活动介绍

实现最优轮次和高效通信的多方计算协议

立即解锁
发布时间: 2025-08-31 01:41:33 阅读量: 11 订阅数: 36 AIGC
### 实现最优轮次和高效通信的多方计算协议 #### 1. 引言 安全多方计算(MPC)允许不同参与方在私有输入上联合评估任何电路,使得各方仅得知计算输出,而无其他额外信息。近年来,最优轮次MPC的设计备受关注。在半诚实敌手模型下,安全MPC在无额外设置的纯模型中至少需要两轮;而对于恶意敌手,在纯模型中使用黑盒模拟器时,安全MPC至少需要四轮。然而,现有的许多构造存在通信复杂度与被评估电路规模成正比的问题。 #### 2. 研究背景与相关工作 - **功能加密(FE)**:FE是一种可对加密数据进行细粒度访问控制的原语。通过主密钥生成算法,可生成与电路 $f$ 相关的秘密密钥 $sk_f$,使用该密钥解密密文 $ct \leftarrow Enc(msk, x)$ 仅能得到 $f(x)$,保证了除 $f(x)$ 外无其他信息泄露。 - **功能加密组合器**:能将多个FE候选方案组合,只要其中任何一个初始FE候选方案安全,组合后的FE协议就安全。Ananth等人基于学习误差(LWE)假设构造了具有简洁性和可分解性的FE组合器。 - **相关MPC协议**:已有一些关于MPC协议的研究,如Ananth等人提出了在半诚实敌手模型下的最优轮次(两轮)电路可扩展MPC协议,但该协议无法抵御恶意敌手攻击。Cohen等人提出了在相关随机模型下容忍自适应腐败的最优轮次电路可扩展MPC协议。 #### 3. 研究问题与主要贡献 - **研究问题** - 是否存在基于标准复杂度假设、在纯模型中针对不诚实多数恶意敌手安全的最优轮次MPC协议,且具有电路可扩展性,即通信复杂度仅取决于被评估电路的深度及其输入输出长度? - 是否存在基于标准(多项式)复杂度假设、在纯模型中的最优轮次且与电路无关的恶意安全MPC协议? - **主要贡献** - **从FE组合器到电路可扩展MPC**:提供了一个保持轮次的黑盒编译器,在存在简洁FE组合器的假设下,可将广泛的MPC协议编译为电路可扩展协议。若LWE假设成立,可得到一个针对恶意敌手安全的最优轮次MPC协议,其通信复杂度仅取决于安全参数、电路深度、输入长度和输出长度。 - **从MFHE到电路无关MPC**:提出一个保持轮次的黑盒编译器,在存在完美正确的紧凑多密钥全同态加密(MFHE)方案的假设下,可将广泛的MPC协议编译为电路无关协议。对于常数数量的参与方,基于LWE假设可得到首个在纯模型中与电路无关的最优轮次恶意MPC协议;对于任意数量的参与方,在Ring - LWE和决策小多项式比率(DSPR)假设下可得到相应协议。 #### 4. 技术概述 ##### 4.1 从FE组合器到电路可扩展MPC - **Ananth等人的编译器**:主要构建模块为一个 $\ell$ 轮半诚实安全的MPC协议和一个简洁可分解的FE组合器。MPC协议计算函数 $g$,该函数接收每个参与方的输入,包括主密钥 $msk_i$、值 $x_i$ 和随机数 $r_i$,使用这些主密钥对 $x_1, \ldots, x_n$ 进行加密。最终协议的通信复杂度为 $poly(\lambda, n, d, L_{in}, L_{out})$。 - **实现恶意安全**:直接将半诚实MPC协议替换为恶意安全协议不可行,因为恶意参与方可能生成格式错误的主密钥或随机数。可通过修改函数 $g$ 来解决随机数问题,但主密钥问题的解决会导致协议轮次增加,且该协议仍不安全,仅能实现带输出知识的隐私(PKO)。 - **保持轮次的构造:PKO安全**:以两轮输入无关的4轮MPC协议为例,参与方先运行两次Blum硬币抛掷协议,生成主密钥和秘密密钥。同时,执行MPC协议评估函数 $g'$,该函数检查承诺的正确性,若检查成功则输出密文。此协议可保证密文诚实计算,但诚实方的输出可能不正确。 - **从PKO到完全安全**:利用Ishai等人的PKO安全到完全安全编译器,将上述协议转换为标准安全协议。此外,还可使用现有编译器使协议支持多输出功能。 ##### 4.2 从MFHE到电路无关MPC - **MFHE概述**:MFHE方案包括设置算法、加密算法、评估算法和解密算法。要求该方案具有紧凑性,即密钥、密文大小和加密解密算法描述仅取决于函数的输入输出大小。 - **编译器工作流程**:以两方情况为例,各方运行设置算法生成公私钥对,加密输入并发送给对方。然后运行评估算法得到密文 $ct'_i$,继续执行MPC协议评估函数 $g$,该函数检查密文和公钥的正确性,若解密值相同则输出结果。协议的通信复杂度为 $poly(\lambda, n, L_{in}, L_{out})$,通过使用伪随机生成器(PRG)可将通信复杂度优化为 $O(L_{in}) + poly(\lambda, n, L_{out})$。 ##### 4.3 k - 延迟输入函数MPC 在编译器的描述中,需要依赖一种MPC协议 $\Pi$,该协议仅在最后两轮(图2构造中为三轮)需要参与方的输入。许多现有MPC协议在前两轮不需要输入,但由于诚实方的输入可能受到敌手影响,无法依赖其标准安全概念。因此,引入了k - 延迟输入函数的概念,即每个参与方的输入包括私有输入 $x$ 和函数 $f$,函数 $f$ 仅在第 $k$ 轮及以后才需要。通过使用标准的2n方 $\ell$ 轮MPC协议和一次
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

