在分布式\textit{source}节点产生的功能。我们假设$N$诚实但好奇的计算服务器的可用性,这些服务器通过正交和可靠的通信链路连接到源、用户和彼此。我们的目标是最小化必须从源传输到服务器的数据量(称为\textit{upload cost}),同时保证没有$T$串通服务器可以了解有关源矩阵的任何信息,并且用户不能了解计算结果之外的任何信息。我们首先专注于安全的分布式矩阵乘法(SDMM),考虑两个矩阵,并提出了一种新的多项式编码方案,利用有限域离散傅立叶变换的性质,实现了上传成本显着低于现有的文献中的结果。然后,我们推广所提出的计划,包括掉队缓解,并在保持输入矩阵的多个矩阵的乘法,中间的计算结果,以及对任何$T$串通服务器的最终结果安全。我们还考虑了一种特殊情况,称为计算与自己的数据,其中用于计算的数据矩阵属于用户。在这种情况下,我们放弃了对用户的安全要求,并表明该方案实现了最小的上传成本。然后,我们提出了在分布式服务器上安全地执行其他常见矩阵计算的方法,包括改变秘密共享,矩阵转置,矩阵求幂,求解线性系统和矩阵求逆的参数,然后使用这些参数来展示如何使用所提出的程序在分布式服务器上安全地计算任意矩阵多项式。
2021-11-14 cs.CR cs.DC cs.IT
An Efficient Secure Distributed Cloud Storage for Append-only Data
云计算使用户(客户端)能够将大量数据外包给云服务器。安全的分布式云存储方案确保多个服务器以可靠和不可篡改的方式存储这些数据。我们提出了一个想法,构建这样一个计划的静态数据编码数据块(使用纠错码),然后附加认证信息(标签),这些编码块。我们确定了一些挑战,同时扩展这一想法,以适应只附加数据。然后,我们提出了我们的安全的分布式云存储方案的附加数据,有效地解决了挑战。我们的计划的主要优点是,它使服务器更新自己的奇偶校验块。此外,客户端不需要下载任何数据(或奇偶校验)块来更新驻留在服务器上的修改的奇偶校验块的标签。最后,我们分析了我们的方案的安全性和性能。
2018-06-03 cs.CR
Lightning-Fast and Privacy-Preserving Outsourced Computation in the Cloud
在本文中,我们提出了一个在云中快速保护隐私的外包计算框架,我们称之为LightCom。使用LightCom,用户可以在单个云服务器上安全地实现外包数据存储和快速安全的数据处理,而不是现有的多服务器外包计算模式。具体来说,首先提出了一种面向云服务器的LightCom安全计算框架,该框架在云服务器上配置多个可信处理单元(TPU),可应对侧信道攻击。在LightCom平台下,设计了两个专用的快速处理工具包,分别针对TPU的边信道信息泄漏,实现了常用的安全整数计算和安全浮点计算。此外,我们的LightCom还可以在数据处理过程中保证访问模式保护,并在计算后实现用户隐私信息的检索。我们证明了所提出的LightCom可以成功地实现单一云外包数据处理的目标,以避免额外的计算服务器和可信计算服务器,并使用模拟演示了LightCom的实用性和效率。
2019-09-27 cs.CR
GCSA Codes with Noise Alignment for Secure Coded Multi-Party Batch Matrix Multiplication
考虑了一个安全的多方批量矩阵乘法问题(SMBMM),其目标是通过将计算分布在S个服务器上,使Master能够高效地计算两批大规模矩阵的两两乘积.任何X共谋服务器都不会获得关于输入的任何信息,主服务器也不会获得关于产品之外的输入的任何额外信息。基于交叉子空间对齐码,提出了一种带噪声对齐的广义交叉子空间对齐码(GCSA-NA)。SMBMM的现有技术解决方案是由Nodehi和Maddah-Ali提出的称为多项式共享(PS)的编码方案。GCSA-NA在几个关键方面优于PS代码-更高效和安全的服务器间通信,更低的延迟,灵活的服务器间网络拓扑,高效的批处理,以及对落伍者的容忍度。噪声对齐的思想也可以与N源交叉子空间对齐(N-CSA)码和快速矩阵乘法算法(如Strassen构造)相结合。此外,噪声对齐可以应用于对称安全私有信息检索,以实现渐近容量。
2020-09-06 cs.CR cs.DC cs.IT
Robust and Actively Secure Serverless Collaborative Learning
Northwestern University(西北大学);CISPA(CISPA亥姆霍兹信息安全中心);Google(谷歌);University of Toronto and Vector Institute(多伦多大学与向量研究所);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
