本文针对全同态加密（TFHE）方案中可编程自举（PBS）的字长限制问题提出了一种新的解决方案。TFHE因其低计算成本和简单的设置要求而被视为安全计算的有力候选方案，其核心特性PBS允许在较小域上高效评估任意函数。然而，为了保证数据安全，PBS的域大小受到TFHE字长限制的约束，这给将同态函数评估扩展到更大域带来了可扩展性挑战。现有方法要么依赖计算成本高昂的电路自举（如垂直打包技术，Chillotti等人，2020），要么引入显著的额外开销（如基于树的方法，Guimarães等人，2021，需O(2^W)次PBS调用处理W比特域）。本文提出的噪声校准方法旨在克服这些局限，在不使用电路自举的前提下实现更高效的函数评估，从而突破字长限制。该方法通过精心校准噪声分布，在不牺牲安全性的条件下扩大了可处理函数的域大小。实验结果表明，与现有技术相比，所提方法显著降低了计算开销，为TFHE在更大规模同态计算中的应用提供了可行路径。本文适合密码学研究人员、全同态加密实现者以及对安全计算性能优化感兴趣的从业者阅读。

该论文提出了一种名为 ILA（Intermediate Language for FHE）的中间语言和类型系统，用于确保全同态加密（FHE）程序的正确性。FHE 允许在密文上进行任意计算，但现有 FHE 编译器容易引入错误，例如密文噪声管理不当或运算类型不匹配。作者设计了一个类型检查框架，该框架在类型层面编码了密文的安全参数（如噪声预算、乘法深度等），使得类型安全的程序能够保证在解密后得到正确结果。具体而言，ILA 的类型系统包含依赖类型，可以跟踪每个值的噪声增长，并在编译时拒绝可能超出噪声阈值的操作。此外，论文还形式化了类型系统的正确性定理，证明类型良好的程序不会产生解密失败的输出。实验评估使用多个经典 FHE 应用（如线性回归、神经网络推理）来验证类型系统的有效性，结果显示 ILA 能够捕获多种常见的错误，且类型检查的开销在可接受范围内。该研究属于密码学与编程语言的交叉领域，为构建更可靠的 FHE 编译器提供了理论基础。

全同态加密（FHE）允许在加密数据上直接执行计算，同时保护数据机密性，但其实际应用受到高计算成本和开发复杂性的限制。本文提出 ComputeFHE，一个基于 TFHE 密码系统的开源 C++ 库，旨在简化隐私保护应用的开发。该库提供加密整数和定点数据类型，以及算术、逻辑、比较、条件和数组隐式访问操作，使开发者能够使用熟悉的命令式编程范式实现算法。ComputeFHE 支持两种算术后端：传统的基于双输入逻辑门的 TFHE 算术，以及利用 FHE 友好逻辑原语的优化算术逻辑单元（ALU）架构。实验结果表明，对于选定操作，所需的引导操作数量显著减少，性能提升高达 3.9 倍。此外，该库包含模拟模式，可在不进行实际密码计算的情况下进行测试、调试和复杂度分析，同时提供电路复杂度和引导成本。ComputeFHE 建立在 OpenFHE 之上，为开发和评估隐私保护算法与应用提供了一个实用且易于访问的框架。

全同态加密（FHE）是许多实际应用中的强大原语。最近，Li和Micciancio在Eurocrypt'21上提出了IND-CPA-D安全模型，该模型通过允许攻击者访问针对诚实生成密文的解密预言机来加强标准IND-CPA安全。Jung等人（CCS'24）和Checri等人（Crypto'24）已表明，即使是精确FHE方案（如FHEW/TFHE/BGV/BFV），由于自举失败的存在，也可能不满足IND-CPA-D安全；但此类攻击可以通过设置可忽略的自举失败概率来缓解。另一方面，Liu和Wang（Asiacrypt'24）提出了松弛功能自举（Relaxed Functional Bootstrapping），该技术实现了数量级的性能提升，并允许在自举过程中进行免费函数求值。这些效率优势使其成为许多应用中的竞争性选择。然而，本文证明了攻击者能够在10分钟内恢复所有现有松弛功能自举构造的底层密钥，对于某些构造甚至不到1分钟。该攻击即使在自举失败概率可忽略的情况下仍然有效。此外，作者提出了一种通用修复方法，能够缓解IND-CPA-D模型中所有基于模切换错误的现有攻击。该修复通过构造一种基本上无开销的新模切换过程实现。最后，作者指出IND-CPA-D即使在被动攻击者模型下可能也不够充分，因此将该模型扩展为带随机性的IND-CPA-D（IND-CPA-DR）。实验表明攻击高效且修复有效，为FHE系统在更强安全模型下的实际部署提供了指导。

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。

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。