本文提出了一种实用的多写入者加密数据库方案（Omnes pro uno）。传统的加密数据库通常只支持单一写入者，或者为了支持多写入者而牺牲安全特性或查询能力。该方案在保持与单写入者方案相当的安全性的同时，支持连接查询和范围查询，且性能与现有加密方案相近。核心方法包括一种新的加密原语和协议设计，允许多个写入者独立加密数据并提交，而读取者可以执行复杂的查询而无需解密所有数据。实验表明，该方案在性能上具有实用性，能够满足真实场景的需求。该研究适合数据库安全、加密计算领域的研究人员和工程师阅读。

本文提出了一种名为 Leafblower 的新型泄漏攻击，针对基于可信执行环境（TEE）的加密数据库系统。研究背景是，虽然 TEE（如 Intel SGX）旨在保护数据机密性和完整性，但加密数据库在 TEE 中运行时，仍然可能通过访问模式、时序等侧信道泄漏敏感信息。核心问题是，现有的加密数据库方案在 TEE 环境下是否真正安全。作者设计并实现了 Leafblower 攻击，利用数据库查询处理过程中不可避免的访问模式泄漏，通过观察系统级别的侧信道（如页面错误、缓存未命中）恢复出原始查询内容或数据分布。主要贡献包括：1）系统化地分析了 TEE 加密数据库的攻击面；2）提出了一个实用的泄漏攻击框架，并针对主流 TEE 加密数据库原型（如 EnclaveDB、StealthDB）进行了实验验证；3）实验结果表明，攻击能够在合理的观测次数下以高准确率恢复机密数据，证明了现有防御措施的不足。本文适合安全研究人员、数据库系统设计者以及 TEE 应用开发者阅读。

在云计算环境中，公共云服务提供商（CSP）通常将云存储作为主要服务，同时利用客户存储在云上的数据提供额外的机器学习（ML）服务。这种商业模式扩展了云计算的边界，但也带来了严重的安全隐患：公共云并非完全可信，可能将客户的敏感数据出售给第三方。为应对这一威胁，直观的解决方案是要求客户在上传数据前对数据集进行加密。然而，一旦数据库被加密，其中仅包含伪随机数，传统的ML技术将无法直接对加密数据执行查询或训练。本文提出MLQENABLER方案，旨在解决加密数据库上的安全ML查询问题。该方案采用索引辅助方法（index-aid approach），通过预先构建索引结构，在保证数据机密性的前提下，支持常见的ML查询操作（如分类、回归等）。具体地，MLQENABLER不直接对密文进行ML算法，而是利用加密索引与明文ML模型之间的映射关系，在解密索引后进行查询，从而避免对整个数据库解密。初步实验表明，该方法能够在达到可接受安全级别的同时，仅引入轻微的ML性能下降（如准确率损失较小）。尽管该方案尚处于早期阶段，但它为在不可信云环境中实现隐私保护的ML查询提供了新的思路。