活动介绍

完全安全的多方计算与最小信任

立即解锁
发布时间: 2025-08-31 00:33:04 阅读量: 10 订阅数: 33 AIGC
### 完全安全的多方计算与最小信任 #### 1. 协议执行与正确性分析 在多方计算协议 $\Pi$ 中,如果部分参与方 $P_i$($i \in S'$)在协议执行过程中不调用可信第三方(TP),那么 TP 只会从其他参与方 $P_i$($i \notin S'$)接收输入 $\{in_i\}$,并将 $S'$ 中参与方的输入设为 $\perp$。TP 计算输出时,对于 $S'$ 中的参与方 $P_i$ 使用默认输入 $x^*_i$,对于 $i \notin S'$ 的参与方 $P_i$ 使用其实际输入 $x_i$。 由于 $S'$ 被定义为 $\{2, \ldots, n\}$ 的子集且不包含索引 1,这意味着参与方 $P_1$ 是诚实的,它以输入 $x_1$ 诚实地参与协议并以 $in'_1 = in_1$ 调用 TP。基于此,我们可以依赖 $postTP_1$ 计算输出的正确性,进而推断出解码过程中计算的 $2^{n - 1}$ 位确实对应于每个子集 $S'$ 下函数 $f$ 的输出集合,即 $(b_1, b_2, \ldots, b_{2^{n - 1}})$。 需要注意的是,即使协议 $\Pi$ 满足容忍故障停止腐败(参与方不向 TP 发送消息)的完全安全性,上述论证仍然成立。此外,仅协议 $\Pi$ 满足公平性并不足以保证 $(E, D)$ 具有(统计上的)正确性,因为解码过程 $D$ 可能无法始终恢复出 $(b_1, \ldots, b_{2^{n - 1}})$。 根据 [DTT10] 的不可压缩性论证,必然有 $|\overline{st}'_1| + |in_1| + \ldots + |in_n| + |out_1| + |postTP_1| \geq 2^{n - 1}$。由此可以推断,至少有一项 $\geq \frac{2^{n - 1}}{n + 3}$。由于我们假设输出解码器较小,$|\overline{st}'_1|$ 和 $|postTP_1|$ 的大小被限制为 $poly(n, \kappa)$,所以必然是 $in_1, \ldots, in_n, out_1$ 中的某一项大小 $\geq \frac{2^{n - 1}}{n + 3}$。但这与我们假设的 TP 大小为 $poly(n, \kappa)$ 相矛盾,因为 $in_1, \ldots, in_n$ 是 TP 的输入,$out_1$ 是 TP 为计算对 $P_1$ 的响应而运行的算法。至此,我们得出矛盾,完成了证明。 #### 2. 无关联随机性模型下的不可能性 在无关联随机性的普通模型中,即使参与方仅存在半诚实腐败的情况,设计具有非勾结安全性的统计安全多方计算协议也是不可能的。具体来说,当非勾结 TP 模型中的敌手可以(a)半诚实地腐败多数参与方 $\{P_1, \ldots, P_n\}$ 或(b)半诚实地控制 TP 时,这样的协议无法实现。以下是正式定理: **定理 7**:在普通的非勾结 TP 模型(见定义 3)中,即使参与方 $P$ 的恶意腐败被限制为半诚实腐败,通用的统计安全多方计算协议也是不可能的。在该模型中,参与方只能对大小为 $poly(n, \kappa)$ 的小型 TP 进行单次调用。 **证明**:为了推出矛盾,假设存在一个统计安全的两方协议 $\Pi$,它能在非勾结 TP 模型中针对半诚实敌手安全地计算函数 $f$。设 $f$ 为计算 $(k + 1)$ 个不经意传输(OT)实例的功能,即: \[f(x_1 = (m^0_i, m^1_i)_{i \in [k + 1]}, x_2 = (b_1, \ldots, b_k, b_{k + 1})) = (m^{b_1}_1, m^{b_2}_2, \ldots, m^{b_{k + 1}}_{k + 1})\] 其中,$P_1$(发送方)的输入由 $(k + 1)$ 对位组成,$P_2$(接收方)的输入由 $(k + 1)$ 位组成。 假设 $C_{TP}$ 表示描述 TP 在协议 $\Pi$ 中计算的函数 $\{TP\}_{i \in [n]}$ 的电路。由于我们假设 TP 是“小型”的,必然有 $|C_{TP}| \leq poly(n, \kappa)$,且该大小与所计算的函数 $f$ 无关。具体而言,这意味着 TP 进行的计算必须严格少于计算 $(k + 1)$ 个 OTs。 我们声称,计算 $f$ 的协议 $\Pi$ 可以用于构建一个半诚实的 OT 扩展协议 $\Pi'$。在半诚实的环境下,参与方被给定 $k$ 个 OT 相关性作为 OT 扩展协议 $\Pi'$ 的基础 OTs。$\Pi'$ 的执行步骤如下: 1. 参与方执行协议 $\Pi$ 在调用 TP 之前的计算阶段的步
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

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['

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

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

MATLAB绘图类型全解析

# MATLAB 绘图类型全解析 ## 1. 阶梯图(Stairstep Graph) 阶梯图是 MATLAB 中一种常见的绘图类型,用于展示数据的阶梯状变化。以下是关于阶梯图的详细介绍: ### 1.1 绘图格式 - `stairs(Y)`:若 `Y` 是向量,则绘制一条阶梯线;若 `Y` 是矩阵,则为矩阵的每一列绘制一条阶梯线。 - `stairs(X,Y)`:在 `X` 指定的位置绘制 `Y` 中的元素。`X` 和 `Y` 必须是相同大小的向量或矩阵,此外,`X` 可以是行向量或列向量,而 `Y` 必须是行数等于 `length(X)` 的矩阵。 ### 1.2 示例代码 ```ma

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)、

深度学习量化与处理器IP核使用指南

### 深度学习量化与处理器IP核使用指南 #### 1. 量化工作流程先决条件 在使用深度学习工具箱模型量化库对深度学习网络进行量化、模拟和部署时,所需的产品取决于量化工作流程各阶段的选择。 ##### 1.1 所有量化工作流程的先决条件 以下要求适用于量化工作流程的所有阶段: - 深度学习工具箱 - 深度学习工具箱模型量化库 ##### 1.2 支持的网络和层 不同执行环境支持的网络和层如下: | 执行环境 | 支持的网络和层描述 | | ---- | ---- | | GPU | “支持的网络、层和类”(GPU Coder) | | FPGA | “支持的网络、层、板卡和工具” |

利用gRPCAPI对RoadRunner进行编程控制

### 利用 gRPC API 对 RoadRunner 进行编程控制 #### 1. 连接到 RoadRunner API 服务器 若要使用 RoadRunner API,首先需与 RoadRunner API 服务器建立网络连接。该服务器是本地 RoadRunner 安装的一部分,在打开项目时会自动启动。 可通过调用本地 RoadRunner 安装中的 `AppRoadRunner` 可执行文件,以编程方式打开 RoadRunner 并启动 API 服务器。此可执行文件包含命令行选项,能让你指定以下内容: - RoadRunner 打开的项目 - RoadRunner API 服务器运

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

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