提出一种对恶意服务器安全且对恶意客户端鲁棒的P2P无服务器协作学习通用框架,可将任意鲁棒聚合算法转换至双方皆可恶意的环境,并在百万参数规模下验证了其计算高效性。
2023-10-25 cs.CR cs.LG
SWORD: A Secure LoW-Latency Offline-First Authentication and Data Sharing Scheme for Resource Constrained Distributed Networks
University of Maryland Baltimore County(马里兰大学巴尔的摩县分校);Kent State University(肯特州立大学);Tennessee State University(田纳西州立大学)
SWORD是一种针对资源受限分布式网络的低延迟安全认证和数据共享方案,采用基于接近度的聚类方法,实现高效安全的离线操作。
2026-01-19 cs.CR cs.DC
Secure Computation of the kth-Ranked Element in a Star Network
我们考虑的问题,安全地计算的k-排名的元素在一个序列中的n个私人整数分布在n个缔约方。排名第k的元素(例如,最小值、最大值、中位数)在基准测试中特别有意义,它使公司能够将自己的关键业绩指标与同行的统计数据进行比较。单个整数是敏感数据,而排名第k的元素是各方共同感兴趣的。以前的安全计算协议的第k排名的元素需要每对当事人之间的通信信道。它们不能扩展到大量的缔约方,因为它们是高度互动的,导致更长的延迟。此外,它们很难部署,因为每对当事人之间需要特殊的安排来建立安全连接。服务器模型自然适合Internet应用程序的客户端-服务器体系结构,其中客户端连接到服务器,而不是连接到其他客户端。它可以通过减少轮数来简化安全计算,从而提高其性能和可扩展性。在这个模型中,只有每个客户端和服务器之间有通信通道,而只有客户端向计算提供输入。因此,它是一种集中式通信模式,即,明星网络。我们提出了不同的方法来私下计算服务器模型中的第k位元素,使用乱码电路或阈值同态加密。我们的方案具有恒定的轮数,并且可以在几秒钟内为WAN中的多达50个客户端计算第k个排名的元素。
2019-09-18 cs.CR
Analog Secure Distributed Matrix Multiplication over Complex Numbers
这项工作考虑了将实数或复数上的矩阵乘法分配给助手服务器的问题,使得向这些服务器的信息泄漏接近于信息理论上的安全。这些服务器被认为是诚实但好奇的,即,它们根据协议工作,但试图推断出有关数据的信息。安全分布式矩阵乘法(SDMM)问题一直被认为是在有限域上的矩阵乘法的背景下,这是不总是可行的,在现实世界中的应用。我们提出了两种方案,允许基于用例的可变安全程度,并允许串通和离散服务器。我们分析的安全性和数值精度的计划,并观察到准确性和安全性之间的权衡。
2022-05-14 cs.CR cs.IT math.IT
Cryptanalysis of A Secure Remote User Authentication Scheme Using Smart Cards
基于灵巧卡的认证方案被用于各种领域,如电子银行、电子商务、无线传感器网络、医疗系统等,以在通过互联网进行通信期间对远程用户和应用服务器进行认证。最近,Karuppiah和Saravanan提出了一种基于口令和单向密码散列函数的认证方案。他们使用了安全身份机制,即,用户和服务器的身份是不公开的。因此,用户和服务器在通信期间不直接向彼此发送他们的身份。在本文中,我们已经发现,他们的方案没有克服答复攻击,也有一个错误,在登录阶段,这使得他们的方案是不完美的实际应用。
2015-02-17 cs.CR
SecEmb: Sparsity-Aware Secure Federated Learning of On-Device Recommender System with Large Embedding
针对端侧大嵌入联邦推荐的通信与隐私矛盾,提出 SecEmb,借助隐私保护嵌入检索和安全更新聚合实现稀疏更新的无损保护,并大幅降低通信与计算开销。
2025-06-07 cs.CR
Blockchain-based Secure Client Selection in Federated Learning
University of Florida(佛罗里达大学);Virginia Commonwealth University(弗吉尼亚联邦大学)