史东来

安全技术专家
复旦大学计算机硕士,资深安全技术专家,曾在知名的大型科技公司担任安全技术工程师,负责公司整体安全架构设计和实施。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看
立即解锁

专栏目录

最新推荐

多视图检测与多模态数据融合实验研究

# 多视图检测与多模态数据融合实验研究 ## 1. 多视图检测实验 ### 1.1 实验数据集 实验参考了Wildtrack数据集和MultiviewX数据集,这两个数据集的特点如下表所示: | 数据集 | 相机数量 | 分辨率 | 帧数 | 区域面积 | | ---- | ---- | ---- | ---- | ---- | | Wildtrack | 7 | 1080×1920 | 400 | 12×36 m² | | MultiviewX | 6 | 1080×1920 | 400 | 16×25 m² | ### 1.2 评估指标 为了评估算法,使用了精度(Precision)、

利用Kaen实现PyTorch分布式训练及超参数优化

### 利用Kaen实现PyTorch分布式训练及超参数优化 #### 1. 启用PyTorch分布式训练支持 在进行模型训练时,我们可以使用Kaen框架来支持PyTorch的分布式训练。以下是相关代码示例: ```python train_glob = os.environ['KAEN_OSDS_TRAIN_GLOB'] if 'KAEN_OSDS_TRAIN_GLOB' in os.environ else 'https://raw.githubusercontent.com/osipov/smlbook/master/train.csv' val_glob = os.environ['

二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决

### 二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决 #### 1. 二维和三维偏微分方程耦合求解 在求解二维和三维偏微分方程时,有几个具体的问题和解决方法值得探讨。 ##### 1.1 获取相同网格点的 v 值 要在与 u 相同的网格点上获取 v 值,可以输入以下命令: ```matlab >> T_table=tri2grid(p,t,u(length(p)+1:end,end),x,y) ``` 示例结果如下: ``` T_table = 0.6579 0.5915 0.5968 0.6582 0 0.6042 0.4892 0.5073 0.6234 0 0.543

使用PyTorch构建电影推荐系统

### 使用 PyTorch 构建电影推荐系统 在当今数字化时代,推荐系统在各个领域都发挥着至关重要的作用,尤其是在电影推荐领域。本文将详细介绍如何使用 PyTorch 构建一个电影推荐系统,从数据处理到模型训练,再到最终的推荐生成,为你呈现一个完整的推荐系统构建流程。 #### 1. 数据探索与处理 首先,我们需要对 MovieLens 数据集进行探索和处理。该数据集包含用户对电影的评分信息,其中存在一些缺失的评分值,用 NaN 表示。我们的目标是利用非空评分训练推荐系统,并预测这些缺失的评分,从而为每个用户生成电影推荐。 以下是处理数据集的代码: ```python import p

