Homomorphic Multiple Precision Multiplication for CKKS and Reduced Modulus Consumption.
本文针对同态加密（HE）方案中模数消耗问题展开研究。BGV、BFV 和 CKKS 等主流同态加密方案在进行每次乘法运算时，都会消耗一定量的密文模数，这限制了可执行的同态计算深度。自举（Bootstrapping）虽然可以恢复模数并使计算继续
#homomorphic-encryption
共收录 79 条相关情报。
← 返回所有主题Refined TFHE Leveled Homomorphic Evaluation and Its Application.
本文提出了一种改进的 TFHE 层级同态评估方案。TFHE 是一种基于环面的全同态加密方案，支持快速自举（bootstrapping），其核心评估机制包括门自举和可编程自举（PBS），后者能够在刷新噪声的同时计算函数。PBS 对于小规模电路
On the Sensitivity to Errors in Homomorphic Computing: Single Transient Bit-flip Client-side Error Characterization
该论文研究同态加密（HE）系统在硬件或软件引入的比特级瞬态故障下的敏感性与鲁棒性问题。同态加密允许在密文上直接进行计算，无需解密，是医疗、金融、政务等隐私敏感场景中隐私计算的关键原语。其安全性依赖噪声注入机制，然而噪声的存在使系统对错误高度
When and Where Faults Matter: A Study of Transient Errors in CKKS Multiplication
本文研究同态加密（Homomorphic Encryption, HE）中的瞬时错误（transient errors）对全同态加密（FHE）计算正确性的影响，特别聚焦于未优化的 CKKS（Cheon--Kim--Kim--Song）方案中
Trimming: Decoupling Multiplicative Depth from Modulus Chains in RNS-CKKS via Rational Levels
本文提出了一种名为Trimming的新型细粒度层级管理机制，旨在解决RNS-CKKS同态加密方案中乘法深度受限于模数链结构的问题。近期提出的Grafting技术成功将缩放因子与密文模数解耦，实现了更灵活的精度管理，但乘法深度仍然从根本上受制
GoldenRetriever: Non-Interactive Homomorphic Encrypted Retrieval for Privacy-Preserving RAG
本文提出了一种名为 GoldenRetriever 的隐私保护检索增强生成（RAG）框架，旨在解决传统 RAG 流水线在明文数据上运行导致的隐私泄露问题。现有隐私保护检索方案多采用同态加密（HE）或私有信息检索（PIR），但往往依赖交互式协
Implementing Homomorphic Encryption-Based Logic Locking in System-on-Chip Designs
本研究提出了一种基于二进制 Ring Learning With Errors (RLWE) 同态加密算法的逻辑锁定方案，并将其集成到 RISC-V 系统级芯片 (SoC) 设计中。传统逻辑锁定方法需要向用户提供原始锁定参数，容易暴露敏感信
Bridging the Gap Between PHE and FHE: A Performance and Trade-off Analysis of The Somewhat Homomorphic BGN Cryptosystem
本文针对同态加密（HE）在实际应用中面临的权衡问题——轻量级部分同态加密（PHE）计算高效但功能有限，而全同态加密（FHE）功能强大但计算开销巨大——提出并分析了介于两者之间的 Boneh-Goh-Nissim（BGN）密码系统。BGN 属
Low-Latency Bootstrapping for CKKS using Roots of Unity
本文提出了一种名为 Sparse Roots of Unity (SPRU) 的新型引导（bootstrapping）算法，用于 CKKS 全同态加密方案。CKKS 是一种支持近似算术的同态加密方案，广泛应用于隐私计算和密文机器学习。在 C
Two-Tier Data Packing in RLWE-based Homomorphic Encryption for Secure Federated Learning.