尽管联邦学习(FL)在大规模分布式学习中具有巨大的潜力,但由于客户端训练的本地模型暴露于中央服务器,当前系统仍然受到一些隐私问题的影响。因此,FL的安全聚合协议已经被开发出来,以隐藏服务器的本地模型。然而,我们表明,通过操纵客户端的选择过程中,服务器可以绕过安全聚合学习受害者客户端的本地模型,表明安全聚合本身是不够的隐私保护。为了解决这个问题,我们利用区块链技术提出了一个可验证的客户端选择协议。由于区块链的不变性和透明性,我们提出的协议强制随机选择客户端,使服务器无法自行控制选择过程。我们目前的安全证明表明,我们的协议是安全的,对这种攻击。此外,我们在类似以太坊的区块链上进行了几次实验,以证明我们的解决方案的可行性和实用性。
2022-05-11 cs.CR cs.LG
An Empirical Analysis of HTTPS Configuration Security
众所周知,安全配置HTTPS非常困难,糟糕的服务器配置导致了包括FREAK,Logjam和POODLE攻击在内的几种攻击。在这项工作中,我们经验性地评估流行网站的TLS安全态势,并努力了解运营商做出的配置决策。我们将影响网站安全状况的几个来源联系起来,包括软件默认值、云提供商和在线推荐。我们发现了一个分散的网络生态系统:虽然大多数网站都有安全的配置,但这在很大程度上是由于主要的云提供商提供了安全的默认值。单独配置的服务器通常是不安全的。这可能部分是因为可供各个运营商使用的公共资源-服务器软件默认值和在线配置指南-常常不安全。我们的研究结果强调了在测量研究中将SaaS服务与单独配置的站点分开考虑的重要性,以及服务器软件需要提供安全的默认值。
2021-11-01 cs.CR
T/Key: Second-Factor Authentication From Secure Hash Chains
目前使用的基于时间的一次性密码(TOTP)系统需要在客户端和服务器上存储秘密。因此,对服务器的攻击可以暴露系统中所有用户的所有第二因素。我们提出了T/Key,一个基于时间的一次性密码系统,不需要在服务器上的秘密。我们的工作使经典的S/Key系统现代化,并解决了使这样一个系统安全和实用的挑战。我们构建的核心是一个新的下界,分析由独立随机函数组成的反向哈希链的硬度,这正式证明了这个广泛使用的原语的安全性。此外,我们开发了一个接近最优的算法,用于快速生成哈希链中所需的元素,客户端上的内存很少。我们报告我们的T/Key作为Android应用程序的实现。T/Key可以作为当前TOTP系统的替代品,并且在服务器端受到危害的情况下仍然安全。与S/Key一样,其代价是一次性密码比TOTP中使用的标准六个字符长。
2017-08-28 cs.CR
Secure Aggregation Is Not All You Need: Mitigating Privacy Attacks with Noise Tolerance in Federated Learning
National Taiwan University(台湾大学)
联邦学习是一种协作方法,旨在创建AI模型的同时保护数据隐私。当前的联邦学习方法往往严重依赖于安全聚合协议来保护数据隐私。然而,在某种程度上,这样的协议假设编排联邦学习过程的实体(即,服务器)并非完全恶意或不诚实。我们调查安全聚合的漏洞,如果服务器是完全恶意的,并试图获得访问私人,潜在的敏感数据可能会出现。此外,我们还提供了一种方法来进一步防御这种恶意服务器,并证明了在联邦学习设置中重建数据的已知攻击的有效性。
2022-11-10 cs.AI cs.CR
The Trusted Server: A secure computational environment for privacy compliant evaluations on plain personal data
不断增长的法律和道德要求框架限制了对个人数据的科学和商业评估。通常,匿名化、加密或分布式计算方法试图保护个人隐私。然而,计算基础设施仍然依赖于人类系统管理员。这引入了严重的安全风险,并对隐私产生了强烈的影响:系统管理员可以无限制地访问他们管理的计算机,包括加密密钥和加密表。分布式计算和数据混淆技术降低了但并没有消除管理员泄露隐私的风险。它们产生更高的实施工作量和可能的数据质量下降。本文提出了可信服务器作为一种替代方法,提供了一个密封的和不可访问的计算环境,在严格意义上的加密。在操作期间或通过直接物理访问存储介质,在可信服务器内存储和处理的数据绝不能被读取,操纵或泄露,除非通过暴力。因此,即使来自多个希望其数据相互保密的来源,也可以对普通的个人相关数据进行安全且符合隐私的数据处理或评估。
2018-07-27 cs.CR cs.CY
