该论文提出了一种名为NTRU-v-um的新型全同态加密（FHE）方案，其核心思想是基于NTRU密码系统并采用小模数来构造安全的FHE。传统的NTRU型FHE方案通常需要较大模数以支持同态运算，导致密钥尺寸和计算开销较大。作者通过引入一种新的变种，在保持安全性的同时显著降低了模数大小，从而提升了方案的效率和实用性。论文详细描述了方案的构建过程，包括密钥生成、加密、解密以及同态运算（加法与乘法）的具体算法，并给出了安全性证明，将其归约到标准格问题（如Ring-LWE或NTRU问题的变种）。实验结果表明，与现有同类FHE方案相比，NTRU-v-um在运行时间和密文扩张率方面均有改进，尤其在小模数设置下仍能达到足够的安全强度。该工作为实际部署高效FHE提供了新的候选方案，尤其适合资源受限的环境。本文适合密码学研究人员和需要同态加密应用的安全工程师阅读。

本文提出REDsec框架，旨在解决机器学习即服务(MLaaS)中的隐私泄露问题。传统MLaaS需要用户将敏感数据明文发送给服务商，存在隐私风险。全同态加密(FHE)允许在加密数据上直接计算，但计算开销巨大。REDsec利用三元神经网络（权重约束为{-1,0,1}）的特殊性质，在FHE域中高效实现推理。核心创新包括：1）一种新的数据重用方案，首次实现FHE中整数域与二进制域的双向桥接，从而高效支持二进制运算（如乘法、激活）和整数域加法；2）配套的GPU加速库(RED)cuFHE，支持多GPU上的二进制和整数运算。REDsec支持用户自定义模型（Bring-Your-Own-Network）、自动明文训练以及基于TFHE的私有推理高效评估。在MNIST、CIFAR-10和ImageNet数据集上的实验表明，相比现有工作，REDsec在推理性能上取得显著提升。本文主要贡献在于提出了一个实用、高效的基于FHE的私有MLaaS推理框架，降低了延迟至秒级，为隐私保护机器学习应用铺平了道路。

本文针对分布式因果结构学习中的隐私泄露问题，提出了一种基于全同态加密（FHE）的隐私保护方法。传统方法中，数据在传输和计算过程中可能暴露敏感信息，而FHE允许在密文上直接进行计算，从而保证数据全程加密。然而，将FHE应用于因果结构学习面临计算开销大、缺少除法和对数运算支持等挑战。为此，作者提出了一系列创新技术：首先，通过电路简化降低计算复杂度；其次，利用牛顿-拉夫逊倒数法和泰勒展开近似除法和对数运算；最后，采用SIMD加速的批处理技术提升整体效率。此外，该方法可扩展支持差分隐私，展示了其可移植性。实验结果表明，在多个测试数据集上，该方法与明文版本的因果结构学习结果具有高度一致性和可比性，且能在数十分钟内完成学习，兼顾了效率与隐私保护。

该论文对全同态加密（FHE）编译器及工具进行了系统性的综述与实验评估。FHE允许在不解密的情况下对加密数据执行任意计算，从而保护数据隐私，即使计算方不可信或已被攻破。这一概念自1970年代提出，但直到2009年Gentry的首个可行方案才得以实现。随着云服务中敏感数据的大规模收集以及数据泄露事件的频发，高合规性行业对机密计算的需求日益增长，推动了FHE工具的快速发展。然而，现有的FHE工具在性能、可用性和安全性方面存在显著差异，开发者面临选择困难。该论文通过广泛的文献调查和实验评估，系统化了当前FHE工具与编译器的现状，识别了关键的研究空白和未来发展方向。实验覆盖多种应用场景，评估了不同工具的计算性能、编程易用性、安全参数配置等。最后，论文为开发者提出了基于FHE的应用开发建议，并讨论了FHE工具链的未来重点，包括提高编译效率、降低噪声管理复杂度、增强安全证明自动化等。适合对隐私计算、数据安全感兴趣的研究者和开发者阅读。

本文提出了一种在完全同态加密计算中实现可否认性（Plausible Deniability）的框架PD-FHC。该框架允许用户将布尔计算外包给不可信的云服务提供商，同时确保：1）计算隐私：对诚实但好奇的云服务商隐藏真实计算内容；2）可否认性：在面对强制攻击者（coercive adversaries）时，用户能够否认真实计算的存在。作者定义了可否认计算媒介（Deniable Computation Medium, DCM）和可否认计算方案（Deniable Computation Scheme, DCS）作为独立于媒介的抽象概念，并使用RGB图像和Fredkin门电路实例化这一框架。具体地，多个计算场景（一个真实场景和若干诱饵场景）被嵌入到载体图像的秘密位置；云服务商对每个像素执行相同的操作，从而对所有场景进行统一处理。在遭受胁迫时，用户能够揭示一个诱饵计算并展示可验证的结果，而真实计算仍然隐藏。作者形式化了多轮胁迫博弈，定义了存在优势（existence advantage）和意图区分优势（intent distinguishing advantage），并证明在图像实例化中，计算隐私优势为Θ(1/(n-1)!)，存在隐藏优势可忽略。Python实现针对电路规模（5-289门）和图像尺寸（128^2到512^2）进行了基准测试，结果显示与TFHE相比具有竞争力的性能，同时提供了FHE本质上无法实现的可否认性。本文的核心贡献在于首次在完全同态计算中引入可否认性，并给出了具体可行的构造与实现。