该论文针对基于RLWE的同态加密（HE）在联邦学习（FL）聚合中保护隐私时面临的计算和通信开销问题，提出了一种新型的两层数据编码方法。现有方法通常简单地在多项式中拼接整数或分配系数，未能充分利用RLWE的结构特性。作者设计了一种双层数据打包
How to Watermark the RLWE Homomorphic Ciphertexts
本文针对基于环误差学习（RLWE）问题的同态加密（HE）方案在安全计算中的广泛应用，提出了一种面向RLWE密文的水印技术。现有HE方案主要关注计算可行性与效率，忽略了密文版权保护、来源认证和计算监管等实际需求。作者利用RLWE多项式的代数结
MOSAIC-FL, a micro-service based privacy-preserving framework with application to genomics
该论文提出了一种名为MOSAIC-FL的微服务架构隐私保护联邦学习框架，重点面向基因组学等敏感数据领域。框架采用模块化设计，集成gRPC高效通信层和有限状态机以确保组件同步和威胁检测；核心安全机制基于CKKS同态加密的阈值变体实现容错安全聚
SPIRAL: Fast, High-Rate Single-Server PIR via FHE Composition.
本文提出SPIRAL协议族，用于实现单服务器私有信息检索（PIR）。核心创新在于组合使用两种基于格的同态加密方案：Regev加密方案和Gentry-Sahai-Waters（GSW）加密方案，并引入了新的密文转换技术，使得两种方案可以高效互
ATLAS: Automated Approximation of Transformers for Efficient Homomorphic Inference in One Hour
全同态加密（FHE）为隐私推理提供了强加密保障，但在FHE下部署Transformer模型仍然代价高昂。关键瓶颈在于softmax、归一化和激活等非线性运算必须替换为与CKKS方案兼容的多项式近似，而近似消耗的乘法深度主导了推理成本。现有框
BioZKFHE: Scalable Encrypted Biometric Identification via Verifiable Homomorphic Similarity Evaluation
本文提出 BioZKFHE，一个用于可扩展加密生物特征识别的框架，它结合了 BGV 型全同态加密与委员会中介的证明开/解密及智能合约验证。研究背景是在外包场景下进行大规模生物特征识别，需要同时保证生物模板和查询数据在计算过程中的机密性，以及
PRISM: Sensitivity-Aware PolynoMial PRuning for EffIcient Neural Network Encryption
本文研究了同态加密（HE）环境下神经网络推理的结构化剪枝对模型可靠性的影响，并提出了多项式敏感度感知剪枝方法（PSAP）。背景：同态加密允许对加密数据进行计算，但计算开销大，结构化剪枝是降低开销的关键技术，然而剪枝可能引入可靠性问题，如对位
APEX: Accurate Parallel Expressive Homomorphic Execution for Encrypted Databases.
本文提出 APEX，一种针对加密数据库的精确并行同态执行方案。研究背景是传统同态加密（HE）方案因计算开销大、并行性差而难以直接用于数据库查询。核心问题是如何在保持高精度的同时实现高效并行处理。APEX 通过设计一种新的同态乘法算法和并行调
Investigating TenSEAL's Homomorphic Encryption Through Predicting Encrypted RNA Sequencing Data.
该论文研究了TenSEAL同态加密库在加密RNA测序数据预测任务中的应用。同态加密允许在不解密的情况下对加密数据进行计算，从而保护数据隐私。论文使用TenSEAL库实现了同态加密方案，并在RNA测序数据集上训练了机器学习模型，评估了加密数据
REDsec: Running Encrypted Discretized Neural Networks in Seconds.
REDsec 是一个基于全同态加密 (FHE) 的私有机器学习推理框架，旨在解决 MLaaS 场景中的隐私泄露风险。核心创新在于利用三元神经网络（权重约束为 {-1,0,1}）的独特性质，在密文域高效实现推理计算。REDsec 提出了新的数
ZHE: Efficient Zero-Knowledge Proofs for HE Evaluations.
同态加密（HE）允许在不解密的情况下对加密数据进行计算，广泛应用于隐私保护场景。然而，HE的安全性通常假设服务器是“诚实但好奇”的，即服务器会忠实执行计算。若服务器是恶意的，则无法保证计算结果的正确性。可验证HE（vHE）旨在检测恶意行为，