利用PyTorch进行快速原型开发

### 利用 PyTorch 进行快速原型开发 在深度学习领域,快速搭建和验证模型是非常重要的。本文将介绍两个基于 PyTorch 的高级库:fast.ai 和 PyTorch Lightning,它们可以帮助我们更高效地进行模型的训练和评估。 #### 1. 使用 fast.ai 进行模型训练和评估 fast.ai 是一个基于 PyTorch 的高级库,它可以让我们在几分钟内完成模型的训练设置。下面是使用 fast.ai 训练和评估手写数字分类模型的步骤: ##### 1.1 模型训练日志分析 在训练过程中,我们可以看到冻结网络的第一个训练周期,然后是解冻网络的两个后续训练周期。日志中

模型生产化:从本地部署到云端容器化

# 模型生产化:从本地部署到云端容器化 ## 1. 引入 FastAPI 在将模型投入生产的过程中,我们首先要安装 FastAPI。由于 FastAPI 是一个 Python 模块,我们可以使用 pip 进行安装。打开一个新的终端,运行以下命令: ```bash $ pip install fastapi uvicorn aiofiles jinja2 ``` 这里我们安装了一些 FastAPI 所需的额外依赖项。uvicorn 是一个用于设置 API 的底层服务器/应用程序接口,而 aiofiles 则使服务器能够异步处理请求,例如同时接受和响应多个独立的并行请求。这两个模块是 FastA

强化学习与合成数据生成:UnityML-Agents深度解析

# 强化学习与合成数据生成:Unity ML - Agents 深度解析 ## 1. 好奇心奖励与超参数设置 在强化学习中,为了激发智能体的好奇心,可以传递与外在奖励相同的超参数。具体如下: - **好奇心奖励信号超参数**: - `reward_signals->curiosity->strength`:用于平衡好奇心奖励与其他奖励(如外在奖励)的缩放系数,取值范围在 0.0 到 1.0 之间。 - `reward_signals->curiosity->gamma`:根据奖励实现所需的时间来调整奖励感知价值的第二个缩放系数,与外在奖励的 `gamma` 类似,取值范围也在

模糊推理系统对象介绍

# 模糊推理系统对象介绍 ## 1. fistree 对象 ### 1.1 概述 fistree 对象用于表示相互连接的模糊推理系统树。通过它可以创建一个相互关联的模糊推理系统网络。 ### 1.2 创建方法 可以使用以下语法创建 fistree 对象: ```matlab fisTree = fistree(fis,connections) fisTree = fistree( ___ ,'DisableStructuralChecks',disableChecks) ``` - `fisTree = fistree(fis,connections)`:创建一个相互连接的模糊推理系统对象

PyTorch神经网络构建与训练全解析

### PyTorch 神经网络构建与训练全解析 #### 1. 特征标准化 在很多情况下,对特征进行标准化是一个很好的做法,即使并非总是必要(例如当所有特征都是二元特征时)。标准化的目的是让每个特征的值具有均值为 0 和标准差为 1 的特性。使用 scikit-learn 的 `StandardScaler` 可以轻松完成这一操作。 然而,如果你在创建了 `requires_grad=True` 的张量后需要进行标准化操作,就需要在 PyTorch 中直接实现,以免破坏计算图。以下是在 PyTorch 中实现特征标准化的代码: ```python import torch # Creat

电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模

# 电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模 ## 1. 锁相环(PLL) ### 1.1 锁相环原理 锁相环(PLL)是一种控制算法,用于确定正弦输入的频率和相位角。它主要用于两个系统之间的频率匹配,匹配完成后会存在一个恒定的相位差,从而实现相位“锁定”。PLL由相位检测机制、PID控制器和用于生成相位角信息的振荡器组成。此外,系统中还包含一个低通滤波器,用于获取正弦输入的频率信息。在柔性交流输电系统(FACTS)设备中,PLL增益对稳定系统性能起着至关重要的作用。 ### 1.2 Simulink环境下的PLL设置 为了直观展示PLL如何反映频率和相位的变化