LISA: LIghtweight single-server Secure Aggregation with a public source of randomness
本文提出LISA协议,利用公共随机源将安全聚合的每用户开销和交互轮数降至两轮,渐近达到非隐私协议的通信效率,并在理论与实验中验证了其性能优势。
2023-08-04 cs.CR
3LSAA: A Secure And Privacy-preserving Zero-knowledge-based Data-sharing Approach Under An Untrusted Environment
随着数据汇集和分析成为许多云应用程序的关键功能,需要与批准方进行适当的数据共享。然而,传统的数据共享方案通过集中的数据托管服务器可能会牺牲所有者的隐私,并且安全性较弱。主要是,服务器物理上拥有所有数据,而原始数据所有者只有虚拟所有权,并失去实际的访问控制。因此,我们提出了一个3层的SSE-ABE-AES(3LSAA)密码为基础的隐私保护的数据共享协议的基础上,假设服务器是诚实的,但好奇。3LSAA协议实现了在服务器不可信的情况下自动访问控制管理和方便的文件搜索。除了实现数据的自我主权,我们的方法还提高了系统的可用性,消除了传统的SSE和ABE方法的缺陷,并提供了一个本地的AES密钥恢复方法,用户的可用性。
2021-10-13 cs.CR
Secure Consensus Generation with Distributed DoH
许多应用程序和协议依赖于生成服务器池的能力来进行基于多数的共识机制,通常这是通过执行普通DNS查询来完成的。最近针对NTP和使用Chronos [2]进行安全增强的NTP的偏离路径攻击[1]表明,依赖DNS来生成NTP服务器池会引入一个薄弱环节。在这项工作中,我们提出了一个安全的,向后兼容的地址池生成方法,使用分布式DNS的HTTPS(DoH)解析器,旨在防止这种攻击对服务器池生成。
2020-10-19 cs.CR cs.NI
Towards Bidirectional Protection in Federated Learning
University of California, Berkeley(加州大学伯克利分校);Hong Kong University of Science and Technology(香港科技大学)
先前在增强联邦学习(FL)安全性方面的努力分为两类。在频谱的一端,一些工作使用安全聚合技术来隐藏单个客户端的更新,并且仅向恶意服务器显示聚合的全局更新,该恶意服务器试图从客户端的更新推断客户端的隐私。另一方面,一些工作使用拜占庭健壮的FL协议来抑制恶意客户端更新的影响。提出了一种联邦学习协议F2 ED-LEARNING,该协议首次提供了双向防御机制,能够同时对抗恶意集中式服务器和拜占庭恶意客户端。为了抵御拜占庭恶意客户端,F2 ED-LEARNING通过采用和校准一个经过充分研究的鲁棒均值估计器FilterL 2来提供无量纲估计误差。F2 ED-LEARNING还利用安全聚合来保护客户端免受恶意服务器的攻击。F2 ED-LEARNING的一个关键挑战是解决FilterL 2和安全聚合方案之间的不兼容性。具体地说,FilterL 2必须检查来自客户端的各个更新,而安全聚合则对恶意服务器隐藏这些更新。为此,我们提出了一种实用且高效的解决方案,将客户端拆分为分片,其中F2 ED-LEARNING安全地聚合每个分片的更新,并在来自不同分片的更新上启动FilterL 2。评估表明,F2 ED-LEARNING始终达到最佳或接近最佳的性能,并在五种常见的攻击下优于五种安全FL协议。
2021-05-30 cs.AI cs.CR cs.DC
Secure Decision Forest Evaluation
决策森林是对具有多特征的复杂输入进行有效决策的经典模型。虽然树或森林的全局结构是公开的,但是在相对于某个服务器模型评估某些客户端输入期间,必须保护敏感信息。实际上,服务器侧的比较阈值可能具有经济价值,而客户端输入可能是关键的个人数据。此外,可靠性对接收器也很重要。在我们的情况下,我们将考虑服务器感兴趣的模型评估的结果,使客户端不应该能够偏置it. In本文中,我们提出了一个新的离线/在线协议之间的客户端和服务器的一个恒定数量的轮在在线阶段,与隐私和健全的恶意客户端。CCS概念:$\bullet$安全和隐私$\rightarrow$密码学。
2021-08-19 cs.CR
Flamingo: Multi-Round Single-Server Secure Aggregation with Applications to Private Federated Learning
