A Lightweight Fault-Detection Scheme for Barrett Modular Multiplication Using Multiple Conditional Reduction Paths
格基后量子密码（PQC）与全同态加密（FHE）中的多项式乘法是资源、时间和能量最关键的运算之一。Barrett 模乘（BMM）因其硬件友好的特性和高效的模归约能力，在 PQC（如 Kyber、Dilithium）和 FHE（如 BGV、BF
#fully-homomorphic-encryption
共收录 7 条相关情报。
← 返回所有主题Surpassing the Word Size Limitation of TFHE with Noise Calibration.
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，PB
ILA: Correctness via Type Checking for Fully Homomorphic Encryption.
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
ComputeFHE: A Privacy-Preserving General-Purpose Computation Library
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
NTRU-v-um: Secure Fully Homomorphic Encryption from NTRU with Small Modulus.
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
Preserving Data Privacy in Learning Causal Structure with Fully Homomorphic Encryption
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
Plausible Deniability in Fully Homomorphic Computation
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