University of Pennsylvania(宾夕法尼亚大学);Microsoft Research(微软研究院);J.P. Morgan AI Research(摩根大通人工智能研究院);AlgoCRYPT CoE(AlgoCRYPT卓越中心)
本文提出Flamingo,一种用于联邦学习的多轮单服务器安全聚合系统,通过消除每轮设置、引入轻量级客户端退出恢复协议及本地选择客户端邻域的新方法,显著减少了交互次数与端到端运行时间,并在MNIST和CIFAR-100上实现无损精度的安全训练。
2024-10-13 cs.CR cs.LG
Demo: Secure Edge Server for Network Slicing and Resource Allocation in Open RAN
提出安全智能网络切片框架SnSRIC,通过AI驱动的xApp动态分配物理资源块并执行切片级安全,在Open RAN中检测异常并节流流氓信令,有效缓解DDoS攻击,保障合法用户服务连续性。
2025-07-13 cs.CR cs.SY eess.SY
Byzantine-Resilient Secure Federated Learning
University of Southern California(南加州大学);University of California, Riverside(加州大学河滨分校)
安全联邦学习是一种隐私保护框架,通过对移动用户收集的大量数据进行训练来改进机器学习模型。这是通过迭代过程实现的,在每次迭代中,用户使用其本地数据集更新全局模型。然后,每个用户通过随机密钥屏蔽其本地模型,并且在中央服务器处聚合屏蔽的模型以计算下一次迭代的全局模型。由于本地模型受到随机掩码的保护,服务器无法观察到它们的真实值。这对模型对抗敌对(拜占庭)用户的弹性提出了一个重大挑战,这些用户可以通过修改其本地模型或数据集来操纵全局模型。为了应对这一挑战,本文提出了第一个单服务器拜占庭弹性安全聚合框架(BREA)的安全联邦学习。BREA基于集成的随机量化,可验证的离群值检测和安全的模型聚合方法,以同时保证Byzantine弹性,隐私和收敛。我们提供了理论上的收敛和隐私保证,并在网络规模,用户辍学和隐私保护方面的基本权衡。我们的实验证明了拜占庭用户存在的收敛性,以及与传统联邦学习基准相当的准确性。
2021-02-20 cs.CR cs.DC cs.LG
Secure Multilayer Perceptron Based On Homomorphic Encryption
在这项工作中,我们提出了一个外包的安全多层感知器(SMLP)计划,在训练和分类阶段确保数据和模型的隐私和机密性。更清楚地说,这个SMLP:i)可以由云服务器基于用户先前以同态加密形式外包的数据来训练; ii)其参数是同态加密的,从而不给出云的线索;以及iii)其还可以用于对由用户发送的新的加密数据进行分类,用户向其返回加密的加密分类结果。这个计划的独创性有三个方面。据我们所知,它是第一个多层感知器(MLP)在同态加密数据的训练阶段没有收敛问题。它不需要服务器和用户之间的额外通信。它是基于整流线性单元(ReLU)激活函数,我们确保没有近似与实际SMLP解决方案。为此,我们利用两个半诚实的非串通服务器。在一个用Paillier密码系统加密的二进制数据库上进行的实验结果证明了我们方案的整体性能及其收敛性。
2018-06-07 cs.CR
Federated Dynamic GNN with Secure Aggregation
University of Notre Dame(圣母大学)
给定来自多个个人设备或街道摄像头的视频数据,我们是否可以利用结构和动态信息来学习分布式监控等应用中对象的动态表示,而不会将数据存储在中央服务器上,从而导致侵犯用户隐私?在这项工作中,我们介绍了联邦动态图神经网络(Feddy),一个分布式的和安全的框架,学习对象表示从多用户图序列:i)它聚合的结构信息,从附近的对象在当前图以及动态信息,从那些在以前的图。它使用一种自我监督的损失来预测物体的轨迹。ii)它以联邦学习的方式进行训练。位于中央的服务器将模型发送到用户设备。各个用户设备上的本地模型学习并定期将其学习发送到中央服务器,而不会将用户的数据暴露给服务器。iii)研究表明,在服务器执行加权平均之后,聚合的参数可以在广播到客户端用于模型同步时被检查,尽管被解密。我们设计了一个合适的安全聚集原语聚集机制,可以保护联邦学习的安全性和隐私性,并具有可扩展性。在四个不同场景下的视频摄像机数据集上的实验和仿真结果表明,Feddy算法具有很好的安全性和有效性。
2020-09-15 cs.CR cs.LG
Hierarchical Secure Aggregation with Heterogeneous Security Constraints and Arbitrary User Collusion
Guangxi Key Laboratory of Multimedia Communications and Network Technology(广西多媒体通信与网络技术重点实验室);Guangxi University(广西大学);Department of Electrical Engineering and Computer Science(电气工程与计算机科学系);Technical University of Berlin(柏林技术大学);School of Cyber Science and Engineering(网络安全科学与工程学院);Nanjing University of Science and Technology(南京理工大学)
本文提出分层安全聚合的异构安全模型,研究在任意用户合谋下如何实现信息论安全的通信速率和源密钥需求。
2026-01-10 cs.CR cs.DC cs.IT
Quantum $X$-Secure $B$-Byzantine $T$-Colluding Private Information Retrieval
本文首次在量子私有信息检索中形式化定义拜占庭服务器的能力,证明其因量子编码而强于经典情形,并提出基于跨子空间对齐的方案,在某些情况下实现超密编码增益。
2024-05-07 cs.CR cs.IT cs.NI
TREVERSE: Trial-and-Error Lightweight Secure Reverse Authentication with Simulatable PUFs
物理不可克隆函数(PUF)通过利用不可控的制造随机性来生成硬件固有的易失性秘密。尽管PUF为越来越多的低端物联网设备提供了轻量级和安全认证的潜力,但实用和安全的机制仍然难以捉摸。我们的目标是探索模拟的PUF(SimPUF),物理上不可克隆,但有效地通过特权的一次性PUF访问数学建模,以解决上述问题。给定一个挑战,拥有可信服务器的安全存储的SimPUF计算相应的响应及其特定于比特的可靠性。因此,由资源有限的证明器生成的自然噪声PUF响应可以立即由单向函数(OWF)处理并发送到服务器,因为资源丰富的服务器可以利用SimPUF来对可能的错误模式执行试错搜索以恢复噪声响应来认证证明器。随机预言机模型下的试误反向认证(TREVERSE)的安全性是由逆OWF的难度来保证的。我们正式评估TREVERSE认证能力与两个SimPUF实验来自流行的硅PUF。
2020-05-03 cs.CR
Progressive-Resolution Secure Aggregation for Federated Learning
Chalmers University of Technology(查尔姆斯理工大学)
本文提出渐进分辨率安全聚合(PSA),使客户端仅上传一次,即可在无需重新参与的情况下,按需授权获取同一聚合的逐步更精细分辨率,通过嵌套格码与附加聚合填充实现安全性。
2026-10-02 cs.CR cs.DC cs.IT
Secure Stateful Aggregation: A Practical Protocol with Applications in Differentially-Private Federated Learning
针对不可信单服务器下难以实现DP-FTRL的问题,提出安全有状态聚合协议,在保障隐私的同时提升了差分隐私联邦学习的效用,且开销极小。
2024-10-15 cs.CR
Root of Unity for Secure Distributed Matrix Multiplication: Grid Partition Case
我们考虑的问题,安全的分布式矩阵乘法(SDMM),其中用户有两个矩阵,并希望计算他们的产品的帮助下,$N$诚实,但好奇的服务器的安全约束下,任何有关$A$或$B$的信息不泄露给任何服务器。本文提出了一种\emph{new scheme},认为一个网格产品划分矩阵$A$和$B$,它实现了上传成本显着低于现有的文献中的结果。由于网格分区是一个一般的分区,它结合了内部和外部的,事实证明,所提出的方案的通信负载匹配最知名的协议,为这些极端情况。
2022-06-03 cs.CR cs.DC cs.IT
Simplified and Secure MCP Gateways for Enterprise AI Integration
本文提出MCP Gateway,通过融合身份验证、入侵检测与安全隧道等安全原则,解决企业自托管MCP服务器集成的安全挑战,提供了参考架构与开源实现建议。
2025-04-28 cs.AI